CN114366933A - 一种基于语音控制的流量调节微量泵方法与系统 - Google Patents

一种基于语音控制的流量调节微量泵方法与系统 Download PDF

Info

Publication number
CN114366933A
CN114366933A CN202210077974.4A CN202210077974A CN114366933A CN 114366933 A CN114366933 A CN 114366933A CN 202210077974 A CN202210077974 A CN 202210077974A CN 114366933 A CN114366933 A CN 114366933A
Authority
CN
China
Prior art keywords
pressure
neural network
network model
micro pump
micropump
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210077974.4A
Other languages
English (en)
Other versions
CN114366933B (zh
Inventor
陈金兰
谢霞
张鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Xiangya Hospital of Central South University
Original Assignee
Second Xiangya Hospital of Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Second Xiangya Hospital of Central South University filed Critical Second Xiangya Hospital of Central South University
Priority to CN202210077974.4A priority Critical patent/CN114366933B/zh
Publication of CN114366933A publication Critical patent/CN114366933A/zh
Application granted granted Critical
Publication of CN114366933B publication Critical patent/CN114366933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/16804—Flow controllers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/16877—Adjusting flow; Devices for setting a flow rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3331—Pressure; Flow
    • A61M2205/3334—Measuring or controlling the flow rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/80—General characteristics of the apparatus voice-operated command

Abstract

本发明涉及语音控制技术领域，公开了一种基于语音控制的流量调节微量泵系统，并公开了一种基于语音控制的流量调节微量泵方法，所述方法包括：检测微量泵注射器指压端压强和针头端药液速度，将检测到的数据作为训练数据集；训练神经网络模型，并利用Adam优化算法进行模型参数优化；微量泵调节系统接收用户的控制语音，并对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值；计算得到当前微量泵的注射速度，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出压强，控制调节微量泵压强为模型输出压强。本发明所述方法实现不同注射器规格具有不同的微量泵调节方法，以及实现了微量泵流量调节的语音控制调节。

