【技术实现步骤摘要】
基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置
[0001]本专利技术涉及计算机听觉和深度学习中类脑神经网络领域,尤其是涉及基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置。
技术介绍
[0002]近年来随着深度学习类脑神经网络的发展,基于人工智能处理音频的医疗监测设备对于低功耗部署的需求,脉冲神经网络与计算机听觉的结合越来越受到人们的关注。
[0003]基于深度学习的声音信号处理是指用录音机等传感器记录真实世界的声音信号,并通过深度学习相关技术对采集到的声音信号进行特征提取分类等操作。随着科技发展朝着智能化演进,医疗监测行业开始使用基于人工智能的疾病监测装置,而这种疾病监测装置对于精确度有很高的要求,而移动端的睡眠呼吸障碍监测需求,对于监测装置的耗能也提出了非常高的要求。脉冲神经网络作为类脑神经网络的一种,因其低耗能的特性受到人们广泛的关注,利用脉冲神经网络低耗能的特性,可以设计出一套基于脉冲神经网络的睡眠呼吸障碍监测装置。
[0004]脉冲神经网络是当今类脑神经网络研究的热点,受到业界的广泛关注,涌现了许多脉冲神经网络的构建方式和脉冲神经网络的训练方法,训练脉冲神经网络的方法主要有基于脉冲时间的反向传播和基于人工神经网络转换的脉冲神经网络这两种训练方式。
[0005]虽然目前已有针对脉冲神经网络的训练方法,但还是存在一些问题有待解决。基于人工神经网络转换生成的脉冲神经网络会产生2000
‑
2500个时间步长的大延迟,大的延迟转化为推理过程中更高的能量消耗,因此,减少了脉冲神 ...
【技术保护点】
【技术特征摘要】
1.基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置,包括依次连接的声音特征提取模块、声音特征脉冲编码模块、基于时间的注意力机制模块、脉冲神经网络模块,其特征在于:所述声音特征提取模块,通过获取的鼾声音频信号,生成相应的声音特征;所述声音特征脉冲编码模块,对生成的声音特征进行编码,将其转化为一组脉冲序列;所述基于时间的注意力机制模块,计算每一时刻特征图对输出特征的权重;所述脉冲神经网络模块,获取声音特征脉冲编码模块的输出,根据睡眠呼吸障碍类型的预测结果与实际值的差距训练脉冲神经网络的权重;通过前向传播得到阈值,并且通过基于脉冲时间的反向传播STDB方式完成对脉冲神经网络参数的训练。2.根据权利要求1所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置,其特征在于:所述声音特征提取模块的执行过程,包括如下步骤:步骤S101:对音频信号依次进行预加重和分帧,对每帧进行加窗;步骤S102:对于分帧加窗后的各帧,计算功率谱的周期图估计;步骤S103:将滤波器组应用于功率谱,求滤波器组的能量,将每个滤波器中的能量相加;步骤S104:取所有滤波器组能量的对数;步骤S105:取对数滤波器组能量的离散余弦变换,根据离散余弦变换的系数,生成所需的频谱特征。3.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置,其特征在于:所述步骤S1.1中,采用高通滤波器进行预加重处理,用于补偿语音信号中的高频信号,通过与前一个采样点作差的方式可以突出音频信号中的高频信息,采样点数量为一帧的时间与声音信号采样率的乘积,其中预加重公式:y(t)=x(t)
‑
αx(t
‑
1)其中,x(t)表示第t时刻对应的音频信号,y(t)表示预加重处理后的音频信号,α表示滤波器系数,用于调整抑制低频的程度,将信号分割成帧后,再对每个帧乘以一个窗函数,即对y(t)进行分帧,每帧需要分别乘以窗函数。4.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置,其特征在于:所述加窗采用汉明窗,形式如下:其中,n表示每帧中第n个采样点,a表示用于调整窗口形状的参数,N表示每一帧采样点的个数。5.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼吸障碍监测装置,其特征在于:所述步骤S102中,对分帧加窗后的各帧信号,基于每帧采样点进行快速傅里叶变换FFT来计算频谱,计算公式如下:其中,S
i
(n)表示时域上的采样点序列,S
i
(k)表示频域上的频谱,k表示频率取值,K表示频率取值范围的上限,e表示自然指数,j表示虚数单位,虚数来自欧拉公式e
iθ
=cosθ+isin
θ;然后计算功率谱,对语音信号的频谱取模平方得到语音信号的谱线能量,计算公式如下:其中,FFT(
·
)表示快速傅里叶变换,x
i
表示输入的采样点序列。6.根据权利要求2所述的基于人工转换的脉冲神经网络睡眠呼...
【专利技术属性】
技术研发人员:许方浩,李文钧,岳克强,梁嘉铠,王超,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
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。