CN115670434A - 一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统 - Google Patents
一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统 Download PDFInfo
- Publication number
- CN115670434A CN115670434A CN202211317405.9A CN202211317405A CN115670434A CN 115670434 A CN115670434 A CN 115670434A CN 202211317405 A CN202211317405 A CN 202211317405A CN 115670434 A CN115670434 A CN 115670434A
- Authority
- CN
- China
- Prior art keywords
- signal
- chronic obstructive
- obstructive pulmonary
- pulmonary disease
- voice
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统。该方法包括:利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号;对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点;获取所述单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征;将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。本发明可以搭载在商用的电子设备上,无需额外的设备,降低了应用成本,并且可以实现在临床环境之外进行慢性阻塞性肺疾病诊断的需求,无需价格高昂的检测设备,降低了检测成本。
Description
技术领域
本发明涉及机器学习技术领域,更具体地,涉及一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统。
背景技术
慢阻肺(chronic pulmonary disease,COPD)和哮喘是常见的气道炎症性疾病。慢阻肺是以持续气流受限为特征的疾病,反复发作会导致肺功能下降、活动能力减低甚至呼吸衰竭致残致死。哮喘常表现为反复发作的喘息、气促、胸闷和(或)咳嗽等症状,反复发作可导致气道重塑,肺功能下降,严重影响生活质量,因此早识别、早诊断对于控制症状和改善预后十分重要。肺功能是诊断慢阻肺和哮喘的金标准,其通常使用肺功能仪进行,便携式肺活量测量仪近年也得到推广。根据研究,气道的阻塞和限制影响了个人的发声特征。因此,听觉特征可能对确定肺功能和阻塞的严重程度有一定作用。
为了在不影响肺功能测试精度的情况下降低便携式肺活量计的成本,研究人员开发了可穿戴的传感系统,但需要在人体上附加额外的硬件。无线信号用于远程分析人类的呼吸模式,但分辨率低,只能测量呼吸频率和呼吸量。现代智能手机已经被用来从智能手机的IMU(惯性测量单元)数据或视频捕获中获取人类的呼吸模式。然而,这些方法的准确性低,无法精确评估肺功能。最近的一些技术使用智能手机根据人类的可听呼吸声计算人类的肺功能指数,但需要绝对安静的环境,并且对环境噪音和家庭环境中的人类活动高度敏感。
另外,现有的基于移动音频的肺部评估系统直接比较健康人和COPD患者之间声音信号的特征,如包络信号、MFCC、音高和强度等。然而,这些特征对环境噪音没有抵抗力,用户需要付出很大努力,并且作为最终用户诊断呼吸道疾病症状的替代方法,其准确性不够。
发明内容
本发明的目的是克服上述现有技术的缺陷,建立了一个机器学习模型,以发掘语音中的时空模式,提供一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统。
根据本发明的第一方面,提供一种基于语音信号的慢性阻塞性肺疾病诊断方法。该方法包括以下步骤:
利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号;
对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点;
获取所述单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征;
将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。
根据本发明的第二方面,提供一种基于语音信号的慢性阻塞性肺疾病诊断系统。该系统包括:
信号采集模块:利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号;
信号处理模块:对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点;
特征提取模块:获取单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征;
模型预测模块:将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。
