健康智能检测方法、装置、电子设备及可读存储介质制造方法及图纸

本申请公开了一种健康智能检测方法、装置、电子设备及可读存储介质，其方法包括获取音频信号，并对所述音频信号进行预处理，得到检测信号；将所述检测信号转化为矩阵数字矩阵；将得到的矩阵数字矩阵作为检测样本，输入健康智能检测模型中，以获取检测结果；其中，所述健康智能检测模型是采用迁移学习和卷积神经网络对训练样本进行训练得到的。本申请由于卷积神经网络各组件或部分组件基于迁移学习进行了重新训练，显著提升了对人们健康检测的准确度；且本申请中的健康智能检测模型为分类模型，计算量小，可将其部署于人们的移动终端中，使用方便，极大程度上提升了用户的使用感受。受。受。

【技术实现步骤摘要】
健康智能检测方法、装置、电子设备及可读存储介质


[0001]本申请涉及人工智能
，具体涉及一种健康智能检测方法、装置、电子设备及可读存储介质。
[0002]
技术介绍

[0003]随着人们生活水平的提高，人们对自身的身体健康状态越来越关注，随着疫情的爆发和蔓延，人工智能能够利用数据源的信息做出更好的决策，在各个领域的应用比较广泛，使人们的生活更加便捷，随着人工智能技术的不断发展，在医学方面也出现较多的应用。
[0004]在对健康检测方面，有一些技术，如中国专利CN 111629663 A，公开了一种用疾病特征分析咳嗽声音以诊断呼吸系统疾病的方法，由于其采用单一的神经网络进行训练，且其模型为逻辑回归模型，存在着检测精度低、计算量大、针对性差的问题。
[0005]基于此，亟待一种精确度高、计算量小、对用户友好的健康智能检测方法。
[0006]
技术实现思路

