[發(fā)明專利]基于語音的疾病預(yù)警方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111229792.6
• 申請(qǐng)日: 2021-10-22
• 公開（公告）號(hào): CN113935330A
• 公開（公告）日: 2022-01-14
• 發(fā)明（設(shè)計(jì)）人: 高良心;葉苓;黃凌云;劉玉宇;肖京
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F40/30
• 分類號(hào): G06F40/30;G06F40/211;G06K9/62;G08B31/00;G10L25/51;G16H50/30
• 代理公司: 北京市京大律師事務(wù)所 11321
• 代理人: 姚維

1.一種基于語音的疾病預(yù)警方法，其特征在于，所述基于語音的疾病預(yù)警方法包括：

收集用戶的原始語音數(shù)據(jù)，并對(duì)所述原始語音數(shù)據(jù)進(jìn)行采樣，得到目標(biāo)語音數(shù)據(jù)；

對(duì)所述目標(biāo)語音數(shù)據(jù)進(jìn)行切片處理，得到預(yù)設(shè)數(shù)量個(gè)語音片段；

將所述預(yù)設(shè)數(shù)量個(gè)語音片段輸入預(yù)置深度學(xué)習(xí)語言模型進(jìn)行編碼轉(zhuǎn)換，得到所述語音片段的語義特征編碼信息；

將所述語義特征編碼信息輸入預(yù)置的意圖識(shí)別模型中，經(jīng)所述意圖識(shí)別模型中的第一Transformer網(wǎng)絡(luò)提取所述語義特征編碼信息中的目標(biāo)特征，得到所述語義特征編碼信息對(duì)應(yīng)的目標(biāo)語義特征；

基于所述目標(biāo)語義特征，利用所述意圖識(shí)別模型中的第二Transformer網(wǎng)絡(luò)提取上下文特征，得到對(duì)應(yīng)的上下文語義特征；

將所述目標(biāo)語義特征和所述上下文語義特征輸入所述第二Transformer網(wǎng)絡(luò)的特征融合層進(jìn)行特征融合，得到待分類特征，并將所述待分類特征輸入預(yù)設(shè)分類器進(jìn)行意圖預(yù)測，得到預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于語音的疾病預(yù)警方法，其特征在于，所述對(duì)所述目標(biāo)語音數(shù)據(jù)進(jìn)行切片處理，得到預(yù)設(shè)數(shù)量個(gè)語音片段包括：

生成所述目標(biāo)語音數(shù)據(jù)的波形圖；

根據(jù)所述波形圖中的語音波形，確定所述目標(biāo)語音數(shù)據(jù)中的停頓；

根據(jù)所述目標(biāo)語音數(shù)據(jù)中的停頓，對(duì)所述目標(biāo)語音數(shù)據(jù)分割，得到預(yù)設(shè)數(shù)量個(gè)語音片段。

3.根據(jù)權(quán)利要求2所述的基于語音的疾病預(yù)警方法，其特征在于，所述根據(jù)所述目標(biāo)語音數(shù)據(jù)中的停頓，對(duì)所述目標(biāo)語音數(shù)據(jù)分割，得到預(yù)設(shè)數(shù)量個(gè)語音片段包括：

基于語音識(shí)別技術(shù)對(duì)所述目標(biāo)語音數(shù)據(jù)進(jìn)行識(shí)別，以生成所述目標(biāo)語音數(shù)據(jù)對(duì)應(yīng)的模糊文本；

調(diào)用預(yù)置分詞算法對(duì)所述目標(biāo)語音數(shù)據(jù)對(duì)應(yīng)的模糊文本進(jìn)行分詞；

根據(jù)所述目標(biāo)語音數(shù)據(jù)中的停頓和分詞結(jié)果，對(duì)所述目標(biāo)語音數(shù)據(jù)進(jìn)行分割，得到預(yù)設(shè)數(shù)量個(gè)語音片段。

4.根據(jù)權(quán)利要求1所述的基于語音的疾病預(yù)警方法，其特征在于，在所述將所述語義特征編碼信息輸入預(yù)置的意圖識(shí)別模型中，經(jīng)所述意圖識(shí)別模型中的第一Transformer網(wǎng)絡(luò)提取所述語義特征編碼信息中的目標(biāo)特征，得到所述語義特征編碼信息對(duì)應(yīng)的目標(biāo)語義特征之前，還包括：

構(gòu)建初始意圖識(shí)別模型，獲取訓(xùn)練樣本集，并將所述設(shè)訓(xùn)練樣本集中的每個(gè)樣本文本輸入所述初始意圖識(shí)別模型；

根據(jù)每個(gè)所述樣本文本對(duì)應(yīng)的每個(gè)樣本文本區(qū)域的樣本區(qū)域向量、樣本區(qū)域拼音向量以及樣本區(qū)域標(biāo)簽向量，通過所述初始意圖識(shí)別模型，確定所有所述樣本文本的預(yù)測意圖值；

基于所有所述樣本文本的預(yù)測意圖值以及所有樣本文本的真實(shí)意圖值，計(jì)算所述初始意圖識(shí)別模型的損失值；

在所述損失值未達(dá)到預(yù)設(shè)的收斂條件時(shí)，更新迭代所述初始意圖識(shí)別模型的第一初始參數(shù)，直至所述損失值達(dá)到所述預(yù)設(shè)的收斂條件時(shí)，得到目標(biāo)意圖識(shí)別模型，其中，所述意圖識(shí)別模型包括第一Transformer網(wǎng)絡(luò)、第二Transformer網(wǎng)絡(luò)、分別連接所述第一Transformer網(wǎng)絡(luò)和所述第二Transformer網(wǎng)絡(luò)的特征融合層以及連接所述特征融合層的分類器。

5.根據(jù)權(quán)利要求1所述的基于語音的疾病預(yù)警方法，其特征在于，所述將所述語義特征編碼信息輸入預(yù)置的意圖識(shí)別模型中，經(jīng)所述意圖識(shí)別模型中的第一Transformer網(wǎng)絡(luò)提取所述語義特征編碼信息中的目標(biāo)特征，得到所述語義特征編碼信息對(duì)應(yīng)的目標(biāo)語義特征包括：

將所述語義特征編碼信息與一預(yù)設(shè)標(biāo)識(shí)符進(jìn)行拼接，得到第一拼接字符串；

對(duì)所述第一拼接字符串中每一字符進(jìn)行向量轉(zhuǎn)化，得到第一初始向量；

采用所述第一自注意力模塊對(duì)所述第一初始向量進(jìn)行處理，得到所述第一自注意力模塊輸出的第一中間向量；

對(duì)所述第一中間向量進(jìn)行線性加權(quán)以及歸一化處理，得到第一目標(biāo)向量；

將所述第一目標(biāo)向量中所述預(yù)設(shè)標(biāo)識(shí)符對(duì)應(yīng)的行向量作為所述目標(biāo)語義特征。