感冒检测系统、设备、车辆和存储介质的制作方法

1.本公开涉及人工智能技术领域，特别是涉及一种感冒检测系统、计算机设备、车辆、计算机可读存储介质和计算机程序产品。


背景技术：

2.近年来，随着社会经济和科技增长，人们的生活水平得到不断提升，私家车数量的不断提升，人们用车的频数和时长也有了显著提升。当人们健康意识提升，车内健康问题成为不可忽视的重要问题。生活节奏的加快和工作强度的增加，使得人们的抵抗力减弱、长期处于亚健康状态、生病的概率增加。因此让人们及时了解自己的身体状况是非常有必要的。


技术实现要素：

3.提供一种缓解、减轻或甚至消除上述问题中的一个或多个的机制将是有利的。
4.根据本公开的一方面，提供了一种感冒检测系统，包括：声学特征检测模块，用于检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；数据获取模块，用于响应于检测到所述受检者的所述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；数据处理模块，用于利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；特征拼接模块，用于将所述体温变化特征和所述目标声学特征进行拼接，得到拼接特征向量；以及结果检测模块，用于利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
5.根据本公开的另一方面，提供了一种计算机设备，包括：至少一个处理器；以及至少一个存储器，其上存储有计算机程序，其中，所述计算机程序在被所述至少一个处理器执行时，使所述至少一个处理器实现包括以下各项的操作：检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；响应于检测到所述受检者的所述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；将所述体温变化特征和所述目标声学特征进行拼接，得到拼接特征向量；以及利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
6.根据本公开的又另一方面，提供了一种车辆，包括上述感冒检测系统或上述计算机设备。
7.根据本公开的又另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使处理器实现包括以下各项的操作：检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；响应于检测到所述受检者的所
述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；将所述体温变化特征和所述目标声学特征进行拼接，得到拼接特征向量；以及利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
8.根据本公开的再另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，使处理器实现包括以下各项的操作：检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；响应于检测到所述受检者的所述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；将所述体温变化特征和所述目标声学特征进行拼接，得到拼接特征向量；以及利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
9.根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。
附图说明
10.在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
11.图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图；
12.图2是图示出根据示例性实施例的感冒检测系统的示意性框图；
13.图3是图示出根据另一个示例性实施例的感冒检测系统的数据处理模块的示意性框图；
14.图4是图示出图2的感冒检测系统的示例工作流程的流程图；
15.图5是图示出能够应用于示例性实施例的示例性计算机设备的框图。
具体实施方式
16.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
17.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。如本文使用的，术语“多个”意指两个或更多，并且术语“基于”应解释为“至少部分地基于”。此外，术语“和/或”以及
“……
