基于语音特征的预警方法、系统及其电子设备技术方案

本申请涉及脑卒中智能预防的领域，其具体地公开了一种基于语音特征的预警方法、系统和电子设备。其采用基于上下文的编码器模型来挖掘出具有全局性的多个预定时间点的语音关联信息，并通过卷积神经网络模型来提取出所述多个预定时间点的生理数据的高维特征，进一步使用逻辑激活函数来同时提取出这两者之间的正向和反向的关联，以提高分类的准确性。这样，能够更有效地对大部分人群的脑卒中进行预防，以保障人们的健康。保障人们的健康。保障人们的健康。

【技术实现步骤摘要】
基于语音特征的预警方法、系统及其电子设备


[0001]本专利技术涉及脑卒中智能预防的领域，且更为具体地，涉及一种基于语音特征的预警方法、系统和电子设备。

技术介绍

[0002]脑卒中是一种突发性的脑血管堵塞或破裂的疾病。在我国成年人中，致死或致残的第一因素就是脑卒中。同时，脑卒中不仅具有较高的致死率以及致残率，而且容易反复发作。目前，在医学上，脑卒中的治疗方法主要用于脑卒中发生之后，治疗方法缺乏时效性，从而导致脑卒中治疗效果很不理想。对于脑卒中的防治，医学界普遍认为预防是脑卒中疾病最好的治疗措施。
[0003]但是，在脑卒中发生前，由于其根据每个人的具体情况不同，发病的情况也不同，这样难以进行准确地预测。因此，为了更有效地对大部分人群的脑卒中进行预防，以保障人们的健康，期望一种基于语音特征的预警方法。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于语音特征的预警方法、系统和电子设备，其采用基于上下文的编码器模型来挖掘出具有全局性的多个预定时间点的语音关联信息，并通过卷积神经网络模型来提取出所述多个预定时间点的生理数据的高维特征，进一步使用逻辑激活函数来同时提取出这两者之间的正向和反向的关联，以提高分类的准确性。这样，能够更有效地对大部分人群的脑卒中进行预防，以保障人们的健康。
[0005]根据本申请的一个方面，提供了一种基于语音特征的预警方法，其包括：
[0006]获取多个预定时间点的语音数据；
[0007]将所述多个预定时间点的语音数据通过包含嵌入层的基于上下文的编码器模型以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量；
[0008]将各个所述预定时间点的语音特征向量进行二维排列以获得语音特征矩阵；
[0009]获取在所述多个预定时间点的生理数据；
[0010]将所述多个预定时间点的生理数据按照时间和样本维度排列为二维的输入矩阵；
[0011]将所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵；
[0012]使用逻辑激活函数对所述语音特征矩阵和所述生理特征矩阵进行处理以提取出所述语音特征矩阵和所述生理特征矩阵在高维特征空间中的正向关联特征和反向关联特征，以获得正向关联矩阵和反向关联矩阵；
[0013]融合所述正向关联矩阵和所述反向关联矩阵以获得分类特征矩阵；以及
[0014]将所述分类特征矩阵通过分类器以获得分类结果，其中，所述分类结果用于表示是否需要预警信号。
[0015]在上述基于语音特征的预警方法中，将所述多个预定时间点的语音数据通过包含
嵌入层的基于上下文的编码器模型以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量，包括：使用所述编码器模型的嵌入层将所述多个预定时间点的语音数据转化为语音输入向量以获得语音输入向量的序列；以及，将所述语音输入向量的序列通过所述编码器模型的转换器以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量。
[0016]在上述基于语音特征的预警方法中，将所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵，包括：所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生理特征矩阵。
[0017]在上述基于语音特征的预警方法中，将所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵，包括：所述卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述卷积神经网络的最后第二层输出生理特征图；以及，所述卷积神经网络的最后一层对所述生理特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以输出所述生理特征矩阵。
[0018]在上述基于语音特征的预警方法中，使用逻辑激活函数对所述语音特征矩阵和所述生理特征矩阵进行处理以提取出所述语音特征矩阵和所述生理特征矩阵在高维特征空间中的正向关联特征和反向关联特征，以获得正向关联矩阵和反向关联矩阵，包括：使用逻辑激活函数以如下公式对所述语音特征矩阵和所述生理特征矩阵进行处理以获得所述正向关联矩阵和所述反向关联矩阵；其中，所述公式为：
[0019]F
active1
(M1,M2)＝I
‑
M1(I
‑
M2)
[0020][0021]其中M1和M2分别是语音特征矩阵和生理特征矩阵，且I是单位矩阵，表示矩阵乘。
[0022]在上述基于语音特征的预警方法中，融合所述正向关联矩阵和所述反向关联矩阵以获得分类特征矩阵，包括：计算所述正向关联矩阵和所述反向关联矩阵的按位置加权和以获得所述分类特征矩阵。
[0023]在上述基于语音特征的预警方法中，将所述分类特征矩阵通过分类器以获得分类结果，包括：所述分类器以如下公式对所述分类矩阵进行处理以获得所述分类结果，其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类矩阵投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置矩阵。
[0024]根据本申请的另一方面，提供了一种基于语音特征的预警系统，其包括：
[0025]语音数据获取单元，用于获取多个预定时间点的语音数据；
[0026]编码单元，用于将所述语音数据获取单元获得的所述多个预定时间点的语音数据通过包含嵌入层的基于上下文的编码器模型以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量；
[0027]二维排列单元，用于将各个所述编码单元获得的所述预定时间点的语音特征向量进行二维排列以获得语音特征矩阵；
[0028]生理数据获取单元，用于获取在所述多个预定时间点的生理数据；
[0029]数据矩阵构造单元，用于将所述生理数据获取单元获得的所述多个预定时间点的生理数据按照时间和样本维度排列为二维的输入矩阵；
[0030]卷积单元，用于将所述数据矩阵构造单元获得的所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵；
[0031]特征提取单元，用于使用逻辑激活函数对所述二维排列单元获得的所述语音特征矩阵和所述卷积单元获得的所述生理特征矩阵进行处理以提取出所述语音特征矩阵和所述生理特征矩阵在高维特征空间中的正向关联特征和反向关联特征，以获得正向关联矩阵和反向关联矩阵；
[0032]融合单元，用于融合所述特征提取单元获得的所述正向关联矩阵和所述特征提取单元获得的所述反向关联矩阵以获得分类特征矩阵；以及
[0033]分类单元，用于将所述融合单元获得的所述分类特征矩阵通过分类器以获得分类结果，其中，所述分类结果用于表示是否需要预警信号。...

