婴儿哭声识别方法及终端设备与流程

[0001]
本发明属于声音识别技术领域，尤其涉及一种婴儿哭声识别方法及终端设备。


背景技术：

[0002]
目前，婴儿哭声识别大多根据婴儿哭声具有较大分贝的特性，根据分贝值进行识别。这种识别方法虽然运算量极低，但是若有其他分贝值较大的声音，例如撞击声、呼叫声等，同样会被识别为婴儿哭声，出现误报现象。因此，现有婴儿哭声识别方法的准确率较低。


技术实现要素：

[0003]
有鉴于此，本发明实施例提供了一种婴儿哭声识别方法及终端设备，以解决现有技术婴儿哭声识别方法的准确率较低的问题。
[0004]
本发明实施例的第一方面提供了一种婴儿哭声识别方法，包括：
[0005]
获取数字化声音信号；
[0006]
采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量；
[0007]
对定点数特征向量进行滤波运算，得到浮点数特征向量；
[0008]
将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声。
[0009]
本发明实施例的第二方面提供了一种婴儿哭声识别装置，包括：
[0010]
获取模块，用于获取数字化声音信号；
[0011]
特征提取模块，用于采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量；
[0012]
滤波模块，用于对定点数特征向量进行滤波运算，得到浮点数特征向量；
[0013]
识别模块，用于将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声。
[0014]
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面所述婴儿哭声识别方法的步骤。
[0015]
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被一个或多个处理器执行时实现如第一方面所述婴儿哭声识别方法的步骤。
[0016]
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量，再对定点数特征向量进行滤波运算得到浮点数特征向量，采用定点运算可以减少运算量；通过将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声，可以提高婴儿哭声识别的准确率；本发明实施例在保证低运算量的同时能够提高婴儿哭声识别的准确率。
附图说明
[0017]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]
图1是本发明一实施例提供的婴儿哭声识别方法的实现流程示意图；
[0019]
图2是本发明一实施例提供的声音识别神经网络模型的结构示意图；
[0020]
图3是本发明一实施例提供的婴儿哭声识别装置的示意框图；
[0021]
图4是本发明一实施例提供的终端设备的示意框图。
具体实施方式
[0022]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0023]
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0024]
图1是本发明一实施例提供的婴儿哭声识别方法的实现流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是终端设备包含的处理器。如图1所示，该方法可以包括以下步骤：
[0025]
s101：获取数字化声音信号。
[0026]
本发明实施例可以通过声音采集模块采集外部声音信号，并将外部声音信号最终转换为数字化声音信号，发送至处理器。其中，数字化声音信号可以指采用二进制形式的声音信号。
[0027]
s102：采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量。
[0028]
在本发明实施例中，为了加快指令周期降低运算资源的负担，在特征提取的过程中，采用定点运算。
[0029]
在本发明的一个实施例中，上述s102可以包括以下步骤：
[0030]
采用定点运算，对数字化声音信号进行预加重处理得到预加重后的声音信号；
[0031]
将预加重后的声音信号划分为多帧音框信号；其中，每帧音框信号与前一帧音框信号重叠预设时间；
[0032]
采用汉明窗，对每帧音框信号分别进行加窗处理，得到对应的多帧加窗后的音框信号；
[0033]
对每帧加窗后的音框信号分别进行傅里叶变换得到对应的多个傅里叶频谱；
[0034]
对每个傅里叶频谱分别进行梅尔三角滤波处理和对数运算得到对应的多个梅尔倒频谱；
[0035]
对每个梅尔倒频谱分别进行离散余弦转换处理得到对应的多个定点数mfcc(mel-frequency cepstral coefficient，梅尔频率倒谱系数)特征，多个定点数mfcc特征组成定点数特征向量。
[0036]
具体地，将数字化声音信号通过预加重处理，能够补偿声音高频的损失。将经过预
加重处理后的数字化声音信号称为预加重后的声音信号。
[0037]
将预加重后的声音信号每32ms划分为一个音框，并重叠16ms，得到多帧音框信号。将每帧音框信号经过汉明窗后可以减少频谱的失真以及声音的不连续性，让声音能够更为集中。将经过汉明窗后的音框信号称为加窗后的音框信号。