Description

一种基于语音控制的流量调节微量泵方法与系统
技术领域
本发明涉及语音控制技术领域，尤其涉及一种基于语音控制的流量调节微量泵方法。
背景技术
微量泵将少量药液精确、微量、均匀、持续地泵入体内，操作便捷、定时、定量，根据病情需要可随时调整药物浓度、速度，使药物在体内能保持有效血药浓度，运用微量泵抢救危重患者，能减轻护士工作量，提高工作效率，准确、安全、有效地配合医生抢救。现有的微量泵控制通过步进电机进行控制，人工选择不同的步进档位实现不同速度的药液控制，该种方法主要存在两种缺陷：一是没有考虑不同注射器指压端的面积和注射器出口大小造成的压强差异(产生该类问题的主要原因是步进电机档位产生同样大小压力，但是由于注射器指压端受力面积的不同造成压强不同，同样由于不同注射器针头出口大小差异导致出口出的压强也不同，上述两种差异进导致注射器出口的药液速率不一致)；二是现有的微量泵采用档位控制，其控制精度较差，针对上述两种问题，本专利提出一种基于语音控制的精确微量泵控制方法。
发明内容
本发明提供一种基于语音控制的流量调节微量泵方法，目的在于(1)实现不同注射器规格具有不同的微量泵调节方法；(2)实现微量泵流量调节的语音控制调节。
实现上述目的，本发明提供的一种基于语音控制的流量调节微量泵方法，包括以下步骤：
S1：针对不同规格的注射器，在针头端配置医用传感器，在指压端配置压力传感器，调节传统微量泵档位，检测指压端压强和针头端药液速度，并采集指压端压强-针头端药液速度数据作为训练数据集，得到不同规格注射器的训练数据集；
S2：将训练数据集中的针头端药液速度作为模型输入，对应的指压端压强作为输出，训练神经网络模型，并利用Adam优化算法进行模型参数优化，将优化后的神经网络模型内置在微量泵调节系统；
S3：微量泵调节系统接收用户的控制语音，并对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值；
S4：根据控制语音中微量泵注射速度增加/减少的数值，计算得到当前微量泵的注射速度，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出压强，控制调节微量泵压强为模型输出压强。
作为本发明的进一步改进方法：
所述S1步骤中针对不同规格的注射器，检测指压端压强和针头端药液速度，包括：
选取不同规格的注射器ki，并在注射器的针头端配置医用传感器，在注射器的指压端配置压力传感器，将注射器安置在微量泵上，其中所选取的注射器集合为K＝{k1,k2,…, ki,…,kn}，n表示所选取的不同规格注射器的总数，ki表示第i种规格的注射器；
在本发明一个具体实施例中，注射器规格包括注射器针筒长度、注射器活塞芯杆长度以及注射器容量，本发明所选取的n种不同规格的注射器，在注射器针筒长度、注射器活塞芯杆长度以及注射器容量均不完全一致；
所述压力传感器的元件为弹簧测力计，弹簧测力计示数即为注射器指压端感受到的压力，当需要增大注射器的注射速度时，微量泵会增大注射器指压端受到的推力，导致压力传感器感知到的压力变大，弹簧测力计示数变大；而当需要减小注射器的注射速度时，微量泵会减小注射器指压端受到的推力，导致压力传感器感知到的压力变小，弹簧测力计示数变小；所述医用注射器用于感知针头端药液流出的速度；
对于任意规格的注射器ki，通过调节传统微量泵档位，进而改变注射器指压端的所受压强以及针头端药液速度，完成不同规格注射器下，不同指压端压强以及对应的针头端药液速度的检测，所述注射器指压端所受压强的计算公式为：
Figure RE-GDA0003547332760000021
其中：
Si为注射器ki的指压端面积；
Fi,j表示在微量泵档位为j时，注射器ki内压力传感器的示数；
Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强。在本发明一个具体实施例中，传统微量泵的档位有11种，即j＝{1,2,…,10}，其中档位数值越高，表示注射器的注射速度越快。
所述S1步骤中将检测结果构成训练数据集，包括：
将指压端压强和针头端药液速度的检测结果构成训练数据集，所构成的训练数据集形式为：
{(ki,Pi,j,si,j)|i∈[1,n],j∈[1,10]}
其中：
Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强；
si,j表示在微量泵档位为j时，注射器ki针头端药液速度；
(ki,Pi,j,si,j)表示训练数据集中的一组训练数据；
将相同注射器规格ki的所有训练数据作为一组训练数据集，得到n组训练数据集，每组训练数据集可训练得到一个神经网络模型。
所述S2步骤中将训练数据集中的针头端药液速度作为模型输入，对应的指压端压强作为输出，训练神经网络模型，包括：
所述神经网络模型的输入为针头端药液速度，输出为指压端压强，所述神经网络模型的计算流程为：
1)将针头端药液速度作为神经网络模型输入层的输入值；
2)隐藏层对输入的针头端药液速度进行特征映射，并输出对应的指压端压强：
Figure RE-GDA0003547332760000022
其中：
σ(·)表示激活函数，本发明选择ReLU激活函数；
s表示针头端药液速度；
w表示隐藏层中的权重矩阵；
b表示隐藏层中的偏置量；
Figure RE-GDA0003547332760000023
表示隐藏层对输入值的预测指压端压强结果；
构建神经网络模型的损失函数L(θ)，并分别将S1步骤中的每组训练数据集输入到神经网络模型中训练，训练得到n组神经网络模型，所述损失函数为：
Figure RE-GDA0003547332760000024
其中：
Pq表示每组训练数据集中第q个训练数据的真实指压端压强；
Figure RE-GDA0003547332760000025
为神经网络模型对每组训练数据集中第q个训练数据的预测指压端压强；
e表示每组训练数据集中训练数据的总数；
θ表示神经网络模型的参数，包括权重矩阵w以及偏置量b，通过调节神经网络模型参数θ，得到不同的损失函数值L(θ)。
