TWI833570B - 輕度認知障礙語音檢測系統 - Google Patents

輕度認知障礙語音檢測系統 Download PDF

Info

Publication number
TWI833570B
TWI833570B TW112104032A TW112104032A TWI833570B TW I833570 B TWI833570 B TW I833570B TW 112104032 A TW112104032 A TW 112104032A TW 112104032 A TW112104032 A TW 112104032A TW I833570 B TWI833570 B TW I833570B
Authority
TW
Taiwan
Prior art keywords
sound
band
cognitive impairment
characteristic
mild cognitive
Prior art date
Application number
TW112104032A
Other languages
English (en)
Other versions
TW202432057A (zh
Inventor
黃獻鋒
謝宇竣
余俊浩
陳癸杉
李政陽
Original Assignee
亞東學校財團法人亞東科技大學
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 亞東學校財團法人亞東科技大學 filed Critical 亞東學校財團法人亞東科技大學
Priority to TW112104032A priority Critical patent/TWI833570B/zh
Application granted granted Critical
Publication of TWI833570B publication Critical patent/TWI833570B/zh
Publication of TW202432057A publication Critical patent/TW202432057A/zh

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本發明公開一種輕度認知障礙語音檢測系統。輕度認知障礙語音檢測方法包括以下步驟:擷取一待檢測聲音;依據所述待檢測聲音以建立於一時間區間中的一聲音波形;辨識所述聲音波形中相似的部分以產生一重覆特徵波段;辨識所述聲音波形於相鄰的任兩個波峰之間的部分以產生一辨識波段;取得多個所述辨識波段的一平均波長,並且定義大於兩倍所述平均波長的所述辨識波段為一延遲特徵波段;於偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時建立一特徵事件;以及於所述特徵事件的數量累積至一閥值時發出一輕度認知障礙警訊。

