CN115116600A - 一种儿童咳嗽自动分类识别系统 - Google Patents
一种儿童咳嗽自动分类识别系统 Download PDFInfo
- Publication number
- CN115116600A CN115116600A CN202110290043.8A CN202110290043A CN115116600A CN 115116600 A CN115116600 A CN 115116600A CN 202110290043 A CN202110290043 A CN 202110290043A CN 115116600 A CN115116600 A CN 115116600A
- Authority
- CN
- China
- Prior art keywords
- cough
- patient
- data
- signal
- unit
- 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.)
- Pending
Links
- 206010011224 Cough Diseases 0.000 title claims abstract description 150
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 206010035664 Pneumonia Diseases 0.000 claims abstract description 14
- 206010006451 bronchitis Diseases 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 26
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 230000005236 sound signal Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005309 stochastic process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004704 glottis Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000003019 respiratory muscle Anatomy 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及数据采集和分析领域，特别是一种儿童咳嗽自动分类识别系统，其包括声学传感器采集模块、网络传送模块和云端计算模块；声学传感器采集模块：接收儿童病人的咳嗽声音的语音信号，并保存至本地服务器；网络传送模块：将本地语音信号数据上传至云端服务器；云端计算模块：将病人咳嗽音频保存至云端服务器；对语音信号进行数据清洗；从语音信号中分割提取出咳嗽信号片段；本发明可对病人咳嗽信号自动识别，可判断咳嗽音具有肺炎还是支气管炎的咳嗽特征。面对有标签的音频数据和无标签的咳嗽音片段数据，本申请在构建特征空间单元中采用提取分类特征的方法。也是本申请和现有的咳嗽音识别处理系统最大的不同点。
Description
技术领域
本申请涉及数据采集和分析领域，特别是一种儿童咳嗽自动分类识别系统。
背景技术
咳嗽是一种呼吸道常见症状，由于气管、支气管黏膜或胸膜受炎症、异物、物理或化学性刺激引起，表现先是声门关闭、呼吸肌收缩、肺内压升高，然后声门张开，肺内空气喷射而出，通常伴随声音。咳嗽声携带着下呼吸道的重要信息。有研究结果表明，对咳嗽声进行分析来诊断下呼吸道疾病是有效的。
现有技术中也有对咳嗽进行采集和分析的专利，如申请号为CN201811261389.X，名称为《基于深度学习的咳嗽疾病识别方法及装置》，其公开了如下内容：对咳嗽音频进行预处理得到若干咳嗽音频帧序列；从若干咳嗽音频帧序列中提取得到所述咳嗽音频的声音特征；通过咳嗽疾病识别模型对所述咳嗽音频的声音特征进行分类预测，得到所述咳嗽音频对应的咳嗽疾病标签；根据所述咳嗽疾病标签输出所述咳嗽音频对应的咳嗽疾病识别结果。采用深度学习的方法，利用咳嗽疾病识别模型自动根据咳嗽音频进行咳嗽疾病的识别。上述专利中的咳嗽疾病标签对应的是咳嗽音频，是咳嗽音水平的诊断。而现实生活中，没有大量的对咳嗽音水平的标签，对咳嗽音打标签是一个耗时耗人力的一项工作。 再如专利号为CN201010217590.5的中国发明专利，该专利是对语音中的咳嗽事件进行检测和计数，并不能对咳嗽进行自动分类识别。