所述S2步骤中利用Adam优化算法对神经网络模型进行模型参数优化，包括：
利用Adam优化算法对神经网络模型参数进行优化，所述Adam优化算法流程为：
1)设置Adam优化算法的迭代次数t的初始值为1，并随机生成神经网络模型的初始参数θ0；
2)计算第t次迭代时损失函数L(θ)的梯度：
Figure RE-GDA0003547332760000031
其中：
gt表示第t次迭代时损失函数L(θ)的梯度；
θt-1表示第t-1次迭代时神经网络模型的参数值；
3)计算第t次迭代时梯度的指数移动平均指数：
rt＝α1rt-1+(1-α1)gt
其中：
rt表示第t次迭代时梯度的指数移动平均指数，r0＝0；
α1表示指数衰减率，将其设置为0.92；
4)计算第t次迭代时梯度平方的指数移动平均指数：
vt＝α2vt-1+(1-α2)(gt)2
其中：
vt表示第t次迭代时梯度平方的指数移动平均指数，v0＝0；
α2表示指数衰减率，将其设置为0.999；
5)对指数移动平均指数进行修正：
Figure RE-GDA0003547332760000032
Figure RE-GDA0003547332760000033
其中：
Figure RE-GDA0003547332760000034
为修正后梯度的指数移动平均指数；
Figure RE-GDA0003547332760000035
为修正后梯度平方的指数移动平均指数；
6)更新第t次迭代时，神经网络模型的参数：
Figure RE-GDA0003547332760000036
其中：
θt为第t次迭代时神经网络模型的参数；
β为学习率，将其设置为0.001；
7)令t＝t+1；
8)重复步骤2)-7)，直到神经网络模型的损失函数值达到稳定，并将此时的神经网络模型参数作为最终的模型参数，训练得到n个优化后的神经网络模型，所述每个神经网络模型适用于不同规格注射针的微量泵，并将优化后的神经网络模型内置在微量泵调节系统中。
所述S3步骤中对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值，包括：
接收用户的控制语音信号，对控制语音信号进行快速傅里叶变换处理：
Figure RE-GDA0003547332760000037
其中：
X(ω)表示控制语音信号x(∈)在傅里叶变换点数ω下的频谱；
j表示虚数单位，j2＝-1；
L表示控制语音信号的信号长度；
构建一个带有M个三角带通滤波器的滤波器组，则第m个三角带通滤波器的中心频率为fm，m∈[0,M-1]，且m为整数，第m个三角带通滤波器的频率响应为：
Figure RE-GDA0003547332760000041
Figure RE-GDA0003547332760000042
其中：
ω表示对控制语音信号x(∈)进行快速傅里叶变换处理的傅里叶变换点数；
将X(ω)输入到滤波器组中，则每个滤波器输出的对数能量为：
U(m)＝ln[|X(ω)|2Sm(ω)]
则控制语音信号的梅尔频率倒谱系数特征为：
Figure RE-GDA0003547332760000043
其中：
p表示梅尔频率倒谱系数特征的阶数；
将阶数为1，3，5，10的梅尔频率倒谱系数特征作为关键词识别的语音向量，则关键词识别的语音向量F为：
F＝[MFCC(1),MFCC(3),MFCC(5),MFCC(10)]
将语音向量F输入到关键词识别模型中，则进行关键词识别的流程为：
h＝softmax(wNuN+bN)
pN＝auN-1+d
uN＝uN-1+pN
其中：
h代表模型在第N个记忆块后的全连接层的输出，输出形式为{±1:c}，c表示微量泵注射速度增加/减少的数值，若为+1，则表示微量泵注射速度增加c，若为-1，则表示微量泵注射速度减少c；
pN代表第N个记忆块前的线性预测层的输出，a,d为线性预测层的参数；
uN为第N个记忆块的输出，u0表示关键词识别的语音向量F；
wN为第N个记忆块的权重参数；
bN为第N个记忆块的偏置量参数；
在本发明一个具体实施例中，所述关键词识别模型为包含N个记忆块的神经网络模型，每个记忆块为LSTM的遗忘门结构，每个记忆块前具有线性预测层，第N个记忆块后为全连接层，全连接层输出关键词识别结果，所述关键词识别模型的训练流程为：采集控制语音信号训练数据集，设置模型的损失函数为均方误差损失函数，模型参数优化方法为梯度下降方法，将模型参数优化结果作为关键词识别模型的参数。
所述S4步骤中计算得到当前微量泵的注射速度，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出压强，控制调节微量泵压强为模型输出压强，包括：
在本发明一个具体实施例中，将注射器置于微量泵后，微量泵自行判断注射器的规格，微量泵调节系统根据所判断的注射器规格，选择相同规格注射器数据训练得到的神经网络模型进行微量泵压强的调节输出；
根据控制语音中微量泵注射速度增加/减少的数值c，计算得到当前微量泵的注射速度v”＝v′±c，其中v′为用户发出控制语音前的微量泵注射速度，v”为用户发出控制语音后的微量泵注射速度，若为增加微量泵注射速度，则v”＝v′+c，若为减少微量泵注射速度，则v”＝v′-c，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出对应的微量泵压强结果，微量泵调节系统控制调节微量泵压强为模型输出压强。
相对于现有技术，本发明提出一种基于语音控制的流量调节微量泵方法，该技术具有以下优势：
首先，由于传统微量泵调节方法没有考虑不同注射器指压端的面积和注射器出口大小造成的压强差异，而产生该类问题的主要原因是步进电机档位产生同样大小压力，但是由于注射器指压端受力面积的不同造成压强不同，同样由于不同注射器针头出口大小差异导致出口出的压强也不同，上述两种差异进导致注射器出口的药液速率不一致，因此本方案选取不同规格的注射器ki，并在注射器的针头端配置医用传感器，在注射器的指压端配置压力传感器，将注射器安置在微量泵上，其中所选取的注射器集合为K＝{k1,k2,…,ki,…,kn}， n表示所选取的不同规格注射器的总数，ki表示第i种规格的注射器，对于任意规格的注射器ki，通过调节传统微量泵档位，进而改变注射器指压端的所受压强以及针头端药液速度，完成不同规格注射器下，不同指压端压强以及对应的针头端药液速度的检测，将指压端压强和针头端药液速度的检测结果构成训练数据集，所构成的训练数据集形式为：