Description

輕度認知障礙語音檢測系統
本發明涉及一種檢測系統,尤其涉及一種輕度認知障礙語音檢測系統。
輕度認知障礙(Mild Cognitive Impairment,MCI)是一種腦部退化的症狀,並且罹患輕度認知功能障礙(MCI)的病人有高的機率會進一步地罹患阿茲海默症、路易體失智症、額顳葉失智症等的神經退化性疾病。其中,輕度認知障礙的病徵經常性伴隨著「重複同樣的語句」、「經常性遺忘」等行為。
然而,當病患發生輕度認知障礙發生時,患者往往以為只是睡眠不足、過度疲憊、又或是只是短暫情形,從而忽視疾病。因此,如何通過日常語言的捕捉,從而檢測是否發生輕度認知障礙的疾病即本發明的課題。
於是,本發明人認為上述缺陷可改善,乃特潛心研究並配合科學原理的運用,終於提出一種設計合理且有效改善上述缺陷的本發明。
本發明所要解決的技術問題在於,針對現有技術的不足提供一種輕度認知障礙語音檢測系統及方法。
本發明實施例公開一種輕度認知障礙語音檢測方法,包括以下步驟:擷取一待檢測聲音;依據所述待檢測聲音以建立於一時間區間中的一聲音波形;辨識所述聲音波形中相似的部分以產生一重覆特徵波段;辨識所述聲音波形於相鄰的任兩個波峰之間的部分以產生一辨識波段;取得多個所述辨識波段的一平均波長,並且定義大於兩倍所述平均波長的所述辨識波段為一延遲特徵波段;於偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時建立一特徵事件;以及於所述特徵事件的數量累積至一閥值時發出一輕度認知障礙警訊。
較佳地,辨識所述聲音波形中相似的部分是以兩個聲波等比例縮放的重疊區域做判定,並且重疊區域至少大於80%以上。
本發明實施例還公開一種輕度認知障礙語音檢測系統,應用如前述的輕度認知障礙語音檢測方法。
較佳地,所述輕度認知障礙語音檢測系統,還包含:一語音輸入器,能用來擷取所述待檢測聲音;一波形產生器,電性耦接所述語音輸入器,所述波形產生器能持續地經由所述語音輸入器接收所述待檢測聲音以建立於所述聲音波形;一特徵辨識器,電性耦接所述波形產生器,所述特徵辨識器能辨識所述聲音波形以產生所述重覆特徵波段及所述辨識波段;一檢測器,電性耦接所述特徵辨識器,所述檢測器能定義所述延遲特徵波段;當所述檢測器偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時,所述檢測器建立所述特徵事件;當所述特徵事件累積至所述閥值時,所述檢測器發出所述輕度認知障礙警訊。
較佳地,所述輕度認知障礙語音檢測系統還包含一儲存器,所述儲存器電性耦接所述語音輸入器、所述特徵辨識器,並且所述儲存器能用來記錄所述待檢測聲音、所述重覆特徵波段、及所述辨識波段。
綜上所述,本發明實施例所公開的輕度認知障礙語音檢測系統及方法,能通過“於偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時建立一特徵事件”及“於所述特徵事件的數量累積至一閥值時發出一輕度認知障礙警訊”的設計,所述輕度認知障礙語音檢測系統及方法能於日常中檢測出人員是否罹患輕度認知障礙。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
S101~S113:步驟
100:輕度認知障礙語音檢測系統
1:語音輸入器
2:波形產生器
3:特徵辨識器
4:檢測器
5:儲存器
圖1為本發明的輕度認知障礙語音檢測方法的步驟流程示意圖。
圖2為本發明的輕度認知障礙語音檢測系統的波型產生器所產生的聲波示意圖。
圖3為本發明的輕度認知障礙語音檢測系統的電路方塊示意圖。
以下是通過特定的具體實施例來說明本發明所公開有關“輕度認知障礙語音檢測系統及方法”的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細 說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的保護範圍。
應當可以理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者訊號,但這些元件或者訊號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一訊號與另一訊號。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
另外,於以下說明中,如有指出請參閱特定圖式或是如特定圖式所示,其僅是用以強調於後續說明中,所述的相關內容大部份出現於該特定圖式中,但不限制該後續說明中僅可參考所述特定圖式。
參閱圖1所示,本實施例提供一種輕度認知障礙語音檢測方法,所述檢測方法包含步驟S101~步驟S113。需說明的是,上述多個步驟的其中任一個步驟能夠視設計者的需求而省略或是以合理的變化方式取代。接著,以下介紹各步驟的內容。
步驟S101:擷取一待檢測聲音。其中,所述待檢測聲音可以是於長時間(例如:一整日)、或短時間(例如:一個小時)內的多句語言所組成。
步驟S103:依據所述待檢測聲音以建立於一時間區間中的一聲音波形。也就是說,依據時間與能量建立出對應所述待檢測聲音的一個聲波圖。
步驟S105:辨識所述聲音波形中相似的部分以產生一重覆特徵波段。更具體地說,相同一個說話者,相似語句的聲波大致相同,此步驟則是提取相似的語句對應的聲波作為所述重覆特徵波段。舉例來說,如圖2所是的聲波圖來看,「我午餐有吃了嗎」與「今天午餐好像吃了嗎」這兩個語句雖然些微差異,但兩個聲波在差異上甚少。原則上,於此所指的相似是指: 不考慮語意之情況下,兩者有80%的相似程度的波形。
需特別說明的是,兩個聲波的比對方式是以等比例縮放,以重疊區域來比對。當重疊區域佔據參考聲波的區域80%以上,則判定相似,但本發明不受限於此。
步驟S107:辨識所述聲音波形於相鄰的任兩個波峰之間的部分以產生一辨識波段。也就是說,相鄰的兩個所述波峰作為切割點,把所述聲音波形切割成多段(即,所述辨識波段)。
步驟S109:取得多個所述辨識波段的一平均波長,並且定義大於兩倍所述平均波長的所述辨識波段為一延遲特徵波段。舉例來說,當大部分的多個所述辨識波長為10奈米時(也就是,所述平均波長趨近於10奈米),超過20奈米的所述辨識波段則被定義為所述延遲特徵波段。
步驟S111:於偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時建立一特徵事件。舉例來說,當人員說出「我午餐有吃了嗎」語句的十分鐘後再次說出「今天午餐好像吃了嗎」時,為所述重覆特徵波段的兩個語句之間會存在為十分鐘的間隔時間並產生所述延遲特徵波段,並且這樣的情況定義為一個所述特徵事件。當然,在這兩個所述重覆特徵波段之間是可以存在其他聲波(也就是人員還說其他語句)以及多個所述延遲特徵波段。
步驟S113:於所述特徵事件的數量累積至一閥值時發出一輕度認知障礙警訊。於實務上,所述閥值是可以視情況被調整,但所述閥值原則上是不小於三。
另外,額外說明的是,配合圖3所示,所述輕度認知障礙語音檢測方法是可以套用於一種輕度認知障礙語音檢測系統100上,從而實現與運行。所述輕度認知障礙語音檢測系統100於實務上可以包含一語音輸 入器1、電性耦接所述語音輸入器1的一波形產生器2、電性耦接所述波形產生器2的一特徵辨識器3、以及電性耦接所述特徵辨識器3的一檢測器4。接著,以下介紹所述輕度認知障礙語音檢測系統100的各元件。
如圖3所示,所述語音輸入器1可以是麥克風,並取能長時間地擷取所述待檢測聲音。較佳地,所述語音輸入器1可以包含一環境音抑制機制,例如是軟體事後修正、或是反向聲波修正,從而避免所述待檢測聲音存在過多非人員聲音。此外,所述待檢測聲音的收集時間理想是不小於半小時。
所述波形產生器2可以選用市面上的常見的波形函數產生器,並且所述波形產生器2能持續地經由所述語音輸入器1接收所述待檢測聲音以建立於所述聲音波形。
所述特徵辨識器3可以是一種計算模組(例如:CPU),並且所述特徵辨識器能(通過函數運算方式)辨識所述聲音波形以產生所述重覆特徵波段及所述辨識波段。
所述檢測器4可以是如所述特徵辨識器3的一種計算模組。也就是說,所述檢測器4和所述特徵辨識器3可以被整合為相同一個硬件,但本發明不以此為限制。所述檢測器4能對多個所述辨識波段進行計算以取得所述平均波長,並且定義大於兩倍所述平均波長的所述辨識波段為所述延遲特徵波段。當所述檢測器4偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時,所述檢測器4建立所述特徵事件。當所述特徵事件累積至所述閥值時,所述檢測器4發出所述輕度認知障礙警訊。
於實務上,所述檢測器4發出所述輕度認知障礙警訊可以是(通過一揚聲器發出)聲音、(通過一顯示器或多媒體裝置發出)文字、(通過一發光二極體)燈光等。
另外,所述輕度認知障礙語音檢測系統100於其他實施例中還可以包含一儲存器5,所述儲存器5電性耦接所述語音輸入器1、所述特徵辨識器3。所述儲存器5能用來記錄所述待檢測聲音、所述重覆特徵波段、及所述辨識波段,從而用來提供給專業人士(例如:醫師)、或其他人員進行記錄調查,以再次確保判定的準確性。
[本發明實施例的技術效果]
綜上所述,本發明實施例所公開的輕度認知障礙語音檢測系統及方法,能通過“於偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時建立一特徵事件”及“於所述特徵事件的數量累積至一閥值時發出一輕度認知障礙警訊”的設計,所述輕度認知障礙語音檢測系統及方法能於日常中檢測出人員是否罹患輕度認知障礙。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
100:輕度認知障礙語音檢測系統
1:語音輸入器
2:波形產生器
3:特徵辨識器
4:檢測器
5:儲存器

