【技術實現(xiàn)步驟摘要】
本申請涉及病患的預測裝置和方法，具體的講，涉及基于咳嗽聲音識別的病患預測裝置和方法。
技術介紹
1、目前常用的冠狀病毒檢測方式包括三種，第一種是核酸檢測，即診斷(或排除)活躍冠狀病毒感染這類檢測是用鼻咽拭子、口咽拭子或唾液樣本檢測是否存在病毒核糖核酸(rna)。核酸檢測(pcr)結果一般被視為“黃金標準”，不需要重復檢測驗證；然而在核酸檢測方法實現(xiàn)的過程中常常需要人員聚集，而人員聚集做核酸檢測非常容易發(fā)生交叉感染，如何在足不出戶的情況下進行常態(tài)化檢測，攔起第一道防線，也是應該考慮的。
2、第二種是抗原檢測，它是一種快速診斷(或排除)活躍冠狀病毒感染抗原檢測又稱快速檢測、抗原快速檢測、快速自測，用鼻咽、口咽或唾液樣本查驗病毒表面的蛋白質。測試陽性結果較準確，但陰性結果可能包括“假陰性”，即檢測時人體已經感染病毒但還沒有形成抗體，所以顯示陰性。
3、第三種是抗體檢測，該方法通過了解是否曾經感染抗體檢測又稱血清檢測，用血液樣本檢測是否已經產生抗病毒抗體。感染過病毒并痊愈的人具有不同程度的免疫力。與抗原檢測類似，抗體檢測也可能出現(xiàn)假陰性結果。
4、此外，現(xiàn)有技術提供一種基于咳嗽聲識別的病癥檢測系統(tǒng)，其包括處理器以及存儲器，所述存儲器中存儲有基于咳嗽聲識別的病癥檢測方法的控制程序，也就是說，現(xiàn)存的專利往往在無病和有病之間預測，只能識別出咳嗽有肺部病癥，卻難以具體地知道咳嗽所對應地病癥；此外，大部分現(xiàn)有專利技術網絡結構比較大，不利于在移動端(比如手機)上部署。
技術實現(xiàn)思路b>
1、本專利技術的目的在于克服上述技術問題中的一種、兩種、三種或多種，提供一種新的基于咳嗽聲音識別的病患預測方法，以助日益操勞的醫(yī)療機構更好地預測、檢測包括冠狀病毒陽性在內的與咳嗽有關的病毒、細菌感染陽性病患，也方便人們在日常生活中可以足不出戶即可實用智能設備進行是否感染例如冠狀病毒的自我預測。
2、為此，本專利技術的一些實施例提供了一種基于咳嗽聲音識別的病患預測裝置，其包括處理器以及存儲器，所述存儲器中存儲有基于咳嗽聲音識別的病患預測方法的執(zhí)行程序，該方法包括步驟s1，獲取多個待測聲音信號，其中，所述待測聲音信號由待測對象發(fā)出的待測聲音經轉換得到；步驟s2，提取每個所述待測聲音信號的恒q變換頻率倒譜系數(shù)特征得到多個待測頻率倒譜系數(shù)特征向量；步驟s3，對每個所述待測頻率倒譜系數(shù)特征向量，以時間和頻率為軸繪制其所述對應每個所述待測聲音信號的待測恒q變換特征頻譜圖；步驟s4，利用基于訓練聲音信號的包括特征卷積神經網絡模型和特征長短時記憶神經網絡模型的混合神經網絡模型對所述多個待測恒q變換特征頻譜圖進行識別，其中所述訓練聲音信號包含已知病患的咳嗽聲音信號；如果該混合神經網絡模型識別出待測恒q變換特征頻譜圖，則輸出所述待測對象的咳嗽聲音信號符合確診病患咳嗽聲音信號的預測結果。
3、在一些實施例中，獲取多個待測聲音信號的步驟s1中還包括通過對待測對象發(fā)出的聲音進行預處理以獲得所述多個待測聲音信號，其具體包括對該聲音進行分幀處理以獲得多幀的所述待測聲音樣本；然后進行加窗操作以形成連續(xù)的多個待測聲音信號。
4、在一些實施例中，提取所述待測聲音信號的待測恒q變換頻率倒譜系數(shù)特征向量進一步包括對得到的待測聲音信號進行恒q變換；對所述恒q變換結果進行進一步的對數(shù)功率處理；再進行均勻采樣；再經過離散余弦變換，得到并輸出所述待測恒q變換頻率倒譜系數(shù)特征。