【技术保护点】

【技术特征摘要】
1.一种基于语音特征的预警方法，其特征在于，包括：获取多个预定时间点的语音数据；将所述多个预定时间点的语音数据通过包含嵌入层的基于上下文的编码器模型以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量；将各个所述预定时间点的语音特征向量进行二维排列以获得语音特征矩阵；获取在所述多个预定时间点的生理数据；将所述多个预定时间点的生理数据按照时间和样本维度排列为二维的输入矩阵；将所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵；使用逻辑激活函数对所述语音特征矩阵和所述生理特征矩阵进行处理以提取出所述语音特征矩阵和所述生理特征矩阵在高维特征空间中的正向关联特征和反向关联特征，以获得正向关联矩阵和反向关联矩阵；融合所述正向关联矩阵和所述反向关联矩阵以获得分类特征矩阵；以及将所述分类特征矩阵通过分类器以获得分类结果，其中，所述分类结果用于表示是否需要预警信号。2.根据权利要求1所述的基于语音特征的预警方法，其中，将所述多个预定时间点的语音数据通过包含嵌入层的基于上下文的编码器模型以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量，包括：使用所述编码器模型的嵌入层将所述多个预定时间点的语音数据转化为语音输入向量以获得语音输入向量的序列；以及将所述语音输入向量的序列通过所述编码器模型的转换器以将各个所述预定时间点的语音数据转化为对应于各个所述预定时间点的语音特征向量。3.根据权利要求2所述的基于语音特征的预警方法，其中，将所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵，包括：所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生理特征矩阵。4.根据权利要求2所述的基于语音特征的预警方法，其中，将所述二维的输入矩阵通过卷积神经网络以获得生理特征矩阵，包括：所述卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述卷积神经网络的最后第二层输出生理特征图；以及所述卷积神经网络的最后一层对所述生理特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以输出所述生理特征矩阵。5.根据权利要求4所述的基于语音特征的预警方法，其中，使用逻辑激活函数对所述语音特征矩阵和所述生理特征矩阵进行处理以提取出所述语音特征矩阵和所述生理特征矩阵在高维特征空间中的正向关联特征和反向关联特征，以获得正向关联矩阵和反向关联矩阵，包括：使用逻辑激活函数以如下公式对所述语音特征矩阵和所述生理特征矩阵进行处理以获得所述正向关联矩阵和所述反向关联矩阵；其中，所述公式为：
F
active1
(M1,M2)＝I
‑
M1(I
‑
M2)其中M1和M2分别是语音特征矩阵和生理特征矩阵，且...

【专利技术属性】
技术研发人员：宁琴，
申请(专利权)人：上海亭章通信技术有限公司，
类型：发明
国别省市：