{(ki,Pi,j,si,j)|i∈[1,n],j∈[1,10]}
其中：Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强；si,j表示在微量泵档位为j 时，注射器ki针头端药液速度；(ki,Pi,j,si,j)表示训练数据集中的一组训练数据；将相同注射器规格ki的所有训练数据作为一组训练数据集，得到n组训练数据集，每组训练数据集可训练得到一个神经网络模型。在进行微量泵调节系统调节时，将注射器置于微量泵后，微量泵自行判断注射器的规格，微量泵调节系统根据所判断的注射器规格，选择相同规格注射器数据训练得到的神经网络模型进行微量泵压强的调节输出，实现不同注射器规格具有不同的微量泵调节方法。
同时，传统微量泵只能通过手动调档，实现微量泵流量调节，本方案提出一种基于语音控制的微量泵流量调节方法，微量泵调节系统接收用户的控制语音信号，对控制语音信号进行快速傅里叶变换处理：
Figure RE-GDA0003547332760000051
其中：X(ω)表示控制语音信号x(∈)在傅里叶变换点数ω下的频谱；j表示虚数单位，j2＝-1； L表示控制语音信号的信号长度；通过构建一个带有M个三角带通滤波器的滤波器组，则第m个三角带通滤波器的中心频率为fm，m∈[0,M-1]，且m为整数，第m个三角带通滤波器的频率响应为：
Figure RE-GDA0003547332760000052
Figure RE-GDA0003547332760000053
其中：ω表示对控制语音信号x(∈)进行快速傅里叶变换处理的傅里叶变换点数；将X(ω)输入到滤波器组中，则每个滤波器输出的对数能量为：
U(m)＝ln[|X(ω)|2Sm(ω)]
则控制语音信号的梅尔频率倒谱系数特征为：
Figure RE-GDA0003547332760000061
其中：p表示梅尔频率倒谱系数特征的阶数；将阶数为1，3，5，10的梅尔频率倒谱系数特征作为关键词识别的语音向量，则关键词识别的语音向量F为：
F＝[MFCC(1),MFCC(3),MFCC(5),MFCC(10)]
将语音向量F输入到关键词识别模型中，则进行关键词识别的流程为：
h＝softmax(wNuN+bN)
pN＝auN-1+d
uN＝uN-1+pN
其中：h代表模型在第N个记忆块后的全连接层的输出，输出形式为{±1:c}，c表示微量泵注射速度增加/减少的数值，若为+1，则表示微量泵注射速度增加c，若为-1，则表示微量泵注射速度减少c；pN代表第N个记忆块前的线性预测层的输出，a,d为线性预测层的参数；uN为第N个记忆块的输出，u0表示关键词识别的语音向量F；wN为第N个记忆块的权重参数；bN为第N个记忆块的偏置量参数。根据控制语音中微量泵注射速度增加/ 减少的数值c，计算得到当前微量泵的注射速度v”＝v′±c，其中v′为用户发出控制语音前的微量泵注射速度，v”为用户发出控制语音后的微量泵注射速度，若为增加微量泵注射速度，则v”＝v′+c，若为减少微量泵注射速度，则v”＝v′-c，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出对应的微量泵压强结果，控制调节微量泵压强为模型输出压强。相较于传统方案通过档位对微量泵流量进行控制，本方案所提出方法能够基于语音实现更为精准的微量泵调节控制。
附图说明
图1为本发明一实施例提供的一种基于语音控制的流量调节微量泵方法的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
S1：针对不同规格的注射器，在针头端配置医用传感器，在指压端配置压力传感器，调节传统微量泵档位，检测指压端压强和针头端药液速度，将检测到的数据作为训练数据集。
所述S1步骤中针对不同规格的注射器，检测指压端压强和针头端药液速度，包括：
选取不同规格的注射器ki，并在注射器的针头端配置医用传感器，在注射器的指压端配置压力传感器，将注射器安置在微量泵上，其中所选取的注射器集合为K＝{k1,k2,…, ki,…,kn}，n表示所选取的不同规格注射器的总数，ki表示第i种规格的注射器；
在本发明一个具体实施例中，注射器规格包括注射器针筒长度、注射器活塞芯杆长度以及注射器容量，本发明所选取的n种不同规格的注射器，在注射器针筒长度、注射器活塞芯杆长度以及注射器容量均不完全一致；
所述压力传感器的元件为弹簧测力计，弹簧测力计示数即为注射器指压端感受到的压力，当需要增大注射器的注射速度时，微量泵会增大注射器指压端受到的推力，导致压力传感器感知到的压力变大，弹簧测力计示数变大；而当需要减小注射器的注射速度时，微量泵会减小注射器指压端受到的推力，导致压力传感器感知到的压力变小，弹簧测力计示数变小；所述医用注射器用于感知针头端药液流出的速度；
对于任意规格的注射器ki，通过调节传统微量泵档位，进而改变注射器指压端的所受压强以及针头端药液速度，完成不同规格注射器下，不同指压端压强以及对应的针头端药液速度的检测，所述注射器指压端所受压强的计算公式为：
Figure RE-GDA0003547332760000062
其中：
Si为注射器ki的指压端面积；
Fi,j表示在微量泵档位为j时，注射器ki内压力传感器的示数；
Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强。在本发明一个具体实施例中，传统微量泵的档位有11种，即j＝{1,2,…,10}，其中档位数值越高，表示注射器的注射速度越快。
所述S1步骤中将检测结果构成训练数据集，包括：