[0007]本申请实施例提供了一种健康智能检测方法、装置、电子设备及可读存储介质，以克服或者至少部分克服现有技术的不足。
[0008]第一方面，提供了一种健康智能检测方法，包括：获取音频信号，并对所述音频信号进行预处理，得到检测信号；将所述检测信号转化为矩阵数字矩阵；将得到的矩阵数字矩阵作为检测样本，输入健康智能检测模型中，以获取检测结果；其中，所述健康智能检测模型是采用迁移学习和卷积神经网络对训练样本进行训练得到的。
[0009]可选的，在上述方法中，所述音频信号为咳嗽声；所述获取音频信号，并对所述音频信号进行预处理，得到检测信号包括：通过检测终端的音频采集设备获取时长为3
‑
30s的咳嗽声音信号；对所述咳嗽声音信号进行杂音清理，以删除其中无效、不相关、损坏或不完整的信号，将清理后的咳嗽声音信号作为检测信号。
[0010]可选的，在上述方法中，所述将所述检测音频信号转化为数字矩阵包括：将所述检测音频信号进行分帧和移帧，得到多帧检测信号；通过傅里叶变换，确定各帧检测信号的功率谱和周期图；对各帧检测信号的功率谱和周期图进行梅尔滤波变换，得到各帧检测信号的梅尔频谱能量；对各帧检测信号的梅尔频谱能量进行离散余弦变换，得到数字矩阵。
[0011]可选的，在上述方法中，所述数字矩阵的形状是根据选择的参数确定的，选择的参数至少包括采样频率、跟踪持续时间和系数数目。
[0012]可选的，在上述方法中，所述健康智能检测模型是采用下述方法训练得到的：采集获取训练音频样本和测试音频样本，所述训练音频样本包括人类语音音频、情感语音音频和训练用咳嗽音频，所述测试音频样本为测试用咳嗽音频；依次对所述人类语音音频、情感语音音频、训练用咳嗽音频和测试用咳嗽音频进行训练，并调整所述健康智能检测模型的参数，以得到最终的健康智能检测模型。
[0013]可选的，在上述方法中，所述健康智能检测模型的结构是多个不同的卷积神经网络连接在一起形成的。且各卷积神经网络都是通过迁移学习改进的。
[0014]可选的，在上述方法中，所述健康智能检测模型的各卷积神经网络的全连接层和卷积层的数量和参数是基于迁移学习进行训练确定的。
[0015]第二方面，提供了一种健康智能检测装置，该装置包括：获取单元，用于获取音频信号，并对所述音频信号进行预处理，得到检测音频信号；信号处理单元，用于将所述检测音频信号转化为数字矩阵；检测单元，用于将得到的数字矩阵作为检测样本，输入健康智能检测模型中，以获取检测结果；其中，所述健康智能检测模型是采用迁移学习和卷积神经网络对训练样本进行训练得到的。
[0016]第三方面，本申请实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一的方法。
[0017]第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述任一的方法。
[0018]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请通过将迁移学习和卷积神经网络相结合的方式，通过训练得到了健康智能检测模型，该健康智能检测模型可以通过测试人们的音频信号，确定人们是否处于健康状态。相对于现有技术，由于卷积神经网络各组件或部分组件基于迁移学习进行了重新训练，显著提升了对人们健康检测的准确度；且本申请中的健康智能检测模型为分类模型，计算量小，可将其部署于人们的移动终端中，使用方便，极大程度上提升了用户的使用感受。
[0019]附图说明
[0020]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出根据本申请的一个实施例的健康智能检测方法的流程示意图；图2示出根据本申请的一个实施例的健康智能检测装置的结构示意图；图3示出了根据本申请的一个实施例的MVT数据交互的示意图；图4为本申请实施例中一种电子设备的结构示意图。
[0021]具体实施方式
[0022]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0023]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0024]随着新型冠状病毒肺炎(Covid
‑
19，简称新冠)的爆发和蔓延，使得人们就医非常不方便，尤其一些疫情较严重的地区，人们得病后很难及时就医，为了满足人们急切想了解自己病情的需求，本申请提供了一种健康检测方法，该方法利用迁移学习和卷积神经网络对训练样本进行训练得到的健康智能检测模型，通过人们的音频声音，即可确定人们是否处于健康状态，尤其是对是否患有新冠的诊断准确率非常高。
[0025]图1示出根据本申请的一个实施例的健康智能检测方法的流程示意图，从图1可以看出，该方法至少包括步骤S110~步骤S130：步骤S110：获取音频信号，并对所述音频信号进行预处理，得到检测信号。
[0026]本申请是基于机器学习的方法，对用户的健康状态进行检测，首先，获取用户的音频信号。
[0027]音频信号可以但不限于通过智能终端收集用户咳嗽时或呼吸时的声音信号。如以16000Hz采集智能终端的麦克的音频信号，得到音频信号的时间序列，以16000Hz、以16位表示一个采集点信号大小、单声道为例，音频信号为(2, 4, 100, 120, 140, 60,
ꢀ‑
60,
ꢀ‑
130,
ꢀ…
), 每个点的间隔时间=1/16000秒。
[0028]为了提高检测精度，可以对音频信号做一些简单的预处理，如降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种健康智能检测方法，其特征在于，所述方法包括：获取音频信号，并对所述音频信号进行预处理，得到检测信号；将所述检测信号转化为数字矩阵；将得到的数字矩阵作为检测样本，输入健康智能检测模型中，以获取检测结果；其中，所述健康智能检测模型是采用迁移学习和卷积神经网络对训练样本进行训练得到的；其中，所述将所述检测音频信号转化为数字矩阵包括：将所述检测音频信号进行分帧和移帧，得到多帧检测信号；通过傅里叶变换，确定各帧检测信号的功率谱和周期图；对各帧检测信号的功率谱和周期图进行梅尔滤波变换，得到各帧检测信号的梅尔频谱能量；对各帧检测信号的梅尔频谱能量进行离散余弦变换，得到数字矩阵；所述健康智能检测模型是采用下述方法训练得到的：采集获取训练音频样本和测试音频样本，所述训练音频样本包括人类语音音频、情感语音音频和训练用咳嗽音频，所述测试音频样本为测试用咳嗽音频；依次对所述人类语音音频、情感语音音频、训练用咳嗽音频和测试用咳嗽音频进行训练，并调整所述健康智能检测模型的参数，以得到最终的健康智能检测模型。2.根据权利要求1所述的方法，其特征在于，所述音频信号为咳嗽声；所述获取音频信号，并对所述音频信号进行预处理，得到检测信号包括：通过检测终端的音频采集设备获取时长为3
‑
30s的咳嗽声音信号；对所述咳嗽声音信号进行杂音清理，以删除其中无效、不相关、损坏或不完整的信号，将清理后的咳嗽声音信号作为检测信号。3.根据权利要求1所述的方法，其特征在于，所述数字矩阵的形状是根据选择的参数确定的，选择的参数至少包括采样频率、跟踪持续时间和系数数目。4.根据权利要求1所述的方法，其特征在于，所述健康智能检测模型的结构是多个不同的卷积神经网络连接在一起形成的；...

【专利技术属性】
技术研发人员：穆海东，
申请(专利权)人：南京裕隆生物医学发展有限公司，
类型：发明
国别省市：