中的至少一个”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
18.相关技术中，对于车内健康检测系统，通常是使用传感器获取包括温度、心率、脉搏、压力、呼吸频率中的一种或多种生理指标，然后通过云端健康诊断平台或车载电脑来进行数据处理，以实现对发烧或心律失常等急性疾病的检测，然而，由于感冒时体温、心率变化可能不明显，因此，现有的车内健康检测系统难以实现感冒检测。
19.相关技术中，也有通过生物检测标记物进行感冒病毒检测的，但是这种方法需要购买专用装置，并需要获取体液样本，因此不适用于车内；此外，另一种方案是通过用户终端收集用户对自身症状的描述，并发送给医务人员，医务人员返回诊断信息到用户，但此方案过度依赖用户描述，因此检测结果的准确率较低。
20.根据本公开的实施例，提供了一种感冒检测系统，通过对受检者进行声学特征检测，以在检测到受检者的语音中出现感冒症状相关的目标声学特征时获取目标时间段内的受检者的目标体温数据，并将从目标体温数据中提取出表征受检者在目标时间段内体温变化趋势的体温特征向量与检测到的目标声学特征进行拼接，从而实现了结合受检者的体温特征和声学特征来确定感冒检测结果，克服了现有的车内健康检测系统难以直接基于体温数据实现感冒检测的缺陷。
21.下面结合附图详细描述本公开的示例性实施例。
22.图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统100的示意图。
23.参考图1，该系统100包括车载系统110、服务器120、以及将车载系统110与服务器120通信地耦合的网络130。
24.车载系统110包括显示器114和可经由显示器114显示的应用程序(app)112。应用程序112可以为车载系统110默认安装的或由用户102下载和安装的应用程序，或者作为轻量化应用程序的小程序。在应用程序112为小程序的情况下，用户102可以通过在宿主应用中搜索应用程序112(例如，通过应用程序112的名称等)或扫描应用程序112的图形码(例如，条形码、二维码等)等方式，在车载系统110上直接运行应用程序112，而无需安装应用程序112。在一些实施例中，车载系统110可以包括一个或多个处理器和一个或多个存储器(未示出)，并且车载系统110被实现为车载计算机。在一些实施例中，车载系统110可以包括更多或更少的显示屏114(例如，不包括显示屏114)，和/或一个或多个扬声器或其他人机交互设备。在一些实施例中，车载系统110可以不与服务器120通信。
25.服务器120可以代表单台服务器、多台服务器的集群、分布式系统、或者提供基础云服务(诸如云数据库、云计算、云存储、云通信)的云服务器。将理解的是，虽然图1中示出服务器120与仅一个车载系统110通信，但是服务器120可以同时为多个车载系统提供后台服务。
26.网络130允许按照约定的通信协议和数据交互标准，在车-x(“x”意指车、路、行人或互联网等)之间，进行无线通讯和信息交换。网络130的示例包括局域网(lan)、广域网(wan)、个域网(pan)、和/或诸如互联网之类的通信网络的组合。网络130可以是有线或无线网络。在一个示例中，网络130可以是车内网、车际网和/或车载移动互联网。
27.为了本公开实施例的目的，在图1的示例中，应用程序112可以为感冒检测应用程序，该感冒检测应用程序可以提供基于用户的语音音频数据和体温数据进行感冒检测的功能。与此相应，服务器120可以是与感冒检测应用程序一起使用的服务器。该服务器120可以
基于车载系统110中运行的应用程序112上传的用户的语音音频数据和体温数据提取出用户与感冒相关的声学特征和体温变化特征，对二者进行拼接后得到拼接特征向量，并将处理拼接特征向量得到的感冒检测结果发送回车载系统110中运行的应用程序112，以反馈给用户。替换地，服务器120也可以将上述感冒检测结果提供给车载系统110，由车载系统110中运行的应用程序112对其进行调用并反馈给用户。
28.图2是图示出根据示例性实施例的感冒检测系统200的示意性框图。
29.根据一些实施例，如图2所示，提供了一种感冒检测系统200，包括声学特征模块210、数据获取模块220、数据处理模块230、特征拼接模块240和结果检测模块250。
30.声学特征检测模块210用于检测受检者的目标声学特征，目标声学特征表征受检者的感冒症状。
31.在一些实施例中，目标声学特征包括但不限于受检者在出现咳嗽、打喷嚏、擤鼻涕、声音沙哑等症状时语音中所具备的声学特征。应当理解，上述症状仅作举例说明之用，在具体实施过程中，目标声学特征还可以是其他与感冒相关联的症状的声学特征，在此不作具体限制。
32.数据获取模块220，用于响应于检测到受检者的目标声学特征，获取在目标时间段内采集到的受检者的体温数据序列作为目标体温数据。
33.在一些实施例中，目标时间段可以根据具体实施场景进行设置。在一个示例中，目标时间段为检测到目标声学特征之前的72小时，并且，以1小时为时间间隔，采集受检者的72个体温数据作为体温数据序列，以得到受检者的目标体温数据。
