基于快速集成卷积网络的咳嗽音判别肺部健康状况模型制造技术

本发明专利技术公开了基于快速集成卷积网络的咳嗽音判别肺部健康状况模型，包括包括以下总体步骤：首先，通过移动设备中的麦克风接收患者在睡眠，或者日常行动中的咳嗽声音，采用实时检测的模式，麦克风随时进行咳嗽的录音，每隔十秒采用模型判断录音中是否具有咳嗽音；如果有，则将录音数据传给咳嗽音健康分类模型进行最终的判断，如果判断结果显示用户咳嗽音不正常，则发送预警给用户，提醒其及时就医，(a)首先将波形数据转化为梅尔频谱；(b)梅尔频谱作为单通道图输入预训练的卷积神经网络中进行特征提取；(c)卷积网络输出的特征图经过基于幂次的平均池化，转化为特征向量；本发明专利技术，具有实时监控的特点。实时监控的特点。实时监控的特点。

【技术实现步骤摘要】
基于快速集成卷积网络的咳嗽音判别肺部健康状况模型


[0001]本专利技术涉及医疗健康
，具体为基于快速集成卷积网络的咳嗽音判别肺部健康状况模型。

技术介绍

[0002]目前随着移动设备的技术发展，越来越多的长期肺病患者可以居家进行肺部健康管理。常见的设备有电子听诊器或者小肺仪。但是这类操作仍然需要科学的操作才能测量准确，但是由于患者大部分没有医学知识或者器械操作经验，其测量结果往往难以反映真实情况。所以一个理想的肺部健康管理仪器应该是无需患者操作，无接触的，具有实时监控功能。
[0003]目前已有一些以咳嗽音为输入，对受试者进行疾病诊断的算法。但是已有算法存在如下缺陷：(1)基于特征提取的算法太依赖于专家知识，而泛化性有限；(2)以往基于波形建模的算法受到音频数据长度的影响，效率低下；(3)基于卷积的方法在训练上收敛慢，不稳定，因为其预训练图片与音频频谱图差距大。因此，设计实时监控的基于快速集成卷积网络的咳嗽音判别肺部健康状况模型是很有必要的。

技术实现思路

[0004]本专利技术的目的在于提供基于快速集成卷积网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于快速集成卷积网络的咳嗽音判别肺部健康状况模型，其特征在于：包括以下总体步骤：首先，通过移动设备中的麦克风接收患者在睡眠，或者日常行动中的咳嗽声音，采用实时检测的模式，麦克风随时进行咳嗽的录音，每隔十秒采用模型判断录音中是否具有咳嗽音；如果有，则将录音数据传给咳嗽音健康分类模型进行最终的判断，如果判断结果显示用户咳嗽音不正常，则发送预警给用户，提醒其及时就医。2.根据权利要求1所述的基于快速集成卷积网络的咳嗽音判别肺部健康状况模型，其特征在于：上述步骤具体如下：(a)首先将波形数据转化为梅尔频谱；(b)梅尔频谱作为单通道图输入预训练的卷积神经网络中进行特征提取；(c)卷积网络输出的特征图经过基于幂次的平均池化，转化为特征向量；(d)特征向量经过一个两层的全连接层进行池化，输出标签预测，我们的模型采用深度学习框架PyTorch进行开发。3.根据权利要求2所述的基于快速集成卷积网络的咳嗽音判别肺部健康状况模型，其特征在于：上述步骤a中，机器学习的第一步都是要提取出相应的特征，如果输入数据是图片，例如28*28的图片，那么只需要把每个像素作为特征，对应的像素值大小作为特征值即可，那么在音频、语音信号处理领域，需要将信号转换成对应的语谱图，将语谱图上的数据作为信号的特征。语谱图的横轴x为时间，纵轴y为频率，(x,y)对应的数值代表在时间x时频率y的幅值，通常的语谱图其频率是线性分布的，但是人耳对频率的感受是对数的，即对低频段的变化敏感，对高频段的变化迟钝，所以线性分布的语谱图显然在特征提取上会出现特征不够有用的情况，因此梅尔语谱图应运而生，梅尔语谱图的纵轴频率和原频率经过如下公式互换。4.根据权利要求3所述的基于快速集成卷积网络的咳嗽音判别肺部健康状况模型，其特征在于：上述步骤Sa中，梅尔语谱图的纵轴频率和原频率经过如下公式互换：特征在于：上述步骤Sa中，梅尔语谱图的纵轴频率和原频率经过如下公式互换：其中f代表原本的频率，m代表转换后的梅尔频率，显然，当f很大时，m的变化趋于平缓，而梅尔倒频系数(MFCCs)是在得到梅尔语谱图之后进...

【专利技术属性】
技术研发人员：宋思仪，
申请(专利权)人：无锡启益医疗科技有限公司，
类型：发明
国别省市：