发明内容
本发明的首要目的在于克服上述现有技术的缺点与不足，提供一种通过声音对病人咳嗽声音进行处理，并能准确地获取咳嗽信号，且能对咳嗽信号进行简单高效识别的自动分类识别系统。
为实现上述技术效果，本申请的技术方案如下：
一种儿童咳嗽自动分类识别系统，包括声学传感器采集模块、网络传送模块和云端计算模块；
其中，声学传感器采集模块：接收儿童病人的咳嗽声音的语音信号，将记录在录音机中的儿童患者咳嗽声称为patient audios，并以WAV格式保存至本地服务器；
网络传送模块：将本地语音信号数据上传至云端服务器；
云端计算模块：将病人咳嗽音频保存至云端服务器；对WAV格式的语音信号进行数据清洗；从语音信号中分割提取出咳嗽信号片段；
云端计算模块在搭建系统时对提取出的咳嗽信号片段进行数据增强；对增强前后的咳嗽信号提取MFCC特征向量序列；聚合这些提取的MFCC特征向量，计算均值，得到特征空间里的质心，构建特征空间，用质心来代表patient audios的特征，作为特征向量；根据特征向量序列训练支持向量机SVM模型，对病人咳嗽信号进行识别，判断患有肺炎还是支气管炎；
云端计算模块使用系统时分别计算每个提取出的咳嗽信号片段的MFCC特征，再将这些来自同一个患者的多个MFCC 聚合，计算均值，得到特征空间里的质心，构造特征空间，用质心来代表患者的特征，使用训练好的SVM来对特征向量进行分类识别，判断属于肺炎还是支气管炎的咳嗽特征。
进一步地，云端计算模块包括数据存储单元、数据清洗单元以及数据分析处理单元；
进一步地，所述数据分析处理单元包括咳嗽信号分割单元、数据增强单元、特征提取单元、构建特征空间单元、训练分类器和识别单元。
数据存储单元：将接收的语音信号数据进行储存；
数据清洗单元：对语音信号进行最小均方误差降噪处理，并对音频信号的幅度值归一化。
咳嗽信号分割单元：根据设定的能量阈值从清洗后的语音信号中分割出咳嗽信号片段，所述能量阈值在咳嗽信号分割单元中实验得到，并且应用在数据清洗单元后得到的语音信号上。
数据增强单元：用于对分割出的语音信号片段进行时间偏移和音调变换。所述时间偏移了 [-0.1,0.1]s位移大小，音调变换了(0,5]个半音；以及加入白、粉噪音增强数据。
，其中 
为增加噪音后的声音信号，
为原始声音信号，
为选择加入的噪音信号，
，t为时间，R为实数；
为一个时间连续随机过程，当加入的是白噪音时，功率谱密度为 
，其中 
表示单边功率谱密度, 
， 
为随机因素；当加入的是粉噪音时，功率谱密度
,其中 
为频率， 
， 
一般趋近于1，将增强前后的咳嗽信号作为咳嗽信号。
特征提取单元：用于对咳嗽信号按帧提取特征，将其转换为特征向量序列，具体地说，特征提取单元将咳嗽信号经过分帧加窗，以及进行快速傅里叶变换得到其谱图，再经过一组Mel频率滤波器对其进行处理，最后再进行离散余弦变换得到一个20维的MFCC参数（Mel频率倒谱系数），作为特征向量序列 
，其中，n代表MFCC的维度，m代表患者的咳嗽音片段数目；
构建特征空间单元：用于得到特征向量集 
；对一位患者提取出的特征向量，在垂直空间上将特征向量进行堆叠，再取均值，得到此患者的分类特征向量 
；分类特征向量的计算公式为： 
，i表示的是这名患者的第几个咳嗽音片段，总共一段音频可以划分出m个咳嗽音片段，分类特征向量集合 
包含多名病人的特征向量，其中k代表病人的数目， 
表示的是一名患者的特征向量， 
表示的是k位患者的特征向量。
训练分类器：采用SVM来对分类特征向量训练集进行训练，得到分类识别分类器，对训练得到的训练分类器进行测试，保存评价指标accuracy得分最高的模型作为模型 
。
识别单元：进行分类识别；根据特征向量序列训练支持向量机模型，对病人咳嗽音信号进行识别，判断属于肺炎还是支气管炎的咳嗽特征。
进一步地，所述网络传送模块为4G/5G蜂窝网络、物联网（LoRa、NB-IoT）、有线网络或/和Wifi传送模块。
本发明的优点在于：