[0038]
将每帧加窗后的音框信号做傅里叶变换得到多个傅里叶频谱。将每个傅里叶频谱的能量经过40组梅尔三角滤波器，并做对数计算，得到多个梅尔倒频谱，此为对应人耳的听觉频率响应上的强度。将每个梅尔倒频谱经过离散余弦转换降低维度，得到多个定点数mfcc特征，组成定点数特征向量。其中，定点数mfcc特征是指用定点数表示的mfcc。
[0039]
s103：对定点数特征向量进行滤波运算，得到浮点数特征向量。
[0040]
对定点数特征向量中的每个定点数mfcc特征分别进行滤波运算得到多个滤波后的浮点数mfcc特征，组成浮点数特征向量。其中，浮点数mfcc特征是指用浮点数表示的mfcc。
[0041]
在本发明的一个实施例中，上述s103可以包括：
[0042]
s104：将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声。
[0043]
在本发明实施例中，通过声音识别神经网络模型识别婴儿哭声。声音识别神经网络模型可以识别出声音信号中是否包含婴儿哭声。
[0044]
由上述描述可知，本发明实施例通过采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量，再对定点数特征向量进行滤波运算得到浮点数特征向量，采用定点运算可以减少运算量；通过将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声，可以提高婴儿哭声识别的准确率；本发明实施例在保证低运算量的同时能够提高婴儿哭声识别的准确率。
[0045]
在本发明的一个实施例中，声音识别神经网络模型包括依次连接的输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；
[0046]
输入层的维度与浮点数特征向量的维度相同；
[0047]
第一隐藏层包括64个gru(gated recurrent unit，门控循环单元)神经元，第二隐藏层包括32个dnn(deep neural network，深度神经网络)神经元，第三隐藏层包含16个dnn神经元；
[0048]
输出层包含18个神经元。
[0049]
参见图2，声音识别神经网络模型可以包括输入层、隐藏层和输出层，隐藏层可以包括第一隐藏层、第二隐藏层和第三隐藏层。其中，输入层的维度与浮点数特征向量的维度相同，均为12。隐藏层使用了较小且较浅的三层架构，参数量可以大幅降低。输出层的18个神经元可以表示18中常见的声音事件类别，包括婴儿哭声类别。
[0050]
本发明实施例使用的声音识别神经网络模型对于数据具有高度的抽象性，在非线性数据运算上可以有很好的效果，且该模型具有强健性，对噪声的抗噪性较强。
[0051]
在本发明的一个实施例中，在上述s104之前，上述婴儿哭声识别方法还可以包括：
[0052]
获取初始训练集，并对初始训练集进行数据增强处理得到目标训练集；
[0053]
对目标训练集中的每个训练样本分别进行特征提取，得到每个训练样本对应的浮点数训练特征向量；
[0054]
对每个浮点数训练特征向量分别进行z-score标准化处理，得到对应的多个标准的训练特征向量；
[0055]
基于多个标准的训练特征向量，对预设的声音识别神经网络模型进行训练，得到预先训练完成的声音识别神经网络模型。
[0056]
其中，初始训练集可以包括不同类别的声音数据，即不同类别的训练样本，且每个声音数据已经标注类别。不同类别的声音数据中包含婴儿哭声类别的数据。
[0057]
为了弥补真实数据的不足，且增强模型的抗噪能力，使用数据增强的方法来丰富初始训练集中的声音数据，得到目标训练集。数据增强的方法可以包括emda(equalized mixture data augmentation，均衡混合数据增强)及vtlp(vocal tract length perturbation，声道长度扰动)。其中，emda通过为干净的声音数据，如婴儿哭声数据，加上白噪声或者其他噪声，生成新的声音数据；vtlp通过为频谱做轻微扰动来生成新的声音数据。生成的新的声音数据与原来的声音数据组成目标训练集。
[0058]
对目标训练集中的每个训练样本采用前述特征提取的方法，提取出对应的浮点数训练特征向量。浮点数训练特征向量为训练样本对应的浮点数特征向量。
[0059]
z-score标准化(z-score standardization)是一种标准化手法，经z-score标准化后可将数据符合常态分布(平均值为0，标准偏差为1)，其优点为可降低离群值对整体数据的影响，同时也降低对模型的影响。
[0060]
在本发明的一个实施例中，在上述得到预先训练完成的声音识别神经网络模型之后，婴儿哭声识别方法还包括：
[0061]
获取测试样本，并对测试样本进行特征提取，得到测试样本对应的浮点数测试特征向量；
[0062]
对浮点数测试特征向量进行z-score标准化处理，得到标准的测试特征向量；
[0063]
将标准的测试特征向量输入预先训练完成的声音识别神经网络模型，得到测试样本的识别结果；
[0064]
若测试样本的识别结果与测试样本的预先标注结果不同，则获取新的初始训练集，并基于新的初始训练集继续对声音识别神经网络模型进行训练，直至测试样本的识别结果与测试样本的预先标注结果相同。
