[发明专利]基于HMM的失语症患者语音识别算法及装置

说明书

本发明公开了基于HMM的失语症患者语音识别算法及装置，涉及语音识别技术领域；算法包括S1获得HMM模型，获得HMM模型；S2语音识别，基于上一步骤获得的获得HMM模型，识别语音；装置包括获得HMM模型模块，用于控制器获得HMM模型；语音识别模块，用于控制器基于HMM模型，识别语音；其通过获得HMM模型模块和语音识别模块等，实现语音识别效果较好。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种基于HMM的失语症患者语音识别算法及装置。

背景技术

国外的语音识别在1952年开始兴起，起初在贝尔实验，Davia等人对英文数字0 到9的发音进行识别，成为世界上第一个识别系统。之后开启语音识别的日程，接着增加到了小的词汇和单个单词的识别，1956年普林斯顿大学中的RCA实验室对10 个单音节单词的语音识别系统。1959年，伦敦大学对4个元音和9个辅音进行识别。同时，麻省理工对10个元音进行识别。1964年RCA实验室提出时间规整机制，但是Vintsyuk提出了动态时间规整(DTW)算法。1988年左右IBM和微软推出了语音识别的相关软件，但是都失败了。到了20世纪70年代，语音识别有了实质性的发展，隐马尔科夫技术(HMM)的开发。2006年Hinton提出了深度置信网络(DBN)，研究深度神经网络(DNN)得到复苏。2009年，开始深度学习技术的研究，其中DNN 成为主流，语音识别准确率突破90％，Google推出了语音搜索功能。2011年，苹果公司推出了与siri人机互动功能。2017年，Google的语音识别准确率高达95％。在发音标准的情况下，语音识别的错误率仅为2％，即准确率达到98％。

国外失语症康复治疗方面已经相当成熟。1819年，Deleuze提出失语症特征有语法缺失。20世纪40年代，语言学家Jakobson将失语症归纳在语言学研究。1861年 Broca发现左脑第三额回后部专门负责语言。1916年，Kleist把失语症分为语法缺失和语法错乱。随着社会的发展，计算机辅助治疗失语症在国外相当成熟，德国和法国等其他国家已经研发了关于失语症患者康复语言训练自己国家母语的设备，如实物图片命名、图和词进行搭配、文章阅读等软件。由于国内语法与国外语法不同，所以不能直接使用和借鉴。但是计算机辅助康复治疗的核心一样都是语音识别。

结合上述现有的技术方案，发明人分析发现在现有技术方案中存在语音识别效果较差技术问题。

现有技术问题及思考：

如何解决语音识别效果较差的技术问题。

发明内容

本发明所要解决的技术问题是提供一种基于HMM的失语症患者语音识别算法及装置，解决语音识别效果较差的技术问题。

为解决上述技术问题，本发明所采取的技术方案是：一种基于HMM的失语症患者语音识别算法包括如下步骤，S1获得HMM模型，获得HMM模型；S2语音识别，基于上一步骤获得的获得HMM模型，识别语音。

进一步的技术方案在于：在步骤S1中，基于K均值算法进行改进，采用动态改变模型参数，获得更大范围的最优解，K均值算法是聚类算法，K均值为从样本中选择样本的聚簇中心值，计算剩下的样值和中心值的矢量距离的模值，当做最小的聚簇中，得到一系列的簇，然后计算中心值，然后继续执行上面几步，不停的迭代，一直到稳定为止。

一种基于HMM的失语症患者语音识别装置包括如下程序模块，获得HMM模型模块，用于控制器获得HMM模型；语音识别模块，用于控制器基于HMM模型，识别语音。

进一步的技术方案在于：获得HMM模型模块，还用于控制器基于K均值算法，采用动态改变模型参数，获得更大范围的最优解。

进一步的技术方案在于：获得HMM模型模块，还用于K均值算法是聚类算法， K均值为从样本中选择样本的聚簇中心值，计算剩下的样值和中心值的矢量距离的模值，当做最小的聚簇中，得到一系列的簇，然后计算中心值，然后继续执行上面几步，不停的迭代，一直到稳定为止。