1、本发明可对病人咳嗽信号自动识别，可判断咳嗽音具有肺炎还是支气管炎的咳嗽特征。面对有标签的音频数据和无标签的咳嗽音片段数据，本申请在构建特征空间单元中采用提取分类特征的方法。也是本申请和现有的咳嗽音识别处理系统最大的不同点。
2、本发明在一定程度上提高了对咳嗽信号自动识别的准确率，能够为音频识别相关领域的研究提供研究基础。
3、本申请咳嗽疾病标签对应的是这名患者，是对收集的患者连续长时间语音音频进行数据分析处理。并且进行了数据增强，使得模型更能适应更大范围的数据场景。
附图说明
图1为本系统训练时的结构模块示意图。
图2为本系统使用时的结构模块示意图。
具体实施方式
实施例1
一种儿童咳嗽自动分类识别系统，包括声学传感器采集模块、网络传送模块和云端计算模块；
其中，声学传感器采集模块：接收儿童病人的咳嗽声音的语音信号，将记录在录音机中的儿童患者咳嗽声称为patient audios，并以WAV格式保存至本地服务器；
网络传送模块：将本地语音信号数据上传至云端服务器；
云端计算模块：将病人咳嗽音频保存至云端服务器；对WAV格式的语音信号进行数据清洗；从语音信号中分割提取出咳嗽信号片段；
如图1所示，云端计算模块在搭建系统时对提取出的咳嗽信号片段进行数据增强；对增强前后的咳嗽信号提取MFCC特征向量序列；聚合这些提取的MFCC特征向量，计算均值，得到特征空间里的质心，构建特征空间，用质心来代表patient audios的特征，作为特征向量；根据特征向量序列训练支持向量机SVM模型，对病人咳嗽信号进行识别，判断患有肺炎还是支气管炎；
如图2所示，云端计算模块使用系统时分别计算每个提取出的咳嗽信号片段的MFCC特征，再将这些来自同一个患者的多个MFCC 聚合，计算均值，得到特征空间里的质心，构造特征空间，用质心来代表患者的特征，使用训练好的SVM来对特征向量进行分类识别，判断属于肺炎还是支气管炎的咳嗽特征。
实施例2
一种儿童咳嗽自动分类识别系统，包括声学传感器采集模块、网络传送模块和云端计算模块；
其中，声学传感器采集模块：接收儿童病人的咳嗽声音的语音信号，将记录在录音机中的儿童患者咳嗽声称为patient audios，并以WAV格式保存至本地服务器；
网络传送模块：将本地语音信号数据上传至云端服务器；
云端计算模块：将病人咳嗽音频保存至云端服务器；对WAV格式的语音信号进行数据清洗；从语音信号中分割提取出咳嗽信号片段；
如图1所示，云端计算模块在搭建系统时对提取出的咳嗽信号片段进行数据增强；对增强前后的咳嗽信号提取MFCC特征向量序列；聚合这些提取的MFCC特征向量，计算均值，得到特征空间里的质心，构建特征空间，用质心来代表patient audios的特征，作为特征向量；根据特征向量序列训练支持向量机SVM模型，对病人咳嗽信号进行识别，判断患有肺炎还是支气管炎；
如图2所示，云端计算模块使用系统时分别计算每个提取出的咳嗽信号片段的MFCC特征，再将这些来自同一个患者的多个MFCC 聚合，计算均值，得到特征空间里的质心，构造特征空间，用质心来代表患者的特征，使用训练好的SVM来对特征向量进行分类识别，判断属于肺炎还是支气管炎的咳嗽特征。
云端计算模块包括数据存储单元、数据清洗单元以及数据分析处理单元；
所述数据分析处理单元包括咳嗽信号分割单元、数据增强单元、特征提取单元、构建特征空间单元、训练分类器和识别单元。
数据存储单元：将接收的语音信号数据进行储存；
数据清洗单元：对语音信号进行最小均方误差降噪处理，并对音频信号的幅度值归一化；本申请使用python中的LogMMSE的第三方降噪库函数来进行降噪。音频信号的幅度值归一化是使用Adobe Audition CC 2019的标准化为-0.1dB操作。
咳嗽信号分割单元：根据设定的能量阈值从清洗后的语音信号中分割出咳嗽信号片段，所述能量阈值在咳嗽信号分割单元中实验得到，并且应用在数据清洗单元后得到的语音信号上；咳嗽信号分割使用python中的auditok的第三方音频分割库函数。
数据增强单元：用于对分割出的语音信号片段进行时间偏移和音调变换，时间偏移、音调变换是进行数据增强采用的具体方式。对音频的数据增强变换有很多，采用这样的变化后，能够提高分类识别效果。所述时间偏移了 [-0.1,0.1]s位移大小，音调变换了(0,5]个半音；以及加入白、粉噪音增强数据，白噪声的特点是包含各种噪声，粉红噪音是自然界最常见的噪音，利用粉红噪音可以模拟出车流的声音，考虑到医院诊断室毗邻街道，在数据集中加入模拟车流声能够增强模型实际应用效果。 
