基于人工智能的咳嗽检测方法、系统以及计算机设备与流程

本发明涉及数据处理的，特别涉及一种基于人工智能的咳嗽检测方法、系统以及计算机设备。

背景技术：

1、

2、咳嗽作为一些传染病的早期症状之一，及时检测咳嗽行为并结合其他生命体征进行身体健康状况的分析有着极其重要的作用。目前国内外对咳嗽检测设备的研究大多是记录咳嗽声音信号进行分析，还有部分研究集中在床垫式和腰带式设备，通过记录咳嗽信号和使用者腹部的呼吸信号进行分析。但是这些设备通常使用不方便，且由于麦克风采集到的咳嗽声音干扰大，且其他人的咳嗽也会被采集进来而且准确度得不到保障。

技术实现思路

1、本发明的主要目的为提供一种基于人工智能的咳嗽检测方法、系统以及计算机设备，旨在克服麦克风采集到的咳嗽声音干扰大，以及准确度得不到保障的缺陷。

2、为实现上述目的，本发明提供了一种基于人工智能的咳嗽检测方法，包括以下步骤：

3、智能穿戴设备上的声音采集装置采集使用者的音频数据；其中，所述智能穿戴设备佩戴于使用者身上；

4、基于咳嗽识别分类模型对所述音频数据中的非咳嗽信号进行剔除，得到咳嗽音频数据；

5、将所述咳嗽音频数据上传至平台端；其中，所述平台端将所述咳嗽音频数据输入至预设的个体识别模型中，输出得到使用者的咳嗽信号；

6、所述平台端将所述咳嗽信号输入至咳嗽检测模型中进行检测，得到对应的咳嗽类型检测结果；其中，所述个体识别模型、咳嗽检测模型预先基于人工智能模型训练得到。

7、进一步地，所述智能穿戴为智能手环。

8、进一步地，所述咳嗽检测模型的训练方式，包括：

9、通过多通道信号采集设备获取用户的咳嗽样本信号，并对所述咳嗽样本信号标记对应的信号标签；其中，所述多通道信号采集设备可以分别采集人声信号、环境信号以及其它噪声信号，并将其整合为一个多通道信号；

10、对所述咳嗽样本信号进行有效咳嗽样本提取，得到与所述咳嗽样本信号对应的有效咳嗽样本信号；其中，所述有效咳嗽样本信号是通过对多通道咳嗽样本信号进行时域上的信号分离而得到的；

11、对所述有效咳嗽样本信号进行特征提取，得到与所述咳嗽样本信号对应的高维特征向量；其中，所述高维特征向量包括时域特征、频域特征和能量特征；

12、将所述高维特征向量以及所述对应的信号标签输入至人工智能模型中进行迭代训练，直至模型收敛之后，得到咳嗽检测模型；其中，所述咳嗽检测模型可以实现对不同类型咳嗽的自动识别，包括湿性咳嗽、干性咳嗽、痰鸣音。