Claims (2)

  1. 一種輕度認知障礙語音檢測系統,包含:一語音輸入器,能用來擷取一待檢測聲音;一波形產生器,電性耦接所述語音輸入器,所述波形產生器能持續地經由所述語音輸入器接收所述待檢測聲音,並依據所述待檢測聲音以建立於一時間區間中的一聲音波形;一特徵辨識器,電性耦接所述波形產生器,所述特徵辨識器能辨識所述聲音波形中相似的部分以產生一重覆特徵波段,且辨識所述聲音波形於相鄰的任兩個波峰之間的部分以產生一辨識波段;其中,辨識所述聲音波形中相似的部分是以兩個聲波等比例縮放的重疊區域做判定,並且重疊區域至少大於80%以上;一檢測器,電性耦接所述特徵辨識器,所述檢測器能取得多個所述辨識波段的一平均波長,並且定義大於兩倍所述平均波長的所述辨識波段為一延遲特徵波段;當所述檢測器偵測兩個所述重覆特徵波段之間存在至少一個所述延遲特徵波段時,所述檢測器建立一特徵事件;當所述特徵事件累積至所述閥值時,所述檢測器發出一輕度認知障礙警訊。
  2. 如請求項1所述的輕度認知障礙語音檢測系統,還包含一儲存器,所述儲存器電性耦接所述語音輸入器、所述特徵辨識器,並且所述儲存器能用來記錄所述待檢測聲音、所述重覆特徵波段、及所述辨識波段。
TW112104032A 2023-02-06 2023-02-06 輕度認知障礙語音檢測系統 TWI833570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW112104032A TWI833570B (zh) 2023-02-06 2023-02-06 輕度認知障礙語音檢測系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW112104032A TWI833570B (zh) 2023-02-06 2023-02-06 輕度認知障礙語音檢測系統