，其中 
为增加噪音后的声音信号， 
为原始声音信号，
为选择加入的噪音信号，
，t为时间，R为实数； 
为一个时间连续随机过程，当加入的是白噪音时，功率谱密度为
，其中 
表示单边功率谱密度, 
， 
为随机因素；当加入的是粉噪音时，功率谱密度
,其中 
为频率， 
，
一般趋近于1，将增强前后的咳嗽信号作为咳嗽信号，对分割后的语音信号增强是为了增大数据集，使得数据多样性更大。
特征提取单元：用于对咳嗽信号按帧提取特征，将其转换为特征向量序列，具体地说，特征提取单元将咳嗽信号经过分帧加窗，以及进行快速傅里叶变换得到其谱图，再经过一组Mel频率滤波器对其进行处理，最后再进行离散余弦变换得到一个20维的MFCC参数（Mel频率倒谱系数），作为特征向量序列 
，其中，n代表MFCC的维度，m代表患者的咳嗽音片段数目；
构建特征空间单元：用于得到特征向量集 
；对一位患者提取出的特征向量，在垂直空间上将特征向量进行堆叠，再取均值，得到此患者的分类特征向量 
；分类特征向量的计算公式为： 
，i表示的是这名患者的第几个咳嗽音片段，总共一段音频可以划分出m个咳嗽音片段，分类特征向量集合 
包含多名病人的特征向量，其中k代表病人的数目， 
表示的是一名患者的特征向量， 
表示的是k位患者的特征向量。
训练分类器：采用SVM来对分类特征向量训练集进行训练，得到分类识别分类器，对训练得到的训练分类器进行测试，保存评价指标accuracy得分最高的模型作为模型 
。
识别单元：进行分类识别；根据特征向量序列训练支持向量机模型，对病人咳嗽音信号进行识别，判断属于肺炎还是支气管炎的咳嗽特征。
进一步地，所述网络传送模块为4G/5G蜂窝网络、物联网（LoRa、NB-IoT）、有线网络或/和Wifi传送模块。
本申请可对病人咳嗽信号自动识别，可判断咳嗽音具有肺炎还是支气管炎的咳嗽特征。面对有标签的音频数据和无标签的咳嗽音片段数据，本申请在构建特征空间单元中采用提取分类特征的方法。也是本申请和现有的咳嗽音识别处理系统最大的不同点。本申请在一定程度上提高了对咳嗽信号自动识别的准确率，能够为音频识别相关领域的研究提供研究基础。本申请咳嗽疾病标签对应的是这名患者，是对收集的患者连续长时间语音音频进行数据分析处理。并且进行了数据增强，使得模型更能适应更大范围的数据场景。
Claims (10)
1.一种儿童咳嗽自动分类识别系统，其特征在于：包括声学传感器采集模块、网络传送模块和云端计算模块；
其中，声学传感器采集模块：接收儿童病人的咳嗽声音的语音信号，将记录在录音机中的儿童患者咳嗽声称为patient audios，并以WAV格式保存至本地服务器；
网络传送模块：将本地语音信号数据上传至云端服务器；
云端计算模块：将病人咳嗽音频保存至云端服务器；对WAV格式的语音信号进行数据清洗；从语音信号中分割提取出咳嗽信号片段；
云端计算模块在搭建系统时对提取出的咳嗽信号片段进行数据增强；对增强前后的咳嗽信号提取MFCC特征向量序列；聚合这些提取的MFCC特征向量，计算均值，得到特征空间里的质心，构建特征空间，用质心来代表patient audios的特征，作为特征向量；根据特征向量序列训练支持向量机SVM模型，对病人咳嗽信号进行识别，判断患有肺炎还是支气管炎；
云端计算模块使用系统时分别计算每个提取出的咳嗽信号片段的MFCC特征，再将这些来自同一个患者的多个MFCC 聚合，计算均值，得到特征空间里的质心，构造特征空间，用质心来代表患者的特征，使用训练好的SVM来对特征向量进行分类识别，判断属于肺炎还是支气管炎的咳嗽特征。
2.根据权利要求1所述的一种儿童咳嗽自动分类识别系统，其特征在于：云端计算模块包括数据存储单元、数据清洗单元以及数据分析处理单元；
数据存储单元：将接收的语音信号数据进行储存；
数据清洗单元：对语音信号进行最小均方误差降噪处理，并对音频信号的幅度值归一化；
数据分析处理单元；对数据进行分析和处理。
3.根据权利要求2所述的一种儿童咳嗽自动分类识别系统，其特征在于：所述数据分析处理单元包括咳嗽信号分割单元、数据增强单元、特征提取单元、构建特征空间单元、训练分类器和识别单元。
