[发明专利]一种婴儿智能监护可穿戴设备及基于GMM-HMM-DNN的婴儿哭声识别方法

权利要求书

1.一种基于GMM-HMM-DNN的婴幼儿哭声含义识别方法，其特征在于，包括如下步骤：

步骤一：采集婴儿哭声信号；

步骤二：将所述婴儿哭声采集信号进行VAD处理和预加重；

步骤三：使用移动窗函数将预加重后的信号进行分帧；

步骤四：将分帧信号通过Mel频率倒谱法获得原始特征MFCC；

步骤五：将分帧信号通过DNN进行标注提取Tandem特征；

步骤六：将提取得到的Tandem特征与原始特征MFCC进行拼接；

步骤七：使用PAC对合并后的特征进行压缩降维；

步骤八：使用GMM-HMM建立的声学模型对压缩降维后的特征进行婴儿哭声解码；

步骤九：根据解码搜索识别结果确定婴幼儿的状态：饥渴、尿急或困倦，

其中，将分帧信号通过DNN进行标注提取Tandem特征的步骤包括：

S1：将分帧信号作为DNN的输入；

S2：使用DBN预训练对DNN模型初始化，将DBN的权重作为由sigmoid神经元构成的DNN的初始权重；

S3：使用误差反向传播来进行DNN参数训练；

S4：使用softmax对DNN的输出特征进行处理，再取对数运算，以修正后验概率分布的偏斜型；

S5：使用KLT去除维之间的相关性并降低维数，仅保留对全局方差有贡献的特征分量，删除冗余的数据信号，将输出特征作为Tandem特征，

其中，使用DBN预训练对DNN模型初始化的步骤包括：

A:使用RBM期望值连续迭代获得DBN所有隐藏层权重的初始值；

B:使用wake-sleep算法对DBN进行精细调整；

C:在预训练结束后，添加一个随机初始化的softmax输出层，并用反向误差传播算法鉴别性地精细调整网络中的所有权重，

其中，根据所述压缩降维后的特征，通过GMM-HMM建立声学模型,其步骤包括：

1：采用GMM对降维压缩后特征进行建模；

2：采用HMM对GMM建模结果进行婴儿哭声识别，

其中，采用GMM对降维压缩后特征进行建模的步骤包括：

a:使用GMM对降维压缩后特征进行匹配，建立多元高斯分布模型；

b:采用EM算法对GMM模型中各参数变量进行估计，

其中，采用HMM对GMM建模结果进行婴儿哭声识别，其步骤包括：

A1：对用于训练的特征矢量进行K均值聚类分析得到码本元素；

A2：将所得码本元素和待识别的特征矢量进行矢量量化操作；

A3：对量化后的码本元素使用Baum-Welch算法训练HMM；

A4：对量化后待识别的特征矢量使用Viterbi算法计算各HMM模型的条件概率；

A5：取此概率最大者即为识别结果。