34.应当理解，上述目标时间段和体温采集时间间隔的设置仅作举例说明之用，例如，时间间隔可以为半小时等，在此不作具体限制。
35.在一些实施例中，还可以进一步基于体温数据序列中的各个体温数据构成体温变化曲线，并以体温变化曲线作为目标体温数据，以更好地表征受检者在目标时间段内的体温变化趋势，使得基于体温变化曲线提取出的体温变化特征包括更多时间维度的信息。
36.数据处理模块230，用于利用第一深度神经网络模型处理目标体温数据，以得到第一深度神经网络模型输出的从目标体温数据中提取出的体温变化特征，体温变化特征表征受检者在目标时间段内的体温变化趋势。
37.在一些实施例中，上述第一深度神经网络模型可以基于dnn、cnn、lstm、conformer、tdnn等神经网络进行构建。可理解的，第一深度神经网络模型可以采用其他类型的网络结构，在此不作具体限制。
38.特征拼接模块240，用于将体温变化特征和目标声学特征进行拼接，得到拼接特征向量。
39.结果检测模块250，用于利用第二深度神经网络模型处理拼接特征向量，得到第二深度神经网络模型输出的受检者的感冒检测结果。
40.在一些实施例中，上述第二深度神经网络模型可以基于dnn、cnn、lstm、conformer、tdnn等神经网络进行构建。可理解的，第二深度神经网络模型可以采用其他类型的网络结构，在此不作具体限制。
41.根据本公开实施例的感冒检测系统，通过对受检者进行声学特征检测，以在检测到受检者的语音中出现感冒症状相关的目标声学特征时获取目标时间段内受检者的目标
体温数据，并将从目标体温数据中提取出表征受检者在目标时间段内体温变化趋势的体温特征向量与检测到的目标声学特征向量进行拼接，从而实现了结合受检者的体温特征和声学特征来确定感冒检测结果，克服了现有的车内健康检测系统难以直接基于体温数据实现感冒检测的缺陷。
42.进一步地，当受检者表现出与感冒症状相关的声学特征时，并不一定意味着受检者患上了感冒，其他例如流感或过敏等均可能引起打喷嚏、擤鼻涕、咳嗽等症状，因此，仅基于感冒相关症状的声学特征进行感冒检测准确性不高。本公开实施例中的感冒检测系统通过从离散的体温数据中提取出体温变化特征向量，并将体温变化特征向量与目标声学特征向量拼接后进行处理，实现了同时基于受检者的语音和体温变化来确定感冒检测结果，有效提升了本公开的感冒检测系统的检测结果的准确性。
43.在一些实施例中，本公开的实施例提供的感冒检测系统可以应用于车辆中的智能座舱，以使该智能座舱具备对智能座舱中的用户进行感冒检测的功能。
44.可理解的，本公开的实施例提供的感冒检测系统也可以应用于类似的其他场景中，在此不做限制。在下文中，将以用于智能座舱中的感冒检测系统为例，详细描述系统200的各个模块所执行的操作。
45.在一些实施例中，系统200的模块可以分立地部署于车载系统(例如，车载系统110)和服务器(例如，服务器120)，也即，系统200的功能可由车载系统和服务器相组合地执行。
46.在一些实施例中，系统200中的声学特征检测模块210可以部署在车载系统(例如，图1中所示的车载系统110)处，数据获取模块220、数据处理模块230、特征拼接模块240和结果检测模块250可以部署在服务器(例如，服务器120)处。由此，能够利用云端服务器强大的计算能力，高效地完成鼻塞概率向量计算和处理，并向用户反馈得到的感冒检测结果，从而提升用户的体验。
47.在一些实施例中，系统200中的声学特征检测模块210、数据获取模块220、数据处理模块230和特征拼接模块240可以部署在车载系统(例如，图1中所示的车载系统110)处，结果检测模块250可以部署在服务器(例如，服务器120)处。由此，能够通过车端即可完成对目标声学特征和目标体温数据的处理和拼接，并直接将拼接特征向量通过网络(例如，网络130)上传至云端服务器。由此，能够减少该系统对网络的占用，在保证感冒检测系统正常运行的同时，保证车辆的其他通讯正常进行。
48.在一些实施例中，系统200可以部署在车载系统(例如，图1中所示的车载系统110)处执行，也即，系统200中的各个模块均可部署于图1中所示的车载系统110。由此，使得该系统所有功能都在车端实现，在无网络或网络情况较差时也能够正常工作。
49.在一些实施例中，语音获取模块210可以通过控制智能座舱中受检者所处座舱区域的麦克风阵列或其他声音拾取设备，对该受检者的语音进行采集，以从采集到的受检者的语音中提取感冒症状相关的目标声学特征。
50.在一些实施例中，可以对受检者的语音进行实时采集以及实时预处理。预处理操作例如可以包括去除音频中的静默段、提取非静默段中的声学特征以进行语音识别等。在一些示例中，响应于麦克风或其他声音拾取设备采集到第一预设时长(例如为5s)的语音音频，语音获取模块210即对该段语音音频进行上述检测受检者的目标声学特征的操作。由