将指压端压强和针头端药液速度的检测结果构成训练数据集，所构成的训练数据集形式为：
{(ki,Pi,j,si,j)|i∈[1,n],j∈[1,10]}
其中：
Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强；
si,j表示在微量泵档位为j时，注射器ki针头端药液速度；
(ki,Pi,j,si,j)表示训练数据集中的一组训练数据；
将相同注射器规格ki的所有训练数据作为一组训练数据集，得到n组训练数据集，每组训练数据集可训练得到一个神经网络模型。
S2：将训练数据集中的针头端药液速度作为模型输入，对应的指压端压强作为输出，训练神经网络模型，并利用Adam优化算法进行模型参数优化，将优化后的神经网络模型内置在微量泵调节系统。
所述S2步骤中将训练数据集中的针头端药液速度作为模型输入，对应的指压端压强作为输出，训练神经网络模型，包括：
所述神经网络模型的输入为针头端药液速度，输出为指压端压强，所述神经网络模型的计算流程为：
1)将针头端药液速度作为神经网络模型输入层的输入值；
2)隐藏层对输入的针头端药液速度进行特征映射，并输出对应的指压端压强：
Figure RE-GDA0003547332760000071
其中：
σ(·)表示激活函数，本发明选择ReLU激活函数；
s表示针头端药液速度；
w表示隐藏层中的权重矩阵；
b表示隐藏层中的偏置量；
Figure RE-GDA0003547332760000072
表示隐藏层对输入值的预测指压端压强结果；
构建神经网络模型的损失函数L(θ)，并分别将S1步骤中的每组训练数据集输入到神经网络模型中训练，训练得到n组神经网络模型，所述损失函数为：
Figure RE-GDA0003547332760000073
其中：
Pq表示每组训练数据集中第q个训练数据的真实指压端压强；
Figure RE-GDA0003547332760000074
为神经网络模型对每组训练数据集中第q个训练数据的预测指压端压强；
e表示每组训练数据集中训练数据的总数；
θ表示神经网络模型的参数，包括权重矩阵w以及偏置量b，通过调节神经网络模型参数θ，得到不同的损失函数值L(θ)。
所述S2步骤中利用Adam优化算法对神经网络模型进行模型参数优化，包括：
利用Adam优化算法对神经网络模型参数进行优化，所述Adam优化算法流程为：
1)设置Adam优化算法的迭代次数t的初始值为1，并随机生成神经网络模型的初始参数θ0；
2)计算第t次迭代时损失函数L(θ)的梯度：
Figure RE-GDA0003547332760000081
其中：
gt表示第t次迭代时损失函数L(θ)的梯度；
θt-1表示第t-1次迭代时神经网络模型的参数值；
3)计算第t次迭代时梯度的指数移动平均指数：
rt＝α1rt-1+(1-α1)gt
其中：
rt表示第t次迭代时梯度的指数移动平均指数，r0＝0；
α1表示指数衰减率，将其设置为0.92；
4)计算第t次迭代时梯度平方的指数移动平均指数：
vt＝α2vt-1+(1-α2)(gt)2
其中：
vt表示第t次迭代时梯度平方的指数移动平均指数，v0＝0；
α2表示指数衰减率，将其设置为0.999；
5)对指数移动平均指数进行修正：
Figure RE-GDA0003547332760000082
Figure RE-GDA0003547332760000083
其中：
Figure RE-GDA0003547332760000084
为修正后梯度的指数移动平均指数；
Figure RE-GDA0003547332760000085
为修正后梯度平方的指数移动平均指数；
6)更新第t次迭代时，神经网络模型的参数：
Figure RE-GDA0003547332760000086
其中：
θt为第t次迭代时神经网络模型的参数；
β为学习率，将其设置为0.001；
7)令t＝t+1；
8)重复步骤2)-7)，直到神经网络模型的损失函数值达到稳定，并将此时的神经网络模型参数作为最终的模型参数，训练得到n个优化后的神经网络模型，所述每个神经网络模型适用于不同规格注射针的微量泵，并将优化后的神经网络模型内置在微量泵调节系统中。
S3：微量泵调节系统接收用户的控制语音，并对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值。
所述S3步骤中对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值，包括：
接收用户的控制语音信号，对控制语音信号进行快速傅里叶变换处理：
Figure RE-GDA0003547332760000087
其中：
X(ω)表示控制语音信号x(∈)在傅里叶变换点数ω下的频谱；
j表示虚数单位，j2＝-1；
L表示控制语音信号的信号长度；
构建一个带有M个三角带通滤波器的滤波器组，则第m个三角带通滤波器的中心频率为fm，m∈[0,M-1]，且m为整数，第m个三角带通滤波器的频率响应为：
Figure RE-GDA0003547332760000091
Figure RE-GDA0003547332760000092
其中：
ω表示对控制语音信号x(∈)进行快速傅里叶变换处理的傅里叶变换点数；
将X(ω)输入到滤波器组中，则每个滤波器输出的对数能量为：
U(m)＝ln[|X(ω)|2Sm(ω)]
则控制语音信号的梅尔频率倒谱系数特征为：
Figure RE-GDA0003547332760000093
其中：
p表示梅尔频率倒谱系数特征的阶数；
将阶数为1，3，5，10的梅尔频率倒谱系数特征作为关键词识别的语音向量，则关键词识别的语音向量F为：
F＝[MFCC(1),MFCC(3),MFCC(5),MFCC(10)]
将语音向量F输入到关键词识别模型中，则进行关键词识别的流程为：
h＝softmax(wNuN+bN)
pN＝auN-1+d
uN＝uN-1+pN
其中：
h代表模型在第N个记忆块后的全连接层的输出，输出形式为{±1:c}，c表示微量泵注射速度增加/减少的数值，若为+1，则表示微量泵注射速度增加c，若为-1，则表示微量泵注射速度减少c；
