(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111650411.1 (22)申请日 2021.12.2 9 (71)申请人 讯达律科 （苏州） 计算机信息科技有 限公司 地址 215000 江苏省苏州市自由贸易试验 区苏州片区苏州工业园区星湖街328 号创意产业园8-201- 021单元 (72)发明人 刘永昌　章恒靖　 (74)专利代理 机构 深圳众邦专利代理有限公司 44545 代理人 李勇 (51)Int.Cl. G16H 50/80(2018.01) G10L 25/30(2013.01) G10L 25/03(2013.01)G10L 15/16(2006.01) G10L 15/06(2013.01) G06K 9/62(2022.01) (54)发明名称 一种基于声音特征的新型新冠辅助筛查方 法 (57)摘要 本发明涉及技术领域， 具体为一种基于声音 特征的新型新冠辅助筛查方法， 包括如下步骤： 步骤一： 获取阶段， 获取用户的原始数据； 步骤 二： 处理阶段， 对原始数据进行预处理， 并进行特 征工程； 步骤三： 训练阶段， 在预训练模 型中进行 模拟的预训练， 通过迁移学习的方式提取声音特 征向量； 步骤四： 检测阶段， 将新特征 维度和声音 特征向量传输到检测模型， 从中识别出患病人 员。 本发明利用声音数据、 不需要复杂的采集设 备， 通过数据分析、 数据预处理、 特征工程、 模型 检测最终检测出新冠患者， 可以快速、 实时的对 新冠患者进行识别与检测， 大大提升检测的时效 性以及检测的效率。 权利要求书2页 说明书6页 附图3页 CN 114420303 A 2022.04.29 CN 114420303 A 1.一种基于声 音特征的新型新冠辅助筛查方法， 其特 征在于， 包括如下步骤： 步骤一： 获取阶段， 获取用户的原 始数据； 步骤二： 处理 阶段， 根据个人经验、 专家意见对原始数据进行预处理， 并进行特征工程， 提取相关原 始数据用于识别异常行为 新并生成新特 征维度； 步骤三： 训练阶段， 利用公开数据在预训练模型中进行模拟的预训练， 通过迁移学习的 方式提取声 音特征向量； 步骤四： 检测阶段， 将所述新特征维度和所述声音特征向量传输到检测模型， 从中识别 出患病人员。 2.根据权利要求1所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述原始数据包括： 年龄和性别； 疾病史， 用于简要 描述该用户目前 是否患有呼吸道疾病； 症状， 用于记录用户目前的症状， 包括干咳、 湿咳、 嗓子痛、 头痛、 乏力、 胸闷、 呼吸急促； 咳嗽记录， 用于记录用户咳嗽的一段声 音波段； 深呼吸记录， 用于记录用户深呼吸的一段声 音波段； 检测结果， 用于标记该用户是否是确诊患者， 该字段为标签数据。 3.根据权利要求2所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述咳嗽记录的采样频率为22kHz， 在记录时要求用户咳嗽3 ‑5声， 所述深呼吸记录的采样频 率为22kHz， 在记录时要求用户用嘴进行深呼吸3 ‑5次。 4.根据权利要求1所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述特征工程对所述原 始数据进行处 理， 具体包括： 音频持续时间： 对音频进行噪音处 理和修剪； 音符起始点： 用于表示音符出现的时间点； 节奏特征： 对整个音频的全局声学节奏特 征， 用来测量峰值出现的频率； 基音周期： 检测浊音的周期， 用于作为语音信号处 理中描述激励源的参数； 均方根能量： 对一段时间内的振幅进行平方根计算， 用于感知响度， 该响度可用于事件 检测； 光谱质心： 该 特征用来描述声 音的“质心”位于何处， 用于作为检测的特 征； 滚降频率： 信号形状的度量， 用于音频事 件检测； 过零率： 信号符号变化的比率， 用于作为检测的特 征； 梅尔频率倒谱系数： 频谱 包络的整体形状， 用于作为声 音信号处 理的特征。 5.根据权利要求1所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述预训练模 型为VGGish模 型， 所述检测模型为支持向量机SVM模 型， 所述算法执行流程包括 以下步骤： 5.1： 将所述原 始数据进行 数据清理、 去重， 得到预处 理数据； 5.2： 将清洗后的所述预处 理数据， 通过 所述特征工程进行 特征提取得到特征向量； 5.3： 将清洗后的所述预处 理数据送入所述VG Gish模型进行迁移学习， 得到嵌入向量； 5.4： 将所述嵌入向量与所述特 征向量合并， 通过PCA进行降维， 得到128维向量； 5.5： 将所述128维向量送入支持向量机SVM模型， 使用高斯核函数， 构造二分类模型；权　利　要　求　书 1/2 页 2 CN 114420303 A 25.6： 训练所述支持向量机SVM模型， 输出检测结果。 6.根据权利要求1所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述VGGish模型是一种基于原始音频输入的卷积神经网络， 利用一个大规模的YouTub e数据 集进行训练， 用于提取语料 特征。 7.根据权利要求1所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述PCA通过线性变换将所述原始数据变换为一组各维度线性无关的表示， 用于提取数据的 主要特征分量， 通过 所述PCA将维度降维到128维， 送入所述检测模型。 8.根据权利要求1所述的一种基于声音特征的新型新冠辅助筛查方法， 其特征在于： 所 述支持向量机SVM模型是在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔 最大， 所述超平面 算法为： wTx+b＝0， 其中w＝(w_1， w_2， ...， w_d)为 法向量， 而b为位移项， 决定了超平面与原点之 间的距离； 假设超平面可以将 样本(xi， yi)正确分类， 则有： wTxi+b≧+1， yi＝+1； wTxi+bβ‑1， yi＝‑1； 超平面最近这几个向量正好使得等号成立， 是支持向量， 而两个异类支持向量到超平 面的间隔为； 间隔最大时为： s.t.Yi(WTXi+b)≥， i＝1， 2， ...， m。权　利　要　求　书 2/2 页 3 CN 114420303 A 3