与现有技术相比,本发明的优点在于,可以搭载在商用的电子设备上(如智能手机),无需额外的设备,降低了应用成本。并且,可以实现在临床环境之外进行慢性阻塞性肺疾病诊断的需求,用户无需准备价格高昂的检测设备,就可以实现对个人在院外进行慢性阻塞性肺疾病诊断的连续监测和移动追踪,降低了检测设备所需成本。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于语音信号的慢性阻塞性肺疾病诊断方法的流程图;
图2是根据本发明一个实施例的基于语音信号的慢性阻塞性肺疾病诊断系统的框架结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
参见图1所示,所提供的基于语音信号的慢性阻塞性肺疾病诊断方法包括以下步骤:
步骤S10,利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号。
智能设备(或称为电子设备)可以是智能手机、平板电脑或可穿戴设备等。为清楚起见,下文以智能手机为例进行说明。
例如,用户将智能手机的麦克风作为信号接收端对准自己的嘴部,进而采集用户发音信号。发音信号是指用户读音时直接产生的声音信号。在实际应用中,可将智能手机放在嘴部前方(距离嘴部15厘米以内),以确保良好的音频记录。
在一个实施例中,步骤S10包括以下子步骤:
步骤S11,采集智能手机麦克风的发音信号。
优选地,用户尽可能长时间的读一个元音字母(如普通话中的a、o、e、i、u、ü等)。这主要是考虑到:当用户发出声音时,气流从肺部向上依次经过气管、喉部,最后再从口腔流出。在此过程中,元音作为开放型的声音,声腔是完全开放的,气流能够顺畅的流出,这有利于慢性阻塞性肺疾病的诊断。一次尽可能长的读一个元音字母称为一次元音会话。
步骤S12,对采集到的发音信号进行数据处理,去除低频部分语音以及噪声的干扰。
例如,使用巴特沃斯高通滤波器进行去噪,将截止频率设置为5500Hz,麦克风的采样率设置为44100Hz。
慢性阻塞性肺疾病是一种慢性炎症性肺病,可导致肺部气流受阻。慢性阻塞性肺病的常见症状包括:呼吸困难加剧(这可能只发生在刚开始锻炼时,有时在晚上醒来时会感到呼吸困难)、持续的胸闷咳嗽以及痰不散、频繁胸部感染以及持续喘息(wheezing)。从喉咙到肺部,任何部位的炎症和气道变窄都可能导致喘息,而反复喘息最常见的原因便是慢性阻塞性肺病(COPD),这种疾病会导致肺部小气道狭窄和痉挛(支气管痉挛)。另外,发音自然会产生更多不同的频率成分,从而扩展到高频范围。发音的独特性取决于人类的声道形状、鼻腔、口腔结构以及嘴唇和舌头的形状。在所有声音中,本发明主要关注的是喘息声,因为它们产生的高频成分具有更高的能量水平,而且不同的喘息方式有一个共同的在高频率上区别于正常人的模式。通过去除低频部分语音以及噪声的干扰,有利于后续对高频信号的分析。
步骤S20,对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点。
在一个实施例中,步骤S20包括以下子步骤:
步骤S21,对接收的发音信号进行归一化处理,从而消除由于智能手机与用户嘴部之间的距离差异而引起的干扰。
例如,归一化处理公式表示为:
其中x和y分别对应归一化前后的语音信号,xmin是归一化前的最小峰值,xmax是归一化前的最大峰值。
步骤S22,利用最小均方滤波器,去除声音信号中的噪声。
例如,最小均方滤波器的采样时间长短设置为10ms。
步骤S23,利用基于帧能量阈值法检测用户单次元音会话的起始点和结束点,从而分割出单次元音会话。
假设麦克风采集到的语音时域信号为x(n),第n帧语音信号为xn(m)=x((n-1)*l+m),其中l为帧跳,m∈[0,N-1],N为帧长;则第n帧语音信号xn(m)的帧能量为:在进行信号检测时,当信号持续超过阈值并且维持了一段时间t时(t大于3s),则认为该信号不是噪声信号,而是需要提取的元音会话,进一步对这个信号进行切割,将单次元音会话的起始点和结束点提取出来。具体地,首先判断元音会话的起点,例如,选择在超过阈值的第一帧之前的(即上一帧的最后一个)采样点作为起点;然后,判断该次发音信号的终点,例如,在信号连续M个帧的能量低于阈值后的第一个采样点。
步骤S30,获取所述单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征。
在该步骤中,提取分割出的语音信号的高频部分的能量和统计性特征。例如,步骤S30包括以下子步骤:
步骤S31,对元音会话使用短时傅里叶变换(Short-time Fourier transform,STFT)得到频谱图,进而计算高频部分的时频能量。
具体地,在44.1kHz的采样率下,使用2048点的Hann窗函数加窗,窗口长度10ms,窗跳2ms进行STFT计算,最终得到STFT频谱矩阵其中,Nx为元音会话长度,L为窗口重叠长度,M为窗口大小。STFT矩阵的第m列包含以时间mR为中心的加窗数据的离散傅里叶变换:进而,对STFT频谱图[5500Hz,20000Hz]区间的矩阵计算高频能量:
步骤S32,对元音会话使用离散傅里叶变换获得频域信息F(f),进而提取高频区间[5500Hz,20000Hz]的相关统计特征(如均值、标准差、偏度和峰度四个特征),例如,最终提取得到20个特征:mean(F(n)),std(F(n)),skewness(F(n)),kurtosis(F(n))。
步骤S40,将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。
分类模型可以是神经网络模型或支持向量机等多种类型。以支持向量机为例,步骤S40包括以下子步骤:
步骤S41,训练支持向量机。