pN代表第N个记忆块前的线性预测层的输出，a,d为线性预测层的参数；
uN为第N个记忆块的输出，u0表示关键词识别的语音向量F；
wN为第N个记忆块的权重参数；
bN为第N个记忆块的偏置量参数；
在本发明一个具体实施例中，所述关键词识别模型为包含N个记忆块的神经网络模型，每个记忆块为LSTM的遗忘门结构，每个记忆块前具有线性预测层，第N个记忆块后为全连接层，全连接层输出关键词识别结果，所述关键词识别模型的训练流程为：采集控制语音信号训练数据集，设置模型的损失函数为均方误差损失函数，模型参数优化方法为梯度下降方法，将模型参数优化结果作为关键词识别模型的参数。
所述S4步骤中计算得到当前微量泵的注射速度，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出压强，控制调节微量泵压强为模型输出压强，包括：
在本发明一个具体实施例中，将注射器置于微量泵后，微量泵自行判断注射器的规格，微量泵调节系统根据所判断的注射器规格，选择相同规格注射器数据训练得到的神经网络模型进行微量泵压强的调节输出；
根据控制语音中微量泵注射速度增加/减少的数值c，计算得到当前微量泵的注射速度 v”＝v′±c，其中v′为用户发出控制语音前的微量泵注射速度，v”为用户发出控制语音后的微量泵注射速度，若为增加微量泵注射速度，则v”＝v′+c，若为减少微量泵注射速度，则v”＝v′-c，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出对应的微量泵压强结果，微量泵调节系统控制调节微量泵压强为模型输出压强。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于语音控制的流量调节微量泵方法与系统，微量泵调节系统包括内置的神经网络模型以及控制语音的关键词识别模型，其特征在于，所述方法包括：
S1：针对不同规格的注射器，在针头端配置医用传感器，在指压端配置压力传感器，调节传统微量泵档位，检测指压端压强和针头端药液速度，并采集指压端压强-针头端药液速度数据作为训练数据集，得到不同规格注射器的训练数据集；
S2：将训练数据集中的针头端药液速度作为模型输入，对应的指压端压强作为输出，训练神经网络模型，并利用Adam优化算法进行模型参数优化，将优化后的神经网络模型内置在微量泵调节系统；
S3：微量泵调节系统接收用户的控制语音，并对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值；
S4：根据控制语音中微量泵注射速度增加/减少的数值，计算得到当前微量泵的注射速度，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出压强，控制调节微量泵压强为模型输出压强。
2.如权利要求1所述的一种基于语音控制的流量调节微量泵方法，其特征在于，所述S1步骤中针对不同规格的注射器，检测指压端压强和针头端药液速度，包括：
选取不同规格的注射器ki，并在注射器的针头端配置医用传感器，在注射器的指压端配置压力传感器，将注射器安置在微量泵上，其中所选取的注射器集合为K＝{k1,k2,…,ki,…,kn}，n表示所选取的不同规格注射器的总数，ki表示第i种规格的注射器；
所述压力传感器的元件为弹簧测力计，弹簧测力计示数即为注射器指压端感受到的压力，当需要增大注射器的注射速度时，微量泵会增大注射器指压端受到的推力，导致压力传感器感知到的压力变大，弹簧测力计示数变大；而当需要减小注射器的注射速度时，微量泵会减小注射器指压端受到的推力，导致压力传感器感知到的压力变小，弹簧测力计示数变小；所述医用注射器用于感知针头端药液流出的速度；
对于任意规格的注射器ki，通过调节传统微量泵档位，进而改变注射器指压端的所受压强以及针头端药液速度，完成不同规格注射器下，不同指压端压强以及对应的针头端药液速度的检测，所述注射器指压端所受压强的计算公式为：
Figure FDA0003484801350000011
其中：
Si为注射器ki的指压端面积；
Fi,j表示在微量泵档位为j时，注射器ki内压力传感器的示数；
Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强。
3.如权利要求2所述的一种基于语音控制的流量调节微量泵方法，其特征在于，所述S1步骤中将检测结果构成训练数据集，包括：
将指压端压强和针头端药液速度的检测结果构成训练数据集，所构成的训练数据集形式为：
{(ki,Pi,j,si,j)|i∈[1,n],j∈[1,10]}
其中：
Pi,j表示在微量泵档位为j时，注射器ki指压端所受压强；
si,j表示在微量泵档位为j时，注射器ki针头端药液速度；
(ki,Pi,j,si,j)表示训练数据集中的一组训练数据；
将相同注射器规格ki的所有训练数据作为一组训练数据集，得到n组训练数据集，每组训练数据集可训练得到一个神经网络模型。
4.如权利要求1所述的一种基于语音控制的流量调节微量泵方法，其特征在于，所述S2步骤中将训练数据集中的针头端药液速度作为模型输入，对应的指压端压强作为输出，训练神经网络模型，包括：
所述神经网络模型的输入为针头端药液速度，输出为指压端压强，所述神经网络模型的计算流程为：
1)将针头端药液速度作为神经网络模型输入层的输入值；
2)隐藏层对输入的针头端药液速度进行特征映射，并输出对应的指压端压强：
Figure FDA0003484801350000021
其中：
σ(·)表示激活函数；
s表示针头端药液速度；
w表示隐藏层中的权重矩阵；
b表示隐藏层中的偏置量；
Figure FDA0003484801350000022
表示隐藏层对输入值的预测指压端压强结果；
构建神经网络模型的损失函数L(θ)，并分别将S1步骤中的每组训练数据集输入到神经网络模型中训练，训练得到n组神经网络模型，所述损失函数为：
Figure FDA0003484801350000023
