[發明專利]基于咳嗽聲識別的病癥檢測方法及其相關設備

在審

• 申請號: 202011298720.2
• 申請日: 2020-11-18
• 公開（公告）號: CN112472065A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 魏敢;潘丹;鄧健;蔡重芪
• 申請（專利權）人: 天機醫用機器人技術（清遠）有限公司
• 主分類號: A61B5/08
• 分類號: A61B5/08;G01H17/00;G06K9/62;G06N3/04;G06N3/08;G16H50/20
• 代理公司: 廣州高炬知識產權代理有限公司 44376
• 代理人: 高雁

1.一種基于咳嗽聲識別的病癥檢測方法，其特征在于，該方法包括以下步驟：

步驟S1，實時獲取待測聲音信息，并提取所述待測聲音信息的特征梅爾頻率倒譜系數；其中，所述待測聲音信息由被檢測對象發出；

步驟S2，根據特征梅爾頻率倒譜系數，以時間和頻率為軸繪制特征梅爾頻譜圖；

步驟S3，利用特征卷積神經網絡模型對所述特征梅爾頻譜圖進行識別，根據識別結果輸出病癥診斷結果；其中，所述特征卷積神經網絡模型的獲取方法包括如下步驟：

步驟S1a，獲取多個訓練聲音信息，分別提取多個所述訓練聲音信息的訓練梅爾頻率倒譜系數；其中，所述訓練聲音信息由病患者發出，所述訓練聲音信息與所述訓練梅爾頻率倒譜系數一一對應設置；

步驟S2a，分別根據多個訓練梅爾頻率倒譜系數，且以時間和頻率為軸分別繪制多個訓練梅爾頻譜圖；其中，所述訓練梅爾頻率倒譜系數與所述訓練梅爾頻譜圖一一對應設置；

步驟S3a，通過預設的卷積神經網絡對多個所述訓練梅爾頻譜圖進行訓練，獲得所述特征卷積神經網絡模型。

2.根據權利要求1所述的基于咳嗽聲識別的病癥檢測方法，其特征在于，在所述步驟S3中，若所述特征卷積神經網絡模型成功識別所述特征梅爾頻譜圖，則輸出確證病癥結果，若所述特征卷積神經網絡模型無法識別所述特征梅爾頻譜圖，則輸出未確證病癥結果。

3.根據權利要求1所述的基于咳嗽聲識別的病癥檢測方法，其特征在于，在所述步驟S1包括以下步驟：

實時采集被檢測對象發出的咳嗽聲音，對該咳嗽聲音進行分幀處理以獲得多幀的待測聲音樣本；其中，每幀所述待測聲音樣本的時間長度為2-5秒；

對所述待測聲音樣本進行降噪處理以獲得所述待測聲音信息；

對所述待測聲音信息進行傅里葉變換處理以獲得特征梅爾頻率倒譜系數；和/或，

在所述步驟S1a包括以下步驟：

實時采集病患者發出的咳嗽聲音，對該咳嗽聲音進行分幀處理以獲得多幀的所述訓練聲音樣本；其中，每幀所述訓練聲音樣本的時間長度為2-5秒；

對所述訓練聲音樣本進行降噪處理，以獲得所述訓練聲音信息；

對所述訓練聲音信息行傅里葉變換處理以獲得訓練梅爾頻率倒譜系數。

4.根據權利要求1所述的基于咳嗽聲識別的病癥檢測方法，其特征在于，所述步驟S3a中，所述特征卷積神經網絡模型由多個inception層共同合并而成，各inception層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息和長時間聲音信息的其中一種。

5.一種基于咳嗽聲識別的病癥檢測系統，其特征在于，其包括：

聲音采集模塊，用于實時采集被檢測對象或病患者發出的咳嗽聲音；

數據處理模塊，用于對被檢測對象發出的咳嗽聲音進行預處理以獲得待測聲音信息，并提取所述待測聲音信息的特征梅爾頻率倒譜系數，或對病患者發出的咳嗽聲音進行預處理以獲得訓練聲音信息，并提取所述訓練聲音信息的訓練梅爾頻率倒譜系數；用于根據特征梅爾頻率倒譜系數，以時間和頻率為軸繪制特征梅爾頻譜圖，或分別根據多個訓練梅爾頻率倒譜系數，且以時間和頻率為軸分別繪制多個訓練梅爾頻譜圖；

模型訓練模塊，用于通過預設的卷積神經網絡對多個所述訓練梅爾頻譜圖進行訓練，獲得所述卷積神經網絡模型；以及，

判斷識別模塊，用于利用特征卷積神經網絡模型對所述特征梅爾頻譜圖進行識別，并根據識別結果輸出病癥診斷結果。

6.根據權利要求4所述的指紋檢測裝置，其特征在于，所述判斷識別模塊，用于當所述特征卷積神經網絡模型成功識別所述特征梅爾頻譜圖，則輸出確證病癥結果，當所述特征卷積神經網絡模型無法識別所述特征梅爾頻譜圖，則輸出未確證病癥結果。