此，通过对语音音频进行实时处理，从而避免对一段较长的语音音频进行集中处理时对计算资源的占用，提升了计算效率。
51.在一些实施例中，通过语音识别模型来提取受检者语音音频中的目标声学特征。语音识别模型可以基于ubm-gmm、svm等机器学习模型或基于dnn、cnn、lstm、conformer、tdnn等神经网络进行构建。可理解的，语音识别模型可以采用其他类型的网络结构，在此不做限制。
52.在一些实施例中，声学特征可以包括但不限于梅尔频率倒谱参数(mel frequency cepstral coefficient，mfcc)特征、常数q变换倒谱参数(constant q cepstral coefficients，cqcc)特征等。在一些实施例中，可以对受检者的语音音频进行上述声学特征的提取，从而实现基于提取到的上述声学特征识别出受检者出现感冒相关症状，以执行后续的获取目标体温数据和将目标体温数据中提取出的体温变化特征与目标声学特征进行特征拼接的操作。
53.在一些实施例中，在提取到上述声学特征的基础上，可以进一步采用一个滑窗(窗口长度例如为5帧)，从而对连续的多个帧的声学特征进行均值规整，从而消除各个帧两端可能会造存在的信号不连续性。
54.在一些实施例中，可以进一步对上述声学特征进行差分处理。差分处理例如可以为一阶差分处理、二阶差分处理等，并将进行差分处理后的频域特征进行拼接。由此，通过差分处理，能够获得更加丰富的声学特征，从而为后续的拼接特征向量提供更多的特征信息，进一步提升感冒检测的准确率。
55.图3图示出了图2中的感冒检测系统200的数据处理模块230的示意性框图。
56.如图3所示，根据一些实施例，数据处理模块230包括如下模块。
57.数据向量生成模块331，用于基于目标体温数据生成体温数据向量，体温数据向量表征受检者在目标时间段内多个时间点处的体温，多个时间点在时间上以预定时间间隔彼此相邻。
58.数据向量输入模块332，用于将体温数据向量输入第一深度神经网络模型，以得到第一深度神经网络模型输出的体温变化特征。
59.在一些实施例中，可以通过将体温数据向量的特征维度与目标时间段中的体温采集时间点相关联，以使体温数据向量的每个特征维度表征目标时间段内一个或多个时间点处的体温特征，从而更好地表征体温随时间变化的特征信息。
60.生成的体温数据向量的特征维度可以与目标时间段中包括的体温采集时间点的数量相同或不同，以适应不同的场景。
61.在一个示例中，目标时间段为72小时，体温采集时间间隔为1小时，则目标时间段中包括72个体温采集时间点，基于目标体温数据生成的体温数据向量的特征维度为72，体温数据向量的每个特征维度表征目标时间段内一个时间点处的体温特征，从而使得体温数据向量能够更准确地表征受检者的体温随着时间流逝而发生的变化，基于该体温数据向量确定的感冒检测结果的准确性也更高。
62.在另一个示例中，目标时间段为72小时，体温采集时间间隔为1小时，则目标时间段中包括72个体温采集时间点，基于目标体温数据生成的体温数据向量的特征维度为36，体温数据向量的每个特征维度表征目标时间段内连续两个时间点处的体温特征，从而简化
了输入的体温数据向量，降低了后续使用神经网络模型进行特征提取时的计算难度，提高了本公开的感冒检测系统的感冒检测效率。
63.根据一些实施例，本公开的感冒检测系统还包括体温检测模块260，用于生成体温采集指令，上述体温采集指令用于控制温度传感器采集受检者的体温数据。
64.在一些实施例中，温度传感器包括但不限于红外温度传感器和接触式温度传感器，对此不作具体限制。在一些实施例中，上述体温采集指令用于根据目标时间段和体温采集时间间隔控制温度传感器采集受检者在多个时间点处的体温数据，以将采集到的体温数据作为目标体温数据。
65.根据一些实施例，数据向量生成模块331包括数据补足模块3311，数据补足模块3311用于响应于确定目标体温数据在多个时间点中的任意时间点处缺失体温数据，补足该时间点处的体温数据。
66.在具体实施过程中，可能存在目标时间段中的某个时间点处未采集到受检者的体温数据的情况，使得目标体温数据中该时间点处的体温数据缺失，从而导致基于目标体温数据提取出的体温变化特征所表征的体温变化趋势出现较大偏差。
67.通过对目标时间段中体温数据缺失的时间点进行体温数据补足，使得目标体温数据中的各个体温数据之间的联系更加紧密，从而能够更好地表征受检者的体温变化趋势，并能够降低基于目标体温数据生成相应的体温变化特征向量的难度。
68.根据一些实施例，上述补足该时间点处缺失的体温数据，包括：
69.响应于确定该时间点位于多个时间点的第一位或最后一位，复制多个时间点中与该时间点相邻的相邻时间点处的体温数据作为该时间点处的体温数据；以及
70.响应于确定该时间点不位于多个时间点的第一位和最后一位，采用线性插值补足该时间点处的体温数据。
71.在一些实施例中，体温数据缺失的时间点位于多个时间点的第一位