[发明专利]基于混合神经网络的婴儿啼哭声意图识别方法及装置

说明书

本发明涉及语音识别技术领域，本发明旨在解决现有的自动识别婴儿哭闹原因的算法存在识别准确率不高的问题，提出一种基于混合神经网络的婴儿啼哭声意图识别方法及装置，其主要的技术构思为：获取包含婴儿啼哭声的音频数据及其对应的意图概率的数据集；建立基于CNN+DNN神经网络的意图识别模型；根据所述数据集对基于CNN+DNN神经网络的意图识别模型进行训练；根据训练好的基于CNN+DNN神经网络的意图识别模型对待识别婴儿啼哭声的音频数据进行意图识别。本发明提高了婴儿啼哭声意图识别的准确性。

技术领域

本发明涉及语音识别技术领域，具体来说涉及一种基于混合神经网络的婴儿啼哭声意图识别方法及装置。

背景技术

随着近些年来人工智能领域以及语音技术的发展，使得婴儿啼哭声意图识别成为了可能，通过自动识别婴儿哭闹原因的算法，能够让家长更容易理解婴儿哭声的具体含义，从而帮助婴儿更加健康的成长。

现有技术中的自动识别婴儿哭闹原因的算法大多是利用了MFCC特征参数来实现的。例如，基于码本的婴儿哭闹原因识别算法、基于神经网络的婴儿哭闹原因识别算法、基于MFCC特征参数的深度学习婴儿哭闹原因识别算法等，但是由于每种网络模型在不同限制因素下具有不同的优缺点，使得传统的自动识别婴儿哭闹原因的算法存在识别准确率不高的问题。

发明内容

本发明旨在解决现有的自动识别婴儿哭闹原因的算法存在识别准确率不高的问题，提出一种基于混合神经网络的婴儿啼哭声意图识别方法及装置。

本发明解决上述技术问题所采用的技术方案是：基于混合神经网络的婴儿啼哭声意图识别方法，包括以下步骤：

步骤1、获取包含婴儿啼哭声的音频数据及其对应的意图概率的数据集；

步骤2、建立基于CNN+DNN神经网络的意图识别模型；

步骤3、根据所述数据集对基于CNN+DNN神经网络的意图识别模型进行训练；

步骤4、根据训练好的基于CNN+DNN神经网络的意图识别模型对待识别婴儿啼哭声的音频数据进行意图识别。

进一步的，所述数据集中的音频数据和待识别婴儿啼哭声的音频数据均是经过预处理转化之后得到的特征矩阵。

进一步的，所述预处理包括：对音频数据进行分帧后将其转换为pkl格式的音频数据，对所述pkl格式的音频数据参照MFCC梅尔频率倒谱系数的方式提取特征，并通过快速傅里叶变换、取平方值和梅尔滤波，得到梅尔频谱，最后形成特征矩阵。

进一步的，所述基于CNN+DNN神经网络的意图识别模型的前段为包括15个残差网络模块的CNN模型，所述基于CNN+DNN神经网络的意图识别模型的后段为包括3个隐藏层的DNN模型。

进一步的，所述建立基于CNN+DNN神经网络的意图识别模型的方法包括：

依次设置第一卷积层、第一最大池化层、15个串联的残差网络模块、第二池化层、第二卷积层、序列化降维模块、3个隐藏层和输出层；

所述第一卷积层包括16个3×3的卷积核，卷积步长为1，激活函数为ReLU；所述第一最大池化层的大小为3×3，步长为2，填充为1；所述残差网络模块的卷积核的数量依次为{16，16，16，16，16，16，32，32，32，32，32，32，64，64，64}，残差网络模块的步长依次为：{1，1，1，2，1，1，2，1，1，2，1，1，1，1，1}；所述第一最大池化层大小为2×2，步长为2；所述第二卷积层包括32个1×3的卷积核，卷积步长为[3,1]，激活函数为ReLU；所述序列化降维模块用于对数据进行序列化降维后输入至DNN模型；所述隐藏层的激活函数均为ReLU；所述输出层的激活函数为SOFTMAX。

进一步的，每个残差网络模块中包括3个串联的第三卷积层和一个直接与残差网络模块的输入端连接的第四卷积层；