【技术实现步骤摘要】
一种咳嗽音自动识别算法、装置、介质和设备
本专利技术涉及医疗器械与医学信号处理
，更具体地说，涉及一种咳嗽音自动识别算法、装置、介质和设备。
技术介绍
咳嗽是人体一种自然的反射动作，是哮喘、肺炎、喉炎和慢性阻塞性肺疾病等呼吸系统疾病的常见症状。临床中，医生常将患者的咳嗽频率、强度等信息作为诊断的重要依据，但这些信息往往主要来源于患者主观描述，可靠性差。有别于患者的主观描述，咳嗽音的录制和自动识别有助于医生更客观、更准确地获取患者咳嗽信息。咳嗽音自动识别的主要难点之一在于可供识别模型训练和测试的样本少。目前未见公开的咳嗽音大型数据库，各研究团队自行采集的咳嗽音样本数量亦较为有限；此外，非咳嗽音样本种类复杂，且样本数量远大于咳嗽音样本数量，存在样本不均衡问题。咳嗽音样本的缺乏以及训练样本的不均衡给咳嗽音自动识别模型的建立造成极大的困难。选取有针对性的特征，以尽量减少识别模型的待定参数，是克服上述困难的有效措施。目前许多文献常采用梅尔频率倒谱系数(MelFrequencyCepstrumCoefficient...
【技术保护点】
1.一种咳嗽音自动识别算法，其特征在于：包括如下步骤：/nS1步，获取待识别样本，待识别样本的采样频率为f
【技术特征摘要】
1.一种咳嗽音自动识别算法，其特征在于：包括如下步骤：
S1步，获取待识别样本，待识别样本的采样频率为fs；
S2步，对样本进行端点检测，从起始点截取持续时间为t的固定长度序列，并设定为信号序列r(k)；其中，k＝1，2，…，N；N＝t×fs，且N为正整数；
S3步，将信号序列r(k)归一化得
S4步，利用线性预测编码将信号序列分解为预测信号序列sr(k)和残差信号序列er(k)；其中，线性预测编码模型的阶数为p；
S5步，求取预测信号序列sr(k)的Q维MFCC参数mfccr＝[mr1，mr2，…mrQ]T；
S6步，求取残差信号序列er(k)的短时能量enr；其中，enr为标量；
S7步，将所得的MFCC参数mfccr和短时能量enr构造为特征向量cr＝[mr1，mr2，…mrQ，enr]T；
S8步，将所得的特征向量cr输入到线性SVM分类器，根据线性SVM分类器输出f(cr)判断待识别样本类型：若f(cr)＝1，则该样本为咳嗽音样本；若f(cr)＝-1，则该样本为非咳嗽音样本；所述线性SVM分类器是指对初始线性SVM分类器进行训练和测试处理得到的线性SVM分类器。
2.根据权利要求1所述的咳嗽音自动识别算法，其特征在于：所述对初始线性SVM分类器进行训练和测试处理，是指：包括如下步骤：
Y1步，以采样频率fs采集若干咳嗽音样本和非咳嗽音样本；将咳嗽音样本标签设定为1，非咳嗽音样本标签设定为-1；从咳嗽音样本和非咳嗽音样本中分别划分出训练集和测试集；
Y2步，将训练集各样本分别按照S2步～S7步处理，得到各样本的特征向量；
Y3步，建立线性SVM分类器，其决策函数为f(c)＝sgn[wTc+b]；其中，c为待决策信号的特征向量；f(c)为特征向量c的决策值，f(c)＝1表示待决策信号为咳嗽音，f(c)＝-1表示待决策信号为非咳嗽音；w为权值向量；b为超平面偏移量；
Y4步，将样本的特征向量作为输入，样本所对应的样本标签作为预期输出，训练所建立的线性SVM分类器得到决策函数f(c)＝sgn[w*Tc+b*]；其中，w*和b*分别为训练所得的最佳权值向量和超平面偏移量；
Y5步，将测试集各样本分别按照Y2步处理，得到各样本的特征向量；
Y6步，将样本的特征向量输入到训练所得的线性SVM分类器；将线性SVM分类器输出f(c)与该样本所对应的样本标签进行比对，根据比对结果计算灵敏度和特异度；
判断灵敏度和特异度是否达到预定要求：
若达到，则结束训练和测试；
否则跳至Y4步重新训练线性SVM分类器的决策函数f(c)＝sgn[w*Tc+b*]。
3.根据权利要求2所述的咳嗽音自动识别算法，其特征在于：所述Y1步，划分后的训练集，包含m个咳嗽音样本和n个非咳嗽音样本；
所述Y2步是指：将训练集各样本分别按照S2步处理，得到咳嗽音信号序列xi(k)和非咳嗽音信号序列yj(k)；其中，i＝1，2，…m，j＝1，2，…n；
将咳嗽音信号序列xi(k)和非咳嗽音信号序列yj(k)分别按照S3步～S7步...
【专利技术属性】
技术研发人员：莫鸿强，曾键沣，周樊，章臻，
申请(专利权)人：华南理工大学，
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。