[发明专利]一种基于深度学习对呼吸暂停症患者的识别方法及系统在审

专利信息
申请号: 202010096363.5 申请日: 2020-02-17
公开(公告)号: CN111312293A 公开(公告)日: 2020-06-19
发明(设计)人: 沈凡琳;程思一;李文钧;李竹;岳克强 申请(专利权)人: 杭州电子科技大学
主分类号: G10L25/66 分类号: G10L25/66;G10L15/02;G10L15/06;G10L25/18;G10L25/24;G10L25/30
代理公司: 杭州浙科专利事务所(普通合伙) 33213 代理人: 孙孟辉
地址: 310018 浙*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 呼吸 暂停 患者 识别 方法 系统
【权利要求书】:

1.一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述方法包括:

S10)提取音频数据特征;

S20)鼾声特征数据标注及分类;

S30)设置网络结构及训练参数;

S40)训练模型,保存训练后的模型;

S50)利用保存的模型进行鼾声数据检测;

S60)根据AHI指数识别OSAHS患者。

2.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述步骤S10)提取音频数据特征,包括:

MFCC特征提取算法;

LPCC特征提取算法;

LPMFCC特征提取算法。

3.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述步骤S20)鼾声特征数据标注及分类,具体包括:其特征数据分为两种:呼吸暂停事件相关鼾声和非呼吸暂停事件相关鼾声。

4.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述步骤S30)设置网络结构及训练参数,具体包括:网络结构为LSTM序列神经网络,训练参数有:LSTM单元个数,训练学习率lr=0.0001,训练步数step=5000,batch-size=64,其中,LSTM单元个数由特征数据的维度298决定。

5.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述步骤S40)训练模型并利用保存的模型进行鼾声数据检测,具体包括,训练数据为两类,一类是呼吸暂停症相关鼾声SN,另一类是非呼吸暂停症相关鼾声NSN,将这两类数据输入到神经网络进行识别捕捉相关特征之间的联系和区别。

6.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述步骤S50)利用保存的模型进行鼾声数据检测,具体地,采用LSTM序列神经网络进行训练,训练后将输入检测的音频数据与保存的模型相关特征进行对比,相似性达到50%的数据归为一类。

7.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法,其特征在于,所述S60)识别OSAHS患者,具体方式根据AHI指数识别并判断严重程度。

8.一种基于深度学习对呼吸暂停症患者的识别系统,其特征在于包括:特征提取模块(1)、训练建模模块(2)、识别OSAHS患者模块(3);

所述特征提取模块(1),对采集得到的鼾声段进行特征提取;

所述训练建模模块(2),对提取得到的特征数据进行训练,建立特征之间的区别和联系的模型;

所述识别OSAHS患者模块(3),通过模型识别得到SN鼾声数据个数,用AHI公式计算得到患病严重程度(无、轻、中、重)。

9.根据权利要求7所述的一种基于深度学习对呼吸暂停症患者的识别系统,其特征在于,所述特征提取模块(1),其方式包括:

MFCC特征提取算法;

LPCC特征提取算法;

LPMFCC特征提取算法;

所述训练建模模块(2),具体采用LSTM神经网络和三层CNN神经网络对提取得到的特征数据进行训练。

10.根据权利要求9所述的一种基于深度学习对呼吸暂停症患者的识别系统,其特征在于,所述MFCC是由人耳对不同频率的声波有不同的听觉敏感度的启发提出来的特征,特征参数提取过程经过预处理,离散傅里叶变换后计算语音信号的功率谱,再通过一组Mel尺度的三角形滤波器组对频谱进行平滑化,从而避免特征参数受到语音的音调高低的影响,最后计算每个滤波器组输出的对数能量:

得到每个滤波器组输出的对数能量s(m)后经离散余弦变换得到MFCC系数C(n),其中Xa(k)表示各帧信号进行快速傅里叶变换得到的频谱并取模平方得到语音信号的功率谱;H(k)表示能量谱通过三角滤波器得到的频率响应:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010096363.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top