4.根据权利要求3所述的一种儿童咳嗽自动分类识别系统，其特征在于：咳嗽信号分割单元：根据设定的能量阈值从清洗后的语音信号中分割出咳嗽信号片段，所述能量阈值在咳嗽信号分割单元中实验得到，并且应用在数据清洗单元后得到的语音信号上。
5.根据权利要求3所述的一种儿童咳嗽自动分类识别系统，其特征在于：数据增强单元：用于对分割出的语音信号片段进行时间偏移和音调变换，所述时间偏移了 [-0.1,0.1]s位移大小，音调变换了(0,5]个半音；以及加入白、粉噪音增强数据，
，其中
为增加噪音后的声音信号，
为原始声音信号，
为选择加入的噪音信号，
，t为时间，R为实数；
为一个时间连续随机过程，当加入的是白噪音时，功率谱密度为
，其中
表示单边功率谱密度,
，
为随机因素；当加入的是粉噪音时，功率谱密度
,其中
为频率，
，
趋近于1，将增强前后的咳嗽信号作为咳嗽信号。
6.根据权利要求3所述的一种儿童咳嗽自动分类识别系统，其特征在于：特征提取单元：用于对咳嗽信号按帧提取特征，将其转换为特征向量序列，特征提取单元将咳嗽信号经过分帧加窗，以及进行快速傅里叶变换得到其谱图，再经过一组Mel频率滤波器对其进行处理，最后再进行离散余弦变换得到一个20维的MFCC参数，作为特征向量序列
，其中，n代表MFCC的维度，m代表患者的咳嗽音片段数目。
7.根据权利要求3所述的一种儿童咳嗽自动分类识别系统，其特征在于：构建特征空间单元：用于得到特征向量集
；对一位患者提取出的特征向量，在垂直空间上将特征向量进行堆叠，再取均值，得到此患者的分类特征向量
；分类特征向量的计算公式为：
，i表示的是这名患者的第几个咳嗽音片段，总共一段音频可以划分出m个咳嗽音片段，分类特征向量集合
包含多名病人的特征向量，其中k代表病人的数目，
表示的是一名患者的特征向量，
表示的是k位患者的特征向量。
8.根据权利要求3所述的一种儿童咳嗽自动分类识别系统，其特征在于：训练分类器：采用SVM来对分类特征向量训练集进行训练，得到分类识别分类器，对训练得到的训练分类器进行测试，保存评价指标accuracy得分最高的模型作为模型
。
9.根据权利要求3所述的一种儿童咳嗽自动分类识别系统，其特征在于：识别单元：进行分类识别；根据特征向量序列训练支持向量机模型，对病人咳嗽音信号进行识别，判断属于肺炎还是支气管炎的咳嗽特征。
10.根据权利要求1所述的一种儿童咳嗽自动分类识别系统，其特征在于：所述网络传送模块为4G/5G蜂窝网络、物联网、有线网络或/和Wifi传送模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110290043.8A CN115116600A (zh) | 2021-03-18 | 2021-03-18 | 一种儿童咳嗽自动分类识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110290043.8A CN115116600A (zh) | 2021-03-18 | 2021-03-18 | 一种儿童咳嗽自动分类识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115116600A true CN115116600A (zh) | 2022-09-27 |
Family
ID=83323708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110290043.8A Pending CN115116600A (zh) | 2021-03-18 | 2021-03-18 | 一种儿童咳嗽自动分类识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115116600A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115691808A (zh) * | 2022-10-31 | 2023-02-03 | 昆山杜克大学 | 一种基于声音生物标志物的早期筛查与诊断方法及装置 |
| CN117059283A (zh) * | 2023-08-15 | 2023-11-14 | 宁波市鄞州区疾病预防控制中心 | 一种基于肺结核预警的语音数据库分类和处理系统 |