其中：
Pq表示每组训练数据集中第q个训练数据的真实指压端压强；
Figure FDA0003484801350000024
为神经网络模型对每组训练数据集中第q个训练数据的预测指压端压强；
e表示每组训练数据集中训练数据的总数；
θ表示神经网络模型的参数，包括权重矩阵w以及偏置量b，通过调节神经网络模型参数θ，得到不同的损失函数值L(θ)。
5.如权利要求4所述的一种基于语音控制的流量调节微量泵方法，其特征在于，所述S2步骤中利用Adam优化算法对神经网络模型进行模型参数优化，包括：
利用Adam优化算法对神经网络模型参数进行优化，所述Adam优化算法流程为：
1)设置Adam优化算法的迭代次数t的初始值为1，并随机生成神经网络模型的初始参数θ0；
2)计算第t次迭代时损失函数L(θ)的梯度：
Figure FDA0003484801350000025
其中：
gt表示第t次迭代时损失函数L(θ)的梯度；
θt-1表示第t-1次迭代时神经网络模型的参数值；
3)计算第t次迭代时梯度的指数移动平均指数：
rt＝α1rt-1+(1-α1)gt
其中：
rt表示第t次迭代时梯度的指数移动平均指数，r0＝0；
α1表示指数衰减率，将其设置为0.92；
4)计算第t次迭代时梯度平方的指数移动平均指数：
vt＝α2vt-1+(1-α2)(gt)2
其中：
vt表示第t次迭代时梯度平方的指数移动平均指数，v0＝0；
α2表示指数衰减率，将其设置为0.999；
5)对指数移动平均指数进行修正：
Figure FDA0003484801350000026
Figure FDA0003484801350000027
其中：
Figure FDA0003484801350000031
为修正后梯度的指数移动平均指数；
Figure FDA0003484801350000032
为修正后梯度平方的指数移动平均指数；
6)更新第t次迭代时，神经网络模型的参数：
Figure FDA0003484801350000033
其中：
θt为第t次迭代时神经网络模型的参数；
β为学习率，将其设置为0.001；
7)令t＝t+1；
8)重复步骤2)-7)，直到神经网络模型的损失函数值达到稳定，并将此时的神经网络模型参数作为最终的模型参数，训练得到n个优化后的神经网络模型，所述每个神经网络模型适用于不同规格注射针的微量泵，并将优化后的神经网络模型内置在微量泵调节系统中。
6.如权利要求1所述的一种基于语音控制的流量调节微量泵方法，其特征在于，所述S3步骤中对用户的控制语音进行关键词识别，得到微量泵注射速度增加/减少的数值，包括：
接收用户的控制语音信号，对控制语音信号进行快速傅里叶变换处理：
Figure FDA0003484801350000034
其中：
X(ω)表示控制语音信号x(∈)在傅里叶变换点数ω下的频谱；
j表示虚数单位，j2＝-1；
L表示控制语音信号的信号长度；
构建一个带有M个三角带通滤波器的滤波器组，则第m个三角带通滤波器的中心频率为fm，m∈[0,M-1]，且m为整数，第m个三角带通滤波器的频率响应为：
Figure FDA0003484801350000035
Figure FDA0003484801350000036
其中：
ω表示对控制语音信号x(∈)进行快速傅里叶变换处理的傅里叶变换点数；
将X(ω)输入到滤波器组中，则每个滤波器输出的对数能量为：
Figure FDA0003484801350000037
则控制语音信号的梅尔频率倒谱系数特征为：
Figure FDA0003484801350000038
其中：
p表示梅尔频率倒谱系数特征的阶数；
将阶数为1，3，5，10的梅尔频率倒谱系数特征作为关键词识别的语音向量，则关键词识别的语音向量F为：
Figure FDA0003484801350000041
将语音向量F输入到关键词识别模型中，则进行关键词识别的流程为：
h＝softmax(wNuN+bN)
pN＝auN-1+d
uN＝uN-1+pN
其中：
h代表模型在第N个记忆块后的全连接层的输出，输出形式为{±1:c}，c表示微量泵注射速度增加/减少的数值，若为+1，则表示微量泵注射速度增加c，若为-1，则表示微量泵注射速度减少c；
pN代表第N个记忆块前的线性预测层的输出，a,d为线性预测层的参数；
uN为第N个记忆块的输出，u0表示关键词识别的语音向量F；
wN为第N个记忆块的权重参数；
bN为第N个记忆块的偏置量参数。
7.如权利要求6所述的一种基于语音控制的流量调节微量泵方法，其特征在于，所述S4步骤中计算得到当前微量泵的注射速度，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出压强，控制调节微量泵压强为模型输出压强，包括：
根据控制语音中微量泵注射速度增加/减少的数值c，计算得到当前微量泵的注射速度v″＝v′±c，其中v′为用户发出控制语音前的微量泵注射速度，v″为用户发出控制语音后的微量泵注射速度，若为增加微量泵注射速度，则v″＝v′+c，若为减少微量泵注射速度，则v″＝v′-c，并将当前微量泵的注射速度作为神经网络模型的输入，神经网络模型输出对应的微量泵压强结果，微量泵调节系统控制调节微量泵压强为模型输出压强。
CN202210077974.4A 2022-01-24 2022-01-24 一种基于语音控制的流量调节微量泵方法与系统 Active CN114366933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210077974.4A CN114366933B (zh) 2022-01-24 2022-01-24 一种基于语音控制的流量调节微量泵方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210077974.4A CN114366933B (zh) 2022-01-24 2022-01-24 一种基于语音控制的流量调节微量泵方法与系统

