[发明专利]一种自闭症语音特征辅助识别机器人及方法

说明书

本发明公开了一种自闭症语音特征辅助识别机器人及方法，所述机器人包括：自闭症语音特征识别模型构建及训练单元，利用长短记忆神经网络和卷积神经网络构建自闭症语音特征识别模型，以量化的语音特征作为传感信号输入模型，对语音特征在传感信号的表现特征进行学习，并利用反向传播法对所述模型进行训练，实现分类器在网络权重的优化，最终获得可用于语音信号识别的自闭症语音特征识别模型；语音采集单元，采集机器人与被测者互动过程中被测者的语音信息；语音信息预处理单元，用于将采集的语音信息进行预处理，将语音特征量化为M维的语音特征向量；语音特征识别单元，利用训练好的模型，对经预处理后的语音信号进行语音特征识别。

技术领域

本发明涉及语音情感识别技术领域，特别是涉及一种基于LSTM（Long Short-TermMemory，长短期记忆网络）与CNN（Convolutional Neural Networks, 卷积神经网络）的自闭症语音特征辅助识别机器人及方法。

背景技术

孤独症谱系障碍(autismspectrumdisorder，ASD)又称自闭症，已经越来越被社会所关注。在中国，0至14岁的自闭症儿童患者数量在300万至500万之间。目前对孤独症的评估方法，主要集中在语言交流障碍、社会交往障碍、重复刻板行为三方面。对ASD进行有效的、准确的评估需要临床经验丰富的专业医疗人员对儿童进行观察，并一同进行试验。这样的方法需要大量的人力对数据进行整理，效率低下并存在一定的人为主观性，评估结果的误差会比较大。

另一方面，现有的语音情感识别方法中，主要有基于深度信念网络的语音情感识别方法、基于长短期记忆网络（LSTM）的语音情感识别方法和基于卷积神经网络(CNN)的语音情感识别方法。上述三种方法中，存在的主要缺点是无法兼顾各个网络模型的优点。比如，深度信念网络可以将一维序列用作输入，但是无法利用序列前后间的相关性；长短期记忆网络虽然能够利用序列前后间的相关性，但是提取的特征维数较高；卷积神经网络无法直接对语音序列进行处理，需先对语音信号进行傅里叶变换，将其转换为频谱后作为输入。传统的语音情感识别方法在特征提取和分类发展前景小,以及现有的基于深度学习的语音情感方法网络结构比较单一。

综上所述，现有自闭症筛查技术中，人工筛查依然是主导，但人工筛查需要花费大量的人力整理数据，并且人工筛查存在一定的主观性，因此筛查结果有一定的误差，而现有自闭症语音特征识别技术中，只是单纯将语音里的内容转换成文字内容，这种方法只适合低功能自闭症对象，并不适合高功能自闭症对象；另一方面，现有语音情感识别技术中，大部分人使用支持向量机（SVM）、隐马尔可夫模型（HMM）进行语音识别，但是模型精度不高，容易受噪声的影响。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种自闭症语音特征辅助识别机器人及方法，以辅助解决现有自闭症筛查中存在的人工筛选误差大、效率低的问题，并提高了语音特征识别的鲁棒性和准确性。

为达上述及其它目的，本发明提出一种自闭症语音特征辅助识别机器人，包括：

自闭症语音特征识别模型构建及训练单元，利用长短记忆神经网络和卷积神经网络构建自闭症语音特征识别模型，以量化的语音特征作为传感信号输入所述自闭症语音特征识别模型，对语音特征在传感信号的表现特征进行学习，并利用反向传播法对所述自闭症语音特征识别模型进行训练，实现分类器在网络权重的优化，最终获得可用于语音信号识别的自闭症语音特征识别模型；

语音采集单元，用于采集机器人与被测者互动过程中被测者的语音信息；

语音信息预处理单元，用于将采集的语音信息进行预处理，将语音特征量化为M维的语音特征向量；

语音特征识别单元，用于利用训练好的自闭症语音特征识别模型，对经所述语音采集单元采集、所述语音信息预处理单元处理后的语音信号进行语音特征识别。