Publications (2)

Publication Number Publication Date
TWI833570B true TWI833570B (zh) 2024-02-21
TW202432057A TW202432057A (zh) 2024-08-16

Family

ID=90825115

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112104032A TWI833570B (zh) 2023-02-06 2023-02-06 輕度認知障礙語音檢測系統

Country Status (1)

Country Link
TW (1) TWI833570B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108652587A (zh) * 2018-03-16 2018-10-16 北京安宁福祉科技有限公司 一种认知功能障碍预防监测装置
CN110584601A (zh) * 2019-08-26 2019-12-20 首都医科大学 一种老人认知功能监测和评估方法
CN111213197A (zh) * 2017-06-13 2020-05-29 Fuvi认知网络公司 基于洞察力的认知辅助装置、方法及系统
US20200219529A1 (en) * 2019-01-04 2020-07-09 International Business Machines Corporation Natural language processor for using speech to cognitively detect and analyze deviations from a baseline
US20210106288A1 (en) * 2016-02-12 2021-04-15 Newton Howard Detection Of Disease Conditions And Comorbidities
CN114259205A (zh) * 2020-09-16 2022-04-01 中国科学院脑科学与智能技术卓越创新中心 脑认知功能检测系统
WO2022117444A1 (en) * 2020-12-02 2022-06-09 Accexible Impacto s.l. Detection of cognitive impairment

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210106288A1 (en) * 2016-02-12 2021-04-15 Newton Howard Detection Of Disease Conditions And Comorbidities
CN111213197A (zh) * 2017-06-13 2020-05-29 Fuvi认知网络公司 基于洞察力的认知辅助装置、方法及系统
CN108652587A (zh) * 2018-03-16 2018-10-16 北京安宁福祉科技有限公司 一种认知功能障碍预防监测装置
US20200219529A1 (en) * 2019-01-04 2020-07-09 International Business Machines Corporation Natural language processor for using speech to cognitively detect and analyze deviations from a baseline
CN110584601A (zh) * 2019-08-26 2019-12-20 首都医科大学 一种老人认知功能监测和评估方法
CN114259205A (zh) * 2020-09-16 2022-04-01 中国科学院脑科学与智能技术卓越创新中心 脑认知功能检测系统
WO2022117444A1 (en) * 2020-12-02 2022-06-09 Accexible Impacto s.l. Detection of cognitive impairment

Similar Documents

Publication Publication Date Title
Cummins et al. A comparison of acoustic and linguistics methodologies for Alzheimer’s dementia recognition
US11250877B2 (en) Sound detection
Gygi et al. The incongruency advantage for environmental sounds presented in natural auditory scenes.
JP2002517175A (ja) 人間の音源を識別するための手段および装置
Korshunov et al. Cross-database evaluation of audio-based spoofing detection systems
Tan et al. A survey on presentation attack detection for automatic speaker verification systems: State-of-the-art, taxonomy, issues and future direction
CN105488227A (zh) 一种电子设备及其基于声纹特征处理音频文件的方法
Zinemanas et al. MAVD: a dataset for sound event detection in urban environments
JP2017037632A (ja) 基準オブジェクトの検証のためのフィンガープリントを生成するための方法およびシステム
TWI833570B (zh) 輕度認知障礙語音檢測系統
Sahidullah et al. Robust speaker recognition with combined use of acoustic and throat microphone speech
Temko et al. Acoustic event detection: SVM-based system and evaluation setup in CLEAR’07
Valsaraj et al. Alzheimer’s dementia detection using acoustic & linguistic features and pre-trained BERT
Päßler et al. Evaluation of algorithms for chew event detection
Feroze et al. Sound event detection in real life audio using perceptual linear predictive feature with neural network
Liu et al. Detecting and classifying emotion in popular music
TW202432057A (zh) 輕度認知障礙語音檢測系統
WO2021099614A1 (en) A method and system for monitoring and analysing cough
Hu et al. Monaural speech separation
US9280914B2 (en) Vision-aided hearing assisting device
Saewong et al. Classification of anger voice in call center dialog
Ghosal et al. Speech/music classification using occurrence pattern of zcr and ste
Song et al. Feature extraction and classification for audio information in news video
Suthokumar et al. Use of claimed speaker models for replay detection
Van Nieuwenhuizen et al. The study and implementation of shazam’s audio fingerprinting algorithm for advertisement identification