控制装置、控制系统以及控制方法制造方法及图纸

能够基于检查对象所发出的声音精度良好地判定该声音的分类。一实施方式相关的控制装置(1)具备：取得某声音的分类信息的分类信息取得部(13)；取得包括某声音的信息在内的声音数据的声音取得部(11)；存储定义数据(25)的存储部(20)；提取声音数据的多个特征量的提取部(12)；和基于声音数据的多个特征量和分类信息构建对多个特征量与声音的分类的相关关系进行了机器学习的学习完毕模型的模型构建部(15)。(15)。(15)。

Control device, control system and control method

【技术实现步骤摘要】
【国外来华专利技术】控制装置、控制系统以及控制方法


[0001]本专利技术涉及控制装置、控制系统以及控制方法。

技术介绍

[0002]现有技术中存在根据生物体或者物体发出的声音来确定该声音具有什么样的特征的技术。所谓生物体例如为人或者动物。例如，在专利文献1中公开了将听诊音数字化表征，对该听诊音与疾病的关系性进行映射的技术。
[0003]在先技术文献
[0004]专利文献
[0005]专利文献1：日本国公表专利公报“特表2007
‑
508899号”
技术实现思路

[0006]‑
专利技术所要解决的课题
‑
[0007]如上所述，存在各种用于关于生物体或者物体发出的声音，发现该声音的特征，并基于任何观点来对该声音进行分类的技术。而且，在这种技术中，要求更高精度地判定声音的分类。
[0008]‑
用于解决课题的手段
‑
[0009]一实施方式相关的控制装置，具备：第1数据取得部，取得包括表示关于某声音的声音的分类的信息在内的第1数据；第2数据取得部，取得包括关于某声音的声音的信息在内的第2数据；存储部，存储用于从第2数据提取多个特征量的该特征量的定义数据；提取部，基于定义数据提取第2数据的多个特征量；和模型构建部，基于第2数据的多个特征量和第1数据构建对多个特征量与声音的分类的相关关系进行了机器学习的学习完毕模型。
[0010]一实施方式相关的控制装置具备：第2数据取得部，取得包括检查对象的声音的信息在内的第2数据；存储部，存储用于从第2数据提取多个特征量的该特征量的定义数据；提取部，基于定义数据提取第2数据的多个特征量；和推定部，采用对多个特征量与声音的分类的相关关系进行了机器学习的学习完毕模型，根据第2数据的多个特征量推定检查对象的声音的分类。
[0011]一实施方式相关的控制系统包括控制装置和将所检测到的第2数据发送到控制装置的检测装置。
[0012]一实施方式相关的控制方法包括以下步骤：取得包括表示关于某声音的声音的分类的信息在内的第1数据；取得包括关于某声音的声音的信息在内的第2数据；存储用于从第2数据提取多个特征量的该特征量的定义数据；基于定义数据提取第2数据的多个特征量；和基于第2数据的多个特征量和第1数据构建对多个特征量与声音的分类的相关关系进行了机器学习的学习完毕模型。
[0013]一实施方式相关的控制方法包括以下步骤：取得包括检查对象的声音的信息在内的第2数据；存储用于从第2数据提取多个特征量的该特征量的定义数据；基于定义数据提
取第2数据的多个特征量；和采用对多个特征量与声音的分类的相关关系进行了机器学习的学习完毕模型，根据第2数据的多个特征量推定检查对象的声音。
[0014]‑
专利技术效果
‑
[0015]根据本公开相关的专利技术的一方式，能够基于检查对象发出的声音精度良好地判定该声音的分类。
附图说明
[0016]图1是表示实施方式1相关的控制系统的要部结构的框图。
[0017]图2是表示来自声音数据的时间波形的特征量的提取过程的图。
[0018]图3是表示来自声音数据的频率波形的特征量的提取过程的图。
[0019]图4是表示来自声音数据的频谱图波形的特征量的提取过程的图。
[0020]图5是表示特征量列表的数据构造的一例的图。
[0021]图6是表示学习完毕模型的输入输出数据和学习完毕模型的结构的概要的示意图。
[0022]图7是表示模型构建处理的流程的流程图。
[0023]图8是表示实施方式2相关的控制系统的要部结构的框图。
[0024]图9是表示实施方式3相关的控制系统的要部结构的框图。
[0025]图10是表示推定处理的流程的流程图。
[0026]图11是表示实施方式4相关的控制系统的要部结构的框图。
具体实施方式
[0027]用于对声音进行分类的现有技术只是将声音应用于已知的分类来进行分类。而且，在这样的现有技术中，未必能够明确地对声音进行分类。例如，假定从医学的观点对呼吸音进行分类。在该情况下，在呼吸音中包括的噪音中，可能包括多个特征混合的噪音和/或与已知的分类不一致但实际上由于疾病而产生的噪音等。在现有技术中，难以准确地判定这些噪音的分类。
[0028]专利技术者们发现了这样的现有技术的问题点。在本公开中关于能更精度良好地判定声音的分类的控制装置、控制系统、以及控制方法等进行说明。
