[发明专利]一种基于深度神经网络的哭声检测方法和系统

权利要求书

1.一种基于深度神经网络的哭声检测方法，其特征在于，包括以下步骤：

实时获取待检测环境的声音数据；

将所述声音数据输入到经过合成数据训练的深度神经网络模型中得到输出结果；

根据所述输出结果得到是否检测到哭声的结论；

其中，所述经过合成数据训练的深度神经网络模型为采用纯净哭声数据、场景声音数据和易混声音数据合成的数据集训练得到的深度神经网络模型；

所述深度神经网络模型的训练步骤包括：

获取合成的数据集，所述数据集包括合成的音频信号；

根据所述合成的音频信号进行音频特征提取并进行数据增强得到深度神经网络的输入；

根据所述输入对深度神经网络模型进行训练；

所述获取合成的数据集包括：

分别获取纯净哭声数据、易混声音数据以及场景声音数据；

对所述纯净哭声数据、易混声音数据以及场景声音数据使用基于svm的半监督分类进行注释，并标注开始时间和结束时间形成样本标签；

将所述开始时间和所述结束时间内的纯净哭声数据的音频片段与易混声音数据以及场景声音数据进行混合，形成混合样本以及混合样本标签，即合成的数据集；具体地，将纯净哭声数据和易混声音数据样本，根据标注的开始和结束时间，截取出相应的音频片段，然后与场景声音数据进行混合，形成新的混合样本和样本标签；所述新的混合样本包括哭声样本和非哭声样本，所述哭声样本的的标签为哭声；非哭声样本的标签为正常。

2.根据权利要求1所述的方法，其特征在于：所述实时获取待检测环境的声音数据包括：

采用拾音器对待检测环境进行录音获得音频信号；

对所述音频信号进行音频特征提取和数据增强得到声音数据。

3.根据权利要求1所述的方法，其特征在于：所述进行音频特征提取包括：

将音频信号进行预加重、分帧和加窗以及通过快速傅里叶变换得到频谱；

将所述频谱通过mel滤波器得到mel频谱；

对所述mel频谱取对数得到对数mel频谱特征。

4.根据权利要求1所述的方法，其特征在于：所述数据增强的方法包括：mixup、缩放和遮盖，所述数据增强用于消除模型的过拟合现象。

5.根据权利要求1所述的方法，其特征在于：所述输出结果为预设帧数内的音频信号是哭声的概率。

6.根据权利要求5所述的方法，其特征在于：根据所述输出结果得到是否检测到哭声的结论包括：

将所述概率与预设概率值进行比较；

若所述概率不小于所述预设概率值，则得出检测到哭声的结论；若所述概率小于所述预设概率值，则得出未检测到哭声的结论。

7.一种基于深度神经网络的哭声检测系统，其特征在于，包括：

数据获取模块，用于实时获取待检测环境的声音数据；

模型输出模块，用于将所述声音数据输入到经过合成数据训练的深度神经网络模型中得到输出结果；其中，所述经过合成数据训练的深度神经网络模型为采用纯净哭声数据、场景声音数据和易混声音数据合成的数据集训练得到的深度神经网络模型；

结论获取模块，用于根据所述输出结果得到是否检测到哭声的结论；

所述深度神经网络模型的训练步骤包括：

获取合成的数据集，所述数据集包括合成的音频信号；

根据所述合成的音频信号进行音频特征提取并进行数据增强得到深度神经网络的输入；

根据所述输入对深度神经网络模型进行训练；

所述获取合成的数据集包括：

分别获取纯净哭声数据、易混声音数据以及场景声音数据；

对所述纯净哭声数据、易混声音数据以及场景声音数据使用基于svm的半监督分类进行注释，并标注开始时间和结束时间形成样本标签；

将所述开始时间和所述结束时间内的纯净哭声数据的音频片段与易混声音数据以及场景声音数据进行混合，形成混合样本以及混合样本标签，即合成的数据集；具体地，将纯净哭声数据和易混声音数据样本，根据标注的开始和结束时间，截取出相应的音频片段，然后与场景声音数据进行混合，形成新的混合样本和样本标签；所述新的混合样本包括哭声样本和非哭声样本，所述哭声样本的的标签为哭声；非哭声样本的标签为正常。