支持向量机的训练过程包括训练阶段和测试阶段。在训练阶段,将健康人和患有慢性阻塞性肺疾病的患者分别记为0和1,作为数据标签进行模型训练。在测试阶段,则输出已训练的支持向量机的测试结果,以验证模型的准确性。
步骤S42,利用经训练的支持向量机获得诊断结果。
支持向量机的实际应用过程与测试阶段类似,将实际提取的高频特征输入支持向量机模型,得到诊断结果。
步骤S50,将诊断结果以及相关建议对用户进行反馈,并在智能设备APP中显示。
例如,将诊断结果反馈在智能手机的APP上,以直观显示给用户。
相应地,本发明还提供一种基于语音信号的慢性阻塞性肺疾病诊断系统,用于实现上述方法的一个方面或多个方面。参见图2所示,该系统包括:信号采集模块,用于利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号;信号处理模块,用于对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点;特征提取模块,用于获取单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征;模型预测模块:用于将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。
在一个实施例中,所述信号采集模块还包括:
语音采集单元,用于采集智能手机麦克风的发音信号;
干扰消除单元,用于对采集到的发音信号进行数据处理,去除低频部分语音以及噪声的干扰。
在一个实施例中,所述信号处理模块还包括:
归一化单元,用于对接收的发音信号进行归一化处理,从而消除由于智能手机与用户嘴部之间的距离差异而引起的干扰。
滤波处理单元,用于利用最小均方滤波器,去除声音信号中的噪声;
语音分割单元,用于利用基于帧能量阈值法检测用户单次元音会话的起始点和结束点,从而分割出单次元音会话。
在一个实施例中,所述特征提取模块还包括:
能量计算单元,用于对元音会话使用短时傅里叶变换得到频谱图,从而计算高频部分的时频能量;
统计分析单元,用于对元音会话使用离散傅里叶变换获得频域信息F(f),进而提取高频区间[5500Hz,20000Hz]的相关统计特征(均值、标准差、偏度和峰度四个特征),最终提取得到20个特征:mean(F(n)),std(F(n)),skewness(F(n)),kurtosis(F(n))。
在一个实施例中,所述模型分类模块还包括:
训练测试单元,用于执行支持向量机的训练阶段和测试阶段。在训练阶段,将健康人和患有慢性阻塞性肺疾病的患者分别记为0和1,作为数据标签进行模型训练;在测试阶段,则输出已训练的支持向量机的测试结果。
分类单元,用于将提取的高频特征输入支持向量机模型并得到诊断结果。
综上所述,本发明针对慢性阻塞性肺疾病的特点,提供解决方案,一方面可以搭载在商用的电子设备上(如智能手机),无需额外的设备,降低了应用成本。另一方面,可以实现在临床环境之外进行慢性阻塞性肺疾病诊断的需求,用户无需准备价格高昂的检测设备,降低了检测设备所需成本。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于语音信号的慢性阻塞性肺疾病诊断方法,包括以下步骤:
利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号;
对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点;
获取所述单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征;
将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。
2.根据权利要求1所述的方法,其特征在于,还包括:将获得的诊断结果以及相关建议反馈给用户,并在所述智能设备的APP中进行显示。
3.根据权利要求1所述的方法,其特征在于,根据以下步骤采集所述语音信号:
采集智能手机麦克风的发音信号;
对采集到的发音信号进行滤波,去除低频部分语音以及噪声的干扰。
4.根据权利要求1所述的方法,其特征在于,所述语音信号是一次元音会话,所述对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点包括以下步骤:
对所述语音信号进行归一化处理;
利用最小均方滤波器去除声音信号中的噪声;
利用基于帧能量阈值法检测用户单次元音会话的起始点和结束点,以分割出单次元音会话。
5.根据权利要求1所述的方法,其特征在于,所述语音信号是一次元音会话,所述获取单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征包括:
对元音会话使用短时傅里叶变换得到频谱图,并计算高频部分的时频能量;
对元音会话使用离散傅里叶变换获得频域信息,并提取设定高频区间的相关统计特征。
6.根据权利要求1所述的方法,其特征在于,所述高频区间范围是[5500Hz,20000Hz],所述相关统计特征包括均值、标准差、偏度和峰度四种类型特征。
7.根据权利要求1所述的方法,其特征在于,所述分类模型是支持向量机,在训练阶段使用的训练样本集反映设定高频区间范围内的相关统计特征与分类标签之间的对应关系,所述分类标签表示健康者或患者。
8.根据权利要求1所述的方法,其中,所述智能设备是智能手机或平板电脑或可穿戴设备。
9.一种基于语音信号的慢性阻塞性肺疾病诊断系统,包括:
信号采集模块:利用智能设备的麦克风作为信号接收端,采集用户读音时产生的语音信号;