[0065]
其中，浮点数测试特征向量为测试样本对应的浮点数特征向量。采用同样的特征提取方法，可以得到测试样本对应的浮点数测试特征向量。预先标注结果为测试样本已标注的所属类别。
[0066]
通过测试样本对预先训练完成的声音识别神经网络模型进行测试，若测试样本的识别结果与测试样本的预先标注结果相同，则训练完成。若测试样本的识别结果与测试样本的预先标注结果不同，则获取新的初始训练集，重新执行上述训练过程，继续对声音识别神经网络模型进行训练，直至测试样本的识别结果与测试样本的预先标注结果相同。
[0067]
在本发明的一个实施例中，在上述s104之后，上述婴儿哭声识别方法还可以包括：
[0068]
若数字化声音信号中包含婴儿哭声，则向报警模块发送报警信号，报警信号用于指示报警模块进行报警。
[0069]
若识别出婴儿哭声，则进行报警，提醒看护人员。
[0070]
由上述描述可知，训练过程以z-score标准化优化mfcc声音特征，使声音识别神经
网络模型收敛的效果更好，以定点运算和小型的神经网络大幅降低了运算量，提高了移植低阶平台的可能性，且可以有效侦测出婴儿哭声及降低误报率，能够解决市面上婴儿哭声侦测装置普遍发生的问题。
[0071]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0072]
对应于上述婴儿哭声识别方法，本发明一实施例还提供了一种婴儿哭声识别装置，具有与上述婴儿哭声识别方法同样的有益效果。图3是本发明一实施例提供的婴儿哭声识别装置的示意框图，为了便于说明，仅示出与本发明实施例相关的部分。
[0073]
在本发明实施例中，婴儿哭声识别装置30可以包括获取模块301、特征提取模块302、滤波模块303和识别模块304。
[0074]
其中，获取模块301，用于获取数字化声音信号；
[0075]
特征提取模块302，用于采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量；
[0076]
滤波模块303，用于对定点数特征向量进行滤波运算，得到浮点数特征向量；
[0077]
识别模块304，用于将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声。
[0078]
在本发明的一个实施例中，上述识别模块304中的声音识别神经网络模型包括依次连接的输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；
[0079]
输入层的维度与浮点数特征向量的维度相同；
[0080]
第一隐藏层包括64个gru神经元，第二隐藏层包括32个dnn神经元，第三隐藏层包含16个dnn神经元；
[0081]
输出层包含18个神经元。
[0082]
在本发明的一个实施例中，特征提取模块302，具体用于：
[0083]
采用定点运算，对数字化声音信号进行预加重处理得到预加重后的声音信号；
[0084]
将预加重后的声音信号划分为多帧音框信号；其中，每帧音框信号与前一帧音框信号重叠预设时间；
[0085]
采用汉明窗，对每帧音框信号分别进行加窗处理，得到对应的多帧加窗后的音框信号；
[0086]
对每帧加窗后的音框信号分别进行傅里叶变换得到对应的多个傅里叶频谱；
[0087]
对每个傅里叶频谱分别进行梅尔三角滤波处理和对数运算得到对应的多个梅尔倒频谱；
[0088]
对每个梅尔倒频谱分别进行离散余弦转换处理得到对应的多个定点数mfcc特征，多个定点数mfcc特征组成定点数特征向量。
[0089]
在本发明的一个实施例中，婴儿哭声识别装置30还可以包括训练模块。
[0090]
训练模块，可以用于：
[0091]
获取初始训练集，并对初始训练集进行数据增强处理得到目标训练集；
[0092]
对目标训练集中的每个训练样本分别进行特征提取，得到每个训练样本对应的浮点数训练特征向量；
[0093]
对每个浮点数训练特征向量分别进行z-score标准化处理，得到对应的多个标准的训练特征向量；
[0094]
基于多个标准的训练特征向量，对预设的声音识别神经网络模型进行训练，得到预先训练完成的声音识别神经网络模型。
[0095]
在本发明的一个实施例中，婴儿哭声识别装置30还可以包括测试模块。
[0096]
测试模块，可以用于：
[0097]
获取测试样本，并对测试样本进行特征提取，得到测试样本对应的浮点数测试特征向量；
[0098]
对浮点数测试特征向量进行z-score标准化处理，得到标准的测试特征向量；
[0099]
将标准的测试特征向量输入预先训练完成的声音识别神经网络模型，得到测试样本的识别结果；
[0100]
若测试样本的识别结果与测试样本的预先标注结果不同，则获取新的初始训练集，并基于新的初始训练集继续对声音识别神经网络模型进行训练，直至测试样本的识别结果与测试样本的预先标注结果相同。
[0101]
在本发明的一个实施例中，婴儿哭声识别装置30还可以包括报警信号发送模块。
[0102]
报警信号发送模块，可以用于：
[0103]
若数字化声音信号中包含婴儿哭声，则向报警模块发送报警信号，报警信号用于指示报警模块进行报警。
[0104]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述婴儿哭声识别装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0105]
