[发明专利]基于咳嗽声识别的病症检测方法及其相关设备在审
申请号: | 202011298720.2 | 申请日: | 2020-11-18 |
公开(公告)号: | CN112472065A | 公开(公告)日: | 2021-03-12 |
发明(设计)人: | 魏敢;潘丹;邓健;蔡重芪 | 申请(专利权)人: | 天机医用机器人技术(清远)有限公司 |
主分类号: | A61B5/08 | 分类号: | A61B5/08;G01H17/00;G06K9/62;G06N3/04;G06N3/08;G16H50/20 |
代理公司: | 广州高炬知识产权代理有限公司 44376 | 代理人: | 高雁 |
地址: | 511500 广东省清远市高新区创兴大道1*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 咳嗽 识别 病症 检测 方法 及其 相关 设备 | ||
1.一种基于咳嗽声识别的病症检测方法,其特征在于,该方法包括以下步骤:
步骤S1,实时获取待测声音信息,并提取所述待测声音信息的特征梅尔频率倒谱系数;其中,所述待测声音信息由被检测对象发出;
步骤S2,根据特征梅尔频率倒谱系数,以时间和频率为轴绘制特征梅尔频谱图;
步骤S3,利用特征卷积神经网络模型对所述特征梅尔频谱图进行识别,根据识别结果输出病症诊断结果;其中,所述特征卷积神经网络模型的获取方法包括如下步骤:
步骤S1a,获取多个训练声音信息,分别提取多个所述训练声音信息的训练梅尔频率倒谱系数;其中,所述训练声音信息由病患者发出,所述训练声音信息与所述训练梅尔频率倒谱系数一一对应设置;
步骤S2a,分别根据多个训练梅尔频率倒谱系数,且以时间和频率为轴分别绘制多个训练梅尔频谱图;其中,所述训练梅尔频率倒谱系数与所述训练梅尔频谱图一一对应设置;
步骤S3a,通过预设的卷积神经网络对多个所述训练梅尔频谱图进行训练,获得所述特征卷积神经网络模型。
2.根据权利要求1所述的基于咳嗽声识别的病症检测方法,其特征在于,在所述步骤S3中,若所述特征卷积神经网络模型成功识别所述特征梅尔频谱图,则输出确证病症结果,若所述特征卷积神经网络模型无法识别所述特征梅尔频谱图,则输出未确证病症结果。
3.根据权利要求1所述的基于咳嗽声识别的病症检测方法,其特征在于,在所述步骤S1包括以下步骤:
实时采集被检测对象发出的咳嗽声音,对该咳嗽声音进行分帧处理以获得多帧的待测声音样本;其中,每帧所述待测声音样本的时间长度为2-5秒;
对所述待测声音样本进行降噪处理以获得所述待测声音信息;
对所述待测声音信息进行傅里叶变换处理以获得特征梅尔频率倒谱系数;和/或,
在所述步骤S1a包括以下步骤:
实时采集病患者发出的咳嗽声音,对该咳嗽声音进行分帧处理以获得多帧的所述训练声音样本;其中,每帧所述训练声音样本的时间长度为2-5秒;
对所述训练声音样本进行降噪处理,以获得所述训练声音信息;
对所述训练声音信息行傅里叶变换处理以获得训练梅尔频率倒谱系数。
4.根据权利要求1所述的基于咳嗽声识别的病症检测方法,其特征在于,所述步骤S3a中,所述特征卷积神经网络模型由多个inception层共同合并而成,各inception层由多个不同尺度的卷积组成,各所述卷积包括短时间声音信息和长时间声音信息的其中一种。
5.一种基于咳嗽声识别的病症检测系统,其特征在于,其包括:
声音采集模块,用于实时采集被检测对象或病患者发出的咳嗽声音;
数据处理模块,用于对被检测对象发出的咳嗽声音进行预处理以获得待测声音信息,并提取所述待测声音信息的特征梅尔频率倒谱系数,或对病患者发出的咳嗽声音进行预处理以获得训练声音信息,并提取所述训练声音信息的训练梅尔频率倒谱系数;用于根据特征梅尔频率倒谱系数,以时间和频率为轴绘制特征梅尔频谱图,或分别根据多个训练梅尔频率倒谱系数,且以时间和频率为轴分别绘制多个训练梅尔频谱图;
模型训练模块,用于通过预设的卷积神经网络对多个所述训练梅尔频谱图进行训练,获得所述卷积神经网络模型;以及,
判断识别模块,用于利用特征卷积神经网络模型对所述特征梅尔频谱图进行识别,并根据识别结果输出病症诊断结果。
6.根据权利要求4所述的指纹检测装置,其特征在于,所述判断识别模块,用于当所述特征卷积神经网络模型成功识别所述特征梅尔频谱图,则输出确证病症结果,当所述特征卷积神经网络模型无法识别所述特征梅尔频谱图,则输出未确证病症结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天机医用机器人技术(清远)有限公司,未经天机医用机器人技术(清远)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011298720.2/1.html,转载请声明来源钻瓜专利网。