信号处理模块:对所采集的语音信号进行去噪处理和分割处理,以检测单次发音信号的起点和终点;
特征提取模块:获取单次发音信号对应的频谱图,并计算高频部分的时频能量以及设定高频区间范围内的相关统计特征;
模型预测模块:将所述相关统计特征输入到经训练的分类模型,获得慢性阻塞性肺疾病的诊断结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317405.9A CN115670434A (zh) | 2022-10-26 | 2022-10-26 | 一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317405.9A CN115670434A (zh) | 2022-10-26 | 2022-10-26 | 一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115670434A true CN115670434A (zh) | 2023-02-03 |
Family
ID=85099117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211317405.9A Pending CN115670434A (zh) | 2022-10-26 | 2022-10-26 | 一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115670434A (zh) |
-
2022
- 2022-10-26 CN CN202211317405.9A patent/CN115670434A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amrulloh et al. | Automatic cough segmentation from non-contact sound recordings in pediatric wards | |
CN112822976B (zh) | 通过语音分析估计肺容量 | |
Swarnkar et al. | Neural network based algorithm for automatic identification of cough sounds | |
El Emary et al. | Towards developing a voice pathologies detection system | |
CN105448291A (zh) | 基于语音的帕金森症检测方法及检测系统 | |
CN108648527A (zh) | 一种英语发音匹配纠正方法 | |
Hamidi et al. | COVID-19 assessment using HMM cough recognition system | |
CN108470476A (zh) | 一种英语发音匹配纠正系统 | |
US20240057936A1 (en) | Speech-analysis based automated physiological and pathological assessment | |
CN109545196B (zh) | 语音识别方法、装置及计算机可读存储介质 | |
US20230172526A1 (en) | Automated assessment of cognitive and speech motor impairment | |
JP2009233103A (ja) | 咳嗽検出装置及び咳嗽検出装置のプログラム | |
CN106782616A (zh) | 一种通过人声分析检测呼吸道的方法 | |
JP2012024527A (ja) | 腹式呼吸習熟度判定装置 | |
JP7061126B6 (ja) | 睡眠呼吸障害を特徴付ける方法 | |
CN115670434A (zh) | 一种基于语音信号的慢性阻塞性肺疾病诊断方法和系统 | |
WO2021029526A1 (en) | Methods and systems for pulmonary condition assessment | |
CN113936663A (zh) | 困难气道的检测方法及其电子设备和存储介质 | |
Singh et al. | IIIT-S CSSD: A cough speech sounds database | |
CN115644848A (zh) | 一种基于语音信号的肺功能参数测量方法和系统 | |
Kim et al. | Non-invasive way to diagnose dysphagia by training deep learning model with voice spectrograms | |
KR102179511B1 (ko) | 연하 진단 장치 및 프로그램 | |
Elisha et al. | Automatic detection of obstructive sleep apnea using speech signal analysis | |
CN116705070B (zh) | 一种唇腭裂术后说话发音及鼻音矫正方法及系统 | |
US20220257175A1 (en) | Speech-based pulmonary assessment |
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 |