图4是本发明一实施例提供的终端设备的示意框图。如图4所示，该实施例的终端设备40包括：一个或多个处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各个婴儿哭声识别方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器401执行所述计算机程序403时实现上述婴儿哭声识别装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
[0106]
示例性地，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备40中的执行过程。例如，所述计算机程序403可以被分割成获取模块、特征提取模块、滤波模块和识别模块，各模块具体功能如下：
[0107]
获取模块，用于获取数字化声音信号；
[0108]
特征提取模块，用于采用定点运算，对数字化声音信号进行特征提取，得到定点数特征向量；
[0109]
滤波模块，用于对定点数特征向量进行滤波运算，得到浮点数特征向量；
[0110]
识别模块，用于将浮点数特征向量输入预先训练完成的声音识别神经网络模型中，识别数字化声音信号是否包含婴儿哭声。
[0111]
其它模块或者单元可参照图3所示的实施例中的描述，在此不再赘述。
[0112]
所述终端设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备，还可以是语音识别设备。所述终端设备40包括但不仅限于处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备40的一个示例，并不构成对终端设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备40还可以包括输入设备、输出设备、网络接入设备、总线等。
[0113]
所述处理器401可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0114]
所述存储器402可以是所述终端设备40的内部存储单元，例如终端设备40的硬盘或内存。所述存储器402也可以是所述终端设备40的外部存储设备，例如所述终端设备40上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flast card)等。进一步地，所述存储器402还可以既包括终端设备40的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序403以及所述终端设备40所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
[0115]
在本发明的一个实施例中，上述终端设备40还包括声音采集模块和报警模块；
[0116]
声音采集模块和报警模块均与处理器连接；
[0117]
声音采集模块用于采集外部声音信号，将外部声音信号转换为模拟电流信号，并对模拟电流信号分别进行放大处理、滤波处理和模数转换处理得到数字化声音信号，将数字化声音信号发送至处理器；
[0118]
报警模块用于在接收到处理器发送的报警信号时，进行报警。
[0119]
可选地，声音采集模块可以包括依次连接的麦克风收音单元、放大器、滤波器和模数转换器。
[0120]
麦克风收音单元用于采集外部声音信号，并将外部声音信号转换为模拟电流信号。
[0121]
放大器用于对模拟电流信号进行放大处理。其中，放大器可以根据用户需求，预先设定多种灵敏度，根据实际需求，选择合适的灵敏度对模拟电流信号进行放大。
[0122]
滤波器用于对放大后的模拟电流信号进行滤波处理。在滤波处理中，可以调整信号的频谱响应，做声音加强、等化处理、滤噪声处理等。
[0123]
模数转换器用于对滤波后的电流信号进行模数转换得到数字化声音信号，并发送
至处理器。模数转换器可以设定好合适的采样频率、位数等，将模拟信号转换成数字信号。
[0124]
报警模块可以再接收到报警信号后，进行声音报警，也可以发送相关信息至相关人员的移动终端。
[0125]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0126]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0127]
在本申请所提供的实施例中，应该理解到，所揭露的婴儿哭声识别装置和方法，可以通过其它的方式实现。例如，以上所描述的婴儿哭声识别装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0128]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0129]
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0130]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0131]
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应
包含在本申请的保护范围之内。