-
2021
- 2021-03-18 CN CN202110290043.8A patent/CN115116600A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115691808A (zh) * | 2022-10-31 | 2023-02-03 | 昆山杜克大学 | 一种基于声音生物标志物的早期筛查与诊断方法及装置 |
| CN117059283A (zh) * | 2023-08-15 | 2023-11-14 | 宁波市鄞州区疾病预防控制中心 | 一种基于肺结核预警的语音数据库分类和处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110120218B (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
| EP3701528B1 (en) | Segmentation-based feature extraction for acoustic scene classification | |
| CN103280220B (zh) | 一种实时的婴儿啼哭声识别方法 | |
| CN105895078A (zh) | 动态选择语音模型的语音识别方法及装置 | |
| CN109686377B (zh) | 音频识别方法及装置、计算机可读存储介质 | |
| CN115116600A (zh) | 一种儿童咳嗽自动分类识别系统 | |
| CN102201237B (zh) | 基于模糊支持向量机的可靠性检测的情感说话人识别方法 | |
| CN106409298A (zh) | 一种声音重录攻击的识别方法 | |
| CN105448291A (zh) | 基于语音的帕金森症检测方法及检测系统 | |
| CN110234279B (zh) | 表征睡眠呼吸障碍的方法 | |
| CN111986699A (zh) | 基于全卷积网络的声音事件检测方法 | |
| CN107564543A (zh) | 一种高情感区分度的语音特征提取方法 | |
| CN112397074A (zh) | 基于mfcc和向量元学习的声纹识别方法 | |
| CN116861303A (zh) | 一种变电站数字孪生多源信息融合诊断方法 | |
| CN113936667A (zh) | 一种鸟鸣声识别模型训练方法、识别方法及存储介质 | |
| CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统 | |
| CN113571088A (zh) | 一种基于深度学习声纹识别的困难气道评估方法及装置 | |
| CN117423338B (zh) | 一种数字人交互对话方法和系统 | |
| CN114420303A (zh) | 一种基于声音特征的新型新冠辅助筛查方法 | |
| CN111179972A (zh) | 一种基于深度学习的人声检测算法 | |
| CN113936663A (zh) | 困难气道的检测方法及其电子设备和存储介质 | |
| Yue et al. | Multidimensional zero-crossing interval points: a low sampling rate acoustic fingerprint recognition method | |
| CN113571050A (zh) | 一种基于Attention与Bi-LSTM的语音抑郁状态识别方法 | |
| Khan et al. | Hybrid BiLSTM-HMM based event detection and classification system for food intake recognition | |
| Liu et al. | An end-to-end system based on TDNN for lung sound classification |
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 |