13、进一步地，所述咳嗽识别分类模型的训练方式，包括：

14、采集多个包含有非咳嗽信号和咳嗽信号的音频样本数据；

15、采集样本噪声数据；其中，所述样本噪声数据为包括非咳嗽信号的音频数据；

16、将音频样本数据和样本噪声数据输入至待训练的去噪模型；

17、通过去噪模型的第一分支生成样本噪声数据的第一子预测噪声数据，并通过去噪模型的第二分支得到音频样本数据对应的去噪数据以及第二子预测噪声数据；

18、将所述第一子预测噪声数据以及第二子预测噪声数据合并，得到预测噪声数据；

19、基于去噪数据与预测噪声数据，得到音频样本数据的预测数据；

20、利用第一子预测噪声数据和样本噪声数据，计算得到第一损失值；利用音频样本数据的预测数据和音频样本数据，计算得到第二损失值；

21、利用第一损失值和第二损失值对待训练的去噪模型进行训练，得到训练完成的去噪模型，作为所述咳嗽识别分类模型。

22、进一步地，所述咳嗽识别分类模型的训练方式，包括：

23、采集多个包含有非咳嗽信号和咳嗽信号的音频样本数据；

24、采集样本噪声数据；其中，所述样本噪声数据为包括非咳嗽信号的音频数据；

25、将音频样本数据和样本噪声数据输入至待训练的去噪模型；

26、通过去噪模型的第一分支生成样本噪声数据的第一子预测噪声数据，并通过去噪模型的第二分支得到音频样本数据对应的去噪数据以及第二子预测噪声数据；

27、将所述第一子预测噪声数据以及第二子预测噪声数据合并，得到预测噪声数据；

28、基于去噪数据与预测噪声数据，得到音频信号的预测数据；

29、利用音频样本数据、去噪数据、预测噪声数据和样本噪声数据，分别计算不同的损失函数值；

30、根据计算所得的损失函数值，利用深度学习算法对待训练的去噪模型进行优化，得到训练完成的去噪模型，作为所述咳嗽识别分类模型。

31、进一步地，所述智能穿戴设备上的声音采集装置采集使用者的音频数据的步骤，包括：

32、所述智能穿戴设备通过心率传感器持续采集使用者的心率信号；

33、将所述使用者的心率信号输入至预设的心率异常检测模型中，预测所述使用者的心率信号是否出现异常；其中，所述心率异常检测模型预先基于深度学习模型训练得到；

34、若出现异常，则启动声音采集装置采集使用者的音频数据；

35、其中，所述心率异常检测模型的训练方式，包括：

36、采集心率信号数据，并将心率信号数据分段处理为预测样本数据；其中，每个预测样本数据的长度为预设时间长度；

37、对预测样本数据进行特征抽取处理，得到预测样本特征；其中，包括从预测样本数据中提取频域类特征、数值类特征和自身变化趋势特征；

38、在已标注的历史数据比较特征和预测误差特征的数据库中，获取与预测样本数据对应的历史数据比较特征和预测误差特征；

39、将预测样本特征、历史数据比较特征和预测误差特征输入至初始心率异常信号检测模型中进行训练，得到所述心率异常检测模型。

40、进一步地，所述智能穿戴设备上的声音采集装置采集使用者的音频数据的步骤，包括：

41、识别佩戴于使用者身上的智能穿戴设备的标识码；其中，所述标识码设置于智能穿戴设备上；

42、在数据库中查询所述标识码对应的使用者信息；

43、根据所述使用者信息，确定适用于所述使用者的音频采集模型；

44、获取所述使用者当前的生理参数，所述生理参数包括心率以及呼吸率；

45、基于所述生理参数，调整所述音频采集模型的模型参数；

46、通过智能穿戴设备的声音采集装置采集使用者的声音，并使用调整后的音频采集模型对声音处理，得到所述音频数据。

47、进一步地，所述智能穿戴设备上的声音采集装置采集使用者的音频数据的步骤，包括：

48、通过智能穿戴设备识别使用者的身份标识；其中，所述身份标识为使用者个人信息的加密数据；

49、在使用者权限数据库中查询所述身份标识对应的音频数据采集权限；其中，所述音频数据采集权限包括对使用者音频数据采集和存储的许可；

50、根据所述音频数据采集权限，确定对应的音频数据采集策略；从所述音频数据采集策略中，确定具有变量的目标采集策略；其中，所述变量包括需要根据使用者环境及行为特征进行适应性调整的音频采集模型；

51、通过智能穿戴设备的传感器获取使用者的环境及行为特征，根据所述环境及行为特征确定对应的模型参数集合；其中，所述模型参数集合为所述音频采集模型的最优模型参数的集合；

52、基于所述模型参数集合，控制更新所述音频采集模型的模型参数；

53、基于更新后的音频采集模型对所述智能穿戴设备进行音频数据采集。

54、本发明还提供了一种基于人工智能的咳嗽检测系统，包括：

55、采集单元，用于智能穿戴设备上的声音采集装置采集使用者的音频数据；其中，所述智能穿戴设备佩戴于使用者身上；

56、剔除单元，用于基于咳嗽识别分类模型对所述音频数据中的非咳嗽信号进行剔除，得到咳嗽音频数据；

57、上传单元，用于将所述咳嗽音频数据上传至平台端；其中，所述平台端将所述咳嗽音频数据输入至预设的个体识别模型中，输出得到使用者的咳嗽信号；

58、检测单元，用于所述平台端将所述咳嗽信号输入至咳嗽检测模型中进行检测，得到对应的咳嗽类型检测结果；其中，所述个体识别模型、咳嗽检测模型预先基于人工智能模型训练得到。

59、本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

60、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

61、本发明提供的基于人工智能的咳嗽检测方法、系统以及计算机设备，包括智能穿戴设备上的声音采集装置采集使用者的音频数据；其中，所述智能穿戴设备佩戴于使用者身上；基于咳嗽识别分类模型对所述音频数据中的非咳嗽信号进行剔除，得到咳嗽音频数据；将所述咳嗽音频数据上传至平台端；其中，所述平台端将所述咳嗽音频数据输入至预设的个体识别模型中，输出得到使用者的咳嗽信号；所述平台端将所述咳嗽信号输入至咳嗽检测模型中进行检测，得到对应的咳嗽类型检测结果；其中，所述个体识别模型、咳嗽检测模型预先基于人工智能模型训练得到。本发明中，可以从音频数据中剔除非咳嗽信号的干扰，以及剔除掉其他人的咳嗽，进而进行咳嗽类型检测，提升了检测准确度。