[發明專利]一種消防員呼吸聲音監測耳機及其身體狀態評估方法

有效

• 申請號: 201810933197.2
• 申請日: 2018-08-16
• 公開（公告）號: CN109326355B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 劉半藤;陳友榮;陸枇倫;胡聰;王章權;蘇子漪
• 申請（專利權）人: 浙江樹人學院
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H40/67;G06K9/00;G10L25/03;G10L25/30;G10L25/66
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種消防員呼吸聲音監測耳機實現的消防員身體狀態評估方法，其特征在于，所述方法包括以下步驟：

1)程序初始化，且令幀長N_f＝512，幀移N_y為256；

2)讀取樣本聲音，利用公式(1)的分幀函數對本地樣本聲音數據進行分幀，且令當前幀序號k＝1；

x(n)＝x_s((n+(k-1)N_y)w(n),0≤n≤N_f-1 (1)

其中，x(n)表示聲音分幀后第n個數據，x_s(n)表示聲音的第n個數據，N_y表示幀移，N_f表示幀長，k表示幀序號，w(n)表示漢寧窗的第n個數據，表示為

3)對第k個幀聲音數據進行小波閾值去噪，去除信號噪聲；

4)對小波去噪后的第k個幀聲音數據進行歸一化；

5)對歸一化后的第k個幀聲音數據進行初始特征參數提取，獲得其初始特征參數；

6)如果k≤N_t，其中N_t表示聲音幀的總個數，則k＝k+1，跳到步驟3)，否則如果當前處理對象是樣本聲音，判斷是否處理完樣本聲音，如果還存在未處理的樣本聲音，則跳到步驟2)，否則獲得樣本聲音的所有幀的初始特征參數T，跳到步驟7)，否則跳到步驟9)；

7)采用Fisher降維方法，對樣本聲音的所有幀的初始特征參數T進行降維，獲得該樣本聲音的特征向量；

8)根據聲音樣本特征向量，進行神經網絡模型的訓練；

9)每隔設定時間段，詢問消防員的當前作戰情況；如果接收到消防人員語音回復，采用離線語音識別方法將消防人員的語音信息轉換成文字信息，將識別文字信息存到存儲器中，確認當前消防員身體狀態正常，重新跳到步驟9)，否則跳到步驟10)；

10)采集消防人員的設定時長的呼吸聲音，對聲音進行分幀、小波去躁、歸一化、特征向量提取操作，獲得該呼吸聲音的初始特征參數T_s，計算T_s×V′，其中V′表示降維特征向量矩陣，獲得該呼吸聲音的特征向量；

11)根據訓練好的神經網絡模型，通過公式(19)，計算微弱、運動、疲倦和環境四類狀態的識別值；根據R的值，選擇最大元素且其大于設定閾值時，則判斷該聲音為相對的狀態，記錄該狀態的時間；

其中R是一個1×n維的向量，表示θ¹的第j個元素，表示θ²的第k個元素，θ¹表示隱含層神經元的閾值參數，θ²表示輸出層神經元的閾值參數，表示輸入層與隱含層神經元間的網絡權值矩陣W¹中的第i行第j列元素，表示輸入層與隱含層神經元間的網絡權值矩陣W²中的第k行第j列元素，h(·)表示隱含層的傳遞函數，g(·)表示輸出層的傳遞函數；

12)更新樣本的特征向量；

13)根據統計采集時間、各個狀態的時間，通過公式(20)計算評價分數，如果評價分數大于設定值，則通過語音向消防員發出預警信號，通過窄帶物聯網模塊上報該消防員的身體狀態；如果用戶沒有結束身體狀態評估功能，則跳到步驟14)，否則結束，退出；

14)如果樣本特征向量發生變化，跳到步驟8)，重新進行模型學習，更新相關參數，否則跳到步驟9)。

2.如權利要求1所述的消防員身體狀態評估方法，其特征在于，所述步驟3)中，所述小波閾值去噪方法包含如下步驟：

(3.1)選擇db4小波基，并設定小波分解層數為4層；

(3.2)對聲音信號x(n)進行4層小波分解，可得小波系數；

(3.3)如果每一層高頻小波系數的絕對值小于閾值λ，則該小波系數變為0，否則保持不變，最終輸出處理后的小波系數；

其中，C_N表示第N層高頻小波系數，λ表示閾值；

(3.4)根據小波分解得到的低頻系數和經過處理的高頻小波系數，進行小波反變換重構聲音信號，最終可得到去噪后的聲音信號。