5、在一些實施例中，所述步驟s4中的所述混合神經網絡模型的獲取方包括如下步驟：步驟s41，獲取多個訓練聲音信號，其中，所述訓練聲音信號由確診病患發(fā)出的咳嗽聲音經轉換得到；步驟s42，分別提取每個所述訓練聲音信號的恒q變換頻率倒譜系數(shù)特征得到多個訓練頻率倒譜系數(shù)特征向量，每個所述訓練聲音信號與每個所述訓練頻率倒譜系數(shù)特征向量一一對應；步驟s43，分別根據所述訓練頻率倒譜系數(shù)特征向量，以時間和頻率為軸分別繪制所述訓練聲音信號的多個訓練恒q變換特征頻譜圖；其中，所述訓練頻率倒譜系數(shù)特征向量與所述訓練恒q變換特征頻譜圖一一對應設置；步驟s44，通過對預設的卷積神經網絡和預設的長短時記憶神經網絡模型分別用所述多個訓練恒q變換特征頻譜圖和對應的頻率倒譜系數(shù)特征向量進行訓練，獲得基于所述訓練聲音信號的包括特征卷積神經網絡模型和長短時記憶神經網絡模型的混合神經網絡模型。
6、在一些實施例中，提取所述訓練聲音信號的訓練恒q變換頻率倒譜系數(shù)特征向量進一步包括對得到的確診病患的聲音信號進行恒q變換；對所述恒q?變換結果進行進一步的對數(shù)功率處理；再進行均勻采樣；再經過離散余弦變換，得到并輸出所述訓練恒q變換頻率倒譜系數(shù)特征向量；
7、在一些實施例中，所述特征卷積神經網絡模型使用的網絡由多層卷積神經網絡和長短時記憶神經網絡共同合并而成，所述各層卷積神經網絡由多個不同尺度的卷積組成，各所述卷積包括短時間聲音信號和長時間聲音信號的其中一種，長短時記憶神經網絡由不同個數(shù)的神經元組成。
8、在一些實施例中，用所述混合神經網絡模型預測包括將特征卷積神經網絡模型和長短時記憶神經網絡模型的輸出轉置相乘后，再用一層卷積神經網絡進行卷積，最后使用全聯(lián)接層將高維向量展平輸出預測結果，所述輸出的預測結果包括所述待測聲音信號包含咳嗽聲音且符合確診病患的咳嗽聲音信號的特征、所述待測聲音信號包含咳嗽聲音信號但不符合確診病患的咳嗽聲音信號的特征，和所述待測聲音信號不符合咳嗽聲音信號的特征，三個類別。
9、在一些實施例中，利用tfl?ite技術加載參數(shù)在所述混合神經網絡模型的部署端。
10、本申請的另一些實施例提供了基于咳嗽聲音識別的病患預測裝置，其包括聲音采集模塊，配置為在第一模式下，實時采集待測對象發(fā)出的聲音，對待測對象發(fā)出的聲音進行預處理以獲得多個待測聲音信號；提取每個所述待測聲音信號的待測恒q變換頻率倒譜系數(shù)特征向量，根據所述待測恒q變換頻率倒譜系數(shù)特征向量以時間和頻率為軸繪制所述待測聲音信號的待測恒q?變換特征頻譜圖；以及在第二模式下對病患發(fā)出的咳嗽聲音進行預處理以獲得多個訓練聲音信號，并提取每個所述訓練聲音信號的訓練恒q變換頻率倒譜系數(shù)特征向量；根據所述訓練恒q變換頻率倒譜系數(shù)特征向量以時間和頻率為軸繪制所述訓練聲音信號的訓練恒q變換特征頻譜圖；模型訓練模塊，配置為通過多個所述訓練恒q變換特征頻譜圖對預設的卷積神經網絡模型進行訓練，獲得特征卷積神經網絡模型；對預設的長短時記憶神經網絡模型進行訓練，獲得特征長短時記憶神經網絡模型；模型預測模塊，配置為利用所述特征卷積神經網絡模型和所述特征長短時記憶神經網絡模型組成的混合神經網絡模型對所述待測恒q變換特征頻譜圖進行識別，當所述混合神經網絡模型成功識別所述待測恒q變換特征頻譜圖時則輸出所述待測對象的咳嗽聲音信號符合確診病患咳嗽聲音信號的預測結果。
11、本申請的又一些實施例提供了基于咳嗽聲音識別的病患預測方法，該方法包括步驟s1，實時獲取多個待測聲音信號，其中，所述待測聲音信號由待測對本文檔來自技高網...