[0029]一实施方式相关的控制系统为用于构建能根据人等的生物体或者物体等发出的声音的数字数据(声音数据)推定该声音的分类的学习完毕模型的系统。此外，一实施方式相关的控制系统能够采用所述学习完毕模型根据检查对象的人或者物体发出的声音的声音数据来推定该声音的分类。
[0030]本公开相关的专利技术的适用范围没有被特别地限定。例如，一实施方式相关的控制系统也可构建能推定人或者动物的呼吸音的分类的学习完毕模型。此外，一实施方式相关的控制系统也可采用该学习完毕模型来推定检查对象的人或者动物的呼吸音的分类。
[0031]“声音的分类”例如也可为医生等专家对人或者动物进行了听诊时的声音的、医学的分类。声音例如也可为在人或者动物的体内由于气体流动而产生的声音。即声音例如也可被分类为伴随着呼吸运动而产生的声音。具体而言，声音例如也可被分类为肺音。此外，声音例如也可被分类为肺音中所含的声音中的呼吸音和副噪音。
[0032]呼吸音例如也可进一步被分类为正常呼吸音和异常声音。正常声音例如也可被分类为肺泡呼吸音、支气管肺泡呼吸音、支气管呼吸音以及气管呼吸音。异常声音例如也可进一步被分类为减弱、消失、呼气延长、以及支气管呼吸音化等特征。或者，异常声音例如也可进一步被分类为狭窄音。狭窄音例如也可进一步按气管、咽、以及喉等的每个狭窄的部位被分类。
[0033]副噪音例如也可进一步被分类为Ra音(即罗素音)和其他的声音。Ra音例如也可进一步被分类为连续性Ra音和断续性Ra音。连续性Ra音例如也可进一步被分类为类鼾音、笛声、尖叫、以及喘鸣。断续性Ra音例如也可进一步被分类为粗的断续性Ra音、细小的断续性Ra音、水泡音、以及捻发音。其他声音例如也可进一步被分类为胸膜摩擦音、以及肺血管性噪音。
[0034]另外，声音的分类并不限定于上述的例子。即声音的分类中也可包括涉及声音而在医学上采用的所有分类。此外，在本公开中，有时将被分类为呼吸音以及副噪音等的、伴随着呼吸运动而产生的声音的声音统称为呼吸音。
[0035]此外，例如一实施方式相关的控制系统也可构建能推定敲击建筑材料等时的声音的分类的学习完毕模型。此外，控制系统也可采用该学习完毕模型来推定对检查对象的建筑材料进行了敲击时的声音的分类。在该情况下，“声音的分类”中也可包括根据例如专家等(建筑师等)的经验而确定的、根据声音确定建筑材料的耐久性的情况下的分类的类型。
[0036]以下，基于实施方式1～4对本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种控制装置，具备：第1数据取得部，取得包括表示关于某声音的声音的分类的信息在内的第1数据；第2数据取得部，取得包括关于所述某声音的声音的信息在内的第2数据；存储部，存储用于从所述第2数据提取多个特征量的该特征量的定义数据；提取部，基于所述定义数据提取所述第2数据的多个特征量；和模型构建部，基于所述第2数据的多个特征量和所述第1数据构建对所述多个特征量与所述声音的分类的相关关系进行了机器学习的学习完毕模型。2.根据权利要求1所述的控制装置，其中，所述学习完毕模型为能推定对所述第2数据的多个特征量进行加权、合并、或者取舍选择后的多个参数与所述声音的分类的相关关系的模型。3.根据权利要求1或2所述的控制装置，其中，所述控制装置还具备评价所述学习完毕模型的所述机器学习的结果，并反馈到所述模型构建部的评价部，所述模型构建部基于来自所述评价部的反馈使所述学习完毕模型重新学习。4.根据权利要求1～3中任一项所述的控制装置，其中，在所述定义数据中，所述特征量基于所述第2数据的随时间的变化、所述第2数据的频率分量以及所述第2数据的频谱图中的至少任意者而被定义。5.根据权利要求1～4中任一项所述的控制装置，其中，所述声音的分类包括呼吸音的医学的分类。6.根据权利要求1～5中任一项所述的控制装置，其中，所述第1数据包括表示发出了所述声音的对象的状态的信息，所述模型构建部基于所述多个特征量和所述第1数据构建进一步对所述多个特征量或者所述声音的分类中的至少一方与发出了所述声音的对象的状态的相关关系进行了机器学习的学习完毕模型。7.一种控制装置，具备：第2数据取得部，取得包括检查对象的声音的信息在内的第2数据；存储部，存储用于从所述第2数据提取多个特征量的该特征量的定义数据；提取部，基于所述定义数据提取所述第2数据的多个特征量；和推定部，采用对所述多个特征量与所述声音的分类的相关关系进行了机器学习的学习完毕模型，根据所述第2数据的多个特征量推定所述检查对象的声音的分类。8.根据权利要求7所述的控制装置，其中，所述推定部根据所述多个特征量推定所述声音的分类的匹配度。9.根据权利要求7或8所述的控制装置，其中，所述学习完毕模型为对所述多个特征量或者所述声音的分类中的至少一方与发出了所述声音的对象的状态的相关关系进一步进行了机器学习的学习完毕模型，所述推定部采用所述学习完...

【专利技术属性】
技术研发人员：池田丰，
申请(专利权)人：京瓷株式会社，
类型：发明
国别省市：