【技术实现步骤摘要】
基于深度学习的肠鸣音识别方法及相关装置
本申请涉及肠鸣音识别
,具体涉及一种基于深度学习的肠鸣音识别方法及相关装置。
技术介绍
肠鸣音指的是当肠管蠕动时,肠腔内空气和液体随之流动,产生一种断续的气过水声(或咕噜声)。由于正常情况和患病情况的肠鸣音是不同的,因此可以利用肠鸣音辅助医生诊断肠病患者。目前,识别肠鸣音类型通过将待识别对象的肠鸣音特征与肠鸣音类型库进行比对,进而得到待识别对象的肠鸣音类型。由于每个人的肠鸣音存在差别,因此现有的肠鸣音识别方法准确性低。
技术实现思路
本申请实施例提供一种基于深度学习的肠鸣音识别方法及相关装置,用于识别待识别对象的肠鸣音类型,提高了肠鸣音识别的准确性。第一方面,本申请实施例提供一种基于深度学习的肠鸣音识别方法,所述方法包括:通过可穿戴设备获取待识别对象的肠鸣音数据;对所述肠鸣音数据执行音频处理操作,得到所述肠鸣音数据对应的语音帧序列;将所述语音帧序列输入肠鸣音识别模型进行处理,输出所述语音帧序列对应的目标肠鸣音类型,所述肠鸣音识别模型用于确定语音帧序列对应的肠鸣音类型。第二方面,本申请实施例提供一种基于深度学习的肠鸣音识别装置,所述装置包括:获取单元,用于通过可穿戴设备获取待识别对象的肠鸣音数据;音频处理单元,用于对所述肠鸣音数据执行音频处理操作,得到所述肠鸣音数据对应的语音帧序列;确定单元,用于将所述语音帧序列输入肠鸣音识别模型进行处理,输出所述语音帧序列对应的目标肠鸣音类型,所述肠鸣音识别模型用于确定语音帧序列对应的肠鸣音类型。第三方面,本申请实施例提供一种服务器,包括处理器、存储器、通信接口,以及一个或多个程序 ...
【技术保护点】
1.一种基于深度学习的肠鸣音识别方法,其特征在于,所述方法包括:通过可穿戴设备获取待识别对象的肠鸣音数据;对所述肠鸣音数据执行音频处理操作,得到所述肠鸣音数据对应的语音帧序列;将所述语音帧序列输入肠鸣音识别模型进行处理,输出所述语音帧序列对应的目标肠鸣音类型,所述肠鸣音识别模型用于确定语音帧序列对应的肠鸣音类型。
【技术特征摘要】
1.一种基于深度学习的肠鸣音识别方法,其特征在于,所述方法包括:通过可穿戴设备获取待识别对象的肠鸣音数据;对所述肠鸣音数据执行音频处理操作,得到所述肠鸣音数据对应的语音帧序列;将所述语音帧序列输入肠鸣音识别模型进行处理,输出所述语音帧序列对应的目标肠鸣音类型,所述肠鸣音识别模型用于确定语音帧序列对应的肠鸣音类型。2.根据权利要求1所述的方法,其特征在于,所述通过可穿戴设备获取待识别对象的肠鸣音数据,包括:向所述可穿戴设备发送请求信息,所述请求信息用于指示所述可穿戴设备反馈所述待识别对象的肠鸣音声音信号,所述肠鸣音声音信号的时长为预设时长范围;接收所述可穿戴设备针对所述请求信息发送的第一肠鸣音声音信号,所述第一肠鸣音声音信号的时长为第一时长,所述第一时长处于所述预设时长范围;将所述第一肠鸣音声音信号转换为第一肠鸣音数字信号,所述第一肠鸣音数字信号的时长为所述第一时长;将所述第一肠鸣音数字信号作为所述肠鸣音数据。3.根据权利要求2所述的方法,其特征在于,所述对所述肠鸣音数据执行音频处理操作,得到所述肠鸣音数据对应的语音帧序列,包括:调用预先存储的语音去噪算法;根据所述语音去噪算法对所述肠鸣音数据进行语音去噪,得到所述肠鸣音数据对应的第一肠鸣音数据;对所述第一肠鸣音数据执行音频分段操作,得到所述第一肠鸣音数据对应的至少一个语音帧,每个语音帧的时长为第二时长,所述第二时长小于所述第一时长,所述每个语音帧包括64个频率分量;将所述至少一个语音帧组成的序列作为所述语音帧序列。4.根据权利要求3所述的方法,其特征在于,所述将所述语音帧序列输入肠鸣音识别模型进行处理,输出所述语音帧序列对应的目标肠鸣音类型,包括:将所述语音帧序列输入所述肠鸣音识别模型;将所述语音帧序列转换为第一输入向量,以及将所述第一输入向量输入第一神经网络层进行处理,输出所述第一输入向量对应的第二输入向量,所述第一神经网络层包括128个神经元,所述第一神经网络层对应第一权重矩阵;将所述第二输入向量输入第二神经网络层进行处理,输出所述第二输入向量对应的第三输入向量,所述第二神经网络层包括64个神经元,所述第二神经网络层对应第二权重矩阵;将所述第三输入向量输入第三神经网络层进行处理,输出所述第三输入向量对应的第四输入向量,所述第三神经网络层包括32个神经元,所述第三神经网络层对应第三权重矩阵;将所述第四输入向量输入激活层进行处理,输出所述第四输入向量对应的第五输入向量,所述激活层包括32个神经元,所述激活层对应第四权重矩阵;将所述第五输入向量输入第四神经网络层进行处理,输出所述第五输入向量对应的第六输入向量,所述第四神经网络层包括64个长短期记忆网络单元,所述第四神经网络层对应第五权重矩阵;将所述第六输入向量输入全连接层进行处理,输出所述第六输入向量对应的输出向量,所述全连接层包括256个激活函数神经元,所述全连接层对应第六权重矩阵;将所述输出向量输入分类器进行处理,输出所述输出向量对应...
【专利技术属性】
技术研发人员:王健宗,程宁,肖京,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。