【技術保護點】
1.基于咳嗽聲音識別的病患預測裝置，其包括處理器以及存儲器，所述存儲器中存儲有基于咳嗽聲音識別的病患預測方法的執(zhí)行程序，其特征在于：該方法包括步驟
2.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：獲取多個待測聲音信號的步驟S1中還包括通過對待測對象發(fā)出的聲音進行預處理以獲得所述多個待測聲音信號，其具體包括對該聲音進行分幀處理以獲得多幀的所述待測聲音樣本；然后進行加窗操作以形成連續(xù)的多個待測聲音信號。
3.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：提取所述待測聲音信號的待測恒Q變換頻率倒譜系數(shù)特征向量進一步包括對得到的待測聲音信號進行恒Q變換；對所述恒Q變換結果進行進一步的對數(shù)功率處理；再進行均勻采樣；再經過離散余弦變換，得到并輸出所述待測恒Q變換頻率倒譜系數(shù)特征。
4.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：所述步驟S4中的所述混合神經網絡模型的獲取方包括如下步驟：
5.根據權利要求4所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：提取所述訓練聲音信號的訓練恒Q變換
6.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：所述特征卷積神經網絡模型使用的網絡由多層卷積神經網絡和長短時記憶神經網絡共同合并而成，所述各層卷積神經網絡由多個不同尺度的卷積組成，各所述卷積包括短時間聲音信號和長時間聲音信號的其中一種，長短時記憶神經網絡由不同個數(shù)的神經元組成。
7.根據權利要求6所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：用所述混合神經網絡模型預測包括將特征卷積神經網絡模型和長短時記憶神經網絡模型的輸出轉置相乘后，再用一層卷積神經網絡進行卷積，最后使用全聯(lián)接層將高維向量展平輸出預測結果，所述輸出的預測結果包括所述待測聲音信號包含咳嗽聲音且符合確診病患的咳嗽聲音信號的特征、所述待測聲音信號包含咳嗽聲音信號但不符合確診病患的咳嗽聲音信號的特征，和所述待測聲音信號不符合咳嗽聲音信號的特征，三個類別。
8.根據權利要求1至7中任意一項的所述的基于咳嗽聲音識別的病患預測裝置，其特征在于，利用tflite技術加載參數(shù)在所述混合神經網絡模型的部署端。
9.基于咳嗽聲音識別的病患預測裝置，其特征在于：包括
10.基于咳嗽聲音識別的病患預測方法，其特征在于，該方法包括
...【技術特征摘要】
1.基于咳嗽聲音識別的病患預測裝置，其包括處理器以及存儲器，所述存儲器中存儲有基于咳嗽聲音識別的病患預測方法的執(zhí)行程序，其特征在于：該方法包括步驟
2.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：獲取多個待測聲音信號的步驟s1中還包括通過對待測對象發(fā)出的聲音進行預處理以獲得所述多個待測聲音信號，其具體包括對該聲音進行分幀處理以獲得多幀的所述待測聲音樣本；然后進行加窗操作以形成連續(xù)的多個待測聲音信號。
3.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：提取所述待測聲音信號的待測恒q變換頻率倒譜系數(shù)特征向量進一步包括對得到的待測聲音信號進行恒q變換；對所述恒q變換結果進行進一步的對數(shù)功率處理；再進行均勻采樣；再經過離散余弦變換，得到并輸出所述待測恒q變換頻率倒譜系數(shù)特征。
4.根據權利要求1所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：所述步驟s4中的所述混合神經網絡模型的獲取方包括如下步驟：
5.根據權利要求4所述的基于咳嗽聲音識別的病患預測裝置，其特征在于：提取所述訓練聲音信號的訓練恒q變換頻率倒譜系數(shù)特征向量進一步包括對得到的確診病患的聲音信號進行恒q變換；對所述恒q變換結果進行進一步的對數(shù)功率處理；再進行均勻采樣；再經過離...
【專利技術屬性】
技術研發(fā)人員：單華鋒，丁少康，張建煒，潘友月，
申請(專利權)人：麒盛科技股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。