Publications (2)

Publication Number Publication Date
CN114366933A true CN114366933A (zh) 2022-04-19
CN114366933B CN114366933B (zh) 2022-08-02

Family

ID=81145013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210077974.4A Active CN114366933B (zh) 2022-01-24 2022-01-24 一种基于语音控制的流量调节微量泵方法与系统

Country Status (1)

Country Link
CN (1) CN114366933B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10244571A (ja) * 1997-03-05 1998-09-14 Japan Steel Works Ltd:The 射出成形機の圧力制御方法および圧力制御装置
WO2012132350A1 (ja) * 2011-03-29 2012-10-04 テルモ株式会社 輸液ポンプ
CN102847209A (zh) * 2012-08-29 2013-01-02 深圳市好克光电仪器有限公司 注射器识别系统和注射泵
WO2013062225A1 (ko) * 2011-10-26 2013-05-02 Mun Chang Su 압력 이중 감지에 의한 주사속도 자동 조절형 반자동 약물 주입기 및 그를 이용한 약물 주입방법
US20140088554A1 (en) * 2012-09-24 2014-03-27 Po-Ying Li Drug-delivery pump with intelligent control
CN107224635A (zh) * 2017-07-01 2017-10-03 苏州能斯达电子科技有限公司 一种胰岛素注射泵压监测装置
CN208582804U (zh) * 2018-03-19 2019-03-08 浙江史密斯医学仪器有限公司 一种语音控制输液泵
CN210541751U (zh) * 2019-06-04 2020-05-19 陈江湖 一种可回抽压力控制压力反馈注射泵
CN112295046A (zh) * 2019-08-01 2021-02-02 深圳迈瑞科技有限公司 输液泵、输液泵控制方法及计算机可读储存介质
US20210170094A1 (en) * 2019-12-06 2021-06-10 Quasuras, Inc. Training cartridge for medical pump systems
CN112948548A (zh) * 2021-01-27 2021-06-11 胡安民 一种人机对话智能微量泵

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10244571A (ja) * 1997-03-05 1998-09-14 Japan Steel Works Ltd:The 射出成形機の圧力制御方法および圧力制御装置
WO2012132350A1 (ja) * 2011-03-29 2012-10-04 テルモ株式会社 輸液ポンプ
WO2013062225A1 (ko) * 2011-10-26 2013-05-02 Mun Chang Su 압력 이중 감지에 의한 주사속도 자동 조절형 반자동 약물 주입기 및 그를 이용한 약물 주입방법
CN102847209A (zh) * 2012-08-29 2013-01-02 深圳市好克光电仪器有限公司 注射器识别系统和注射泵
US20140088554A1 (en) * 2012-09-24 2014-03-27 Po-Ying Li Drug-delivery pump with intelligent control
CN107224635A (zh) * 2017-07-01 2017-10-03 苏州能斯达电子科技有限公司 一种胰岛素注射泵压监测装置
CN208582804U (zh) * 2018-03-19 2019-03-08 浙江史密斯医学仪器有限公司 一种语音控制输液泵
CN210541751U (zh) * 2019-06-04 2020-05-19 陈江湖 一种可回抽压力控制压力反馈注射泵
CN112295046A (zh) * 2019-08-01 2021-02-02 深圳迈瑞科技有限公司 输液泵、输液泵控制方法及计算机可读储存介质
US20210170094A1 (en) * 2019-12-06 2021-06-10 Quasuras, Inc. Training cartridge for medical pump systems
CN112948548A (zh) * 2021-01-27 2021-06-11 胡安民 一种人机对话智能微量泵

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
柯敏等: "基于RBF神经网络的精密注塑机速度控制研究", 《轻工机械》 *
肖云兰等: "微量注射泵加压输液准确控制输液速度的研究", 《中国临床护理》 *

Also Published As

Publication number Publication date
CN114366933B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN108520213B (zh) 一种基于多尺度深度的人脸美丽预测方法
CN108899049A (zh) 一种基于卷积神经网络的语音情感识别方法及系统
CN111354338B (zh) 基于pso卷积核优化稀疏迁移学习的帕金森语音识别系统
CN104484644B (zh) 一种手势识别方法和装置
CN109620187B (zh) 一种中心动脉压推算方法及装置
CN112418059B (zh) 一种情绪识别的方法、装置、计算机设备及存储介质
CN114366933B (zh) 一种基于语音控制的流量调节微量泵方法与系统
CN111461201A (zh) 基于相空间重构的传感器数据分类方法
CN112037179A (zh) 一种脑疾病诊断模型的生成方法、系统及设备
CN115878832A (zh) 基于精细对齐判别哈希的海洋遥感图像音频检索方法
CN111772669A (zh) 基于自适应长短时记忆网络的肘关节收缩肌力估计方法
CN113312989B (zh) 一种基于聚合描述子与注意力的指静脉特征提取网络
CN110210380A (zh) 基于表情识别与心理学测试生成性格的分析方法
KR20140073294A (ko) 심장 박동수 변화를 이용한 실시간 감성 인식장치 및 그 방법
US20240006069A1 (en) Medical Event Prediction Using a Personalized Dual-Channel Combiner Network
CN113536067A (zh) 一种基于语义融合的跨模态信息检索方法
Roy et al. Pathological voice classification using deep learning
CN117390450A (zh) 一种大语言模型训练方法、装置及相关设备
CN112329819A (zh) 基于多网络融合的水下目标识别方法
CN114299995A (zh) 一种用于情绪评估的语言情感识别方法
CN112885378B (zh) 一种语音情感识别方法、装置及存储介质
CN113936668A (zh) 用于智能语音设备的方法、装置、设备和介质
Li A Speaker Recognition System Based on Deep Learning
CN115644855A (zh) 基于深度学习的异常步态分析方法、装置、设备及介质
RU2099008C1 (ru) Устройство для определения психического состояния

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant