基于特征级联的肺炎咳嗽声识别

摘要：

针对识别肺炎咳嗽声方面现有特征组合方法单一的问题,提出了实现级联浅层和深层特征的SELeNet-5网络模型.首先对咳嗽声使用6层小波包分解得到相对小波包能量作为浅层特征,同时,对咳嗽声预处理生成语谱图,使用改进的LeNet-5网络作为特征提取模型,从语谱图提取出深层特征;其次通过特征级联网络层结合浅层和深层两种不同层次的特征,形成新的特征向量;最终输入到注意力机制网络模块并通过全连接网络层输出肺炎咳嗽声的识别结果.对比实验结果表明,使用特征级联方法的SELeNet-5网络模型方法得到了79.81％的准确率,相比使用单一浅层特征准确率提高了6.81％,与使用单一深层特征相比准确率提高了2.92％.实验结果表明级联特征在肺炎咳嗽声识别上比单一的浅层或深层特征具有更好的效果,有效提高了肺炎咳嗽声识别准确率.

关键词：深度网络模型、肺炎咳嗽声识别、小波包分解、特征级联、语谱图、注意力机制、卷积神经网络

所属期刊栏目：45

分类号：TN711-34;TP391.42(基本电子电路)

资助基金：浙江省大学生科技创新活动计划2021R409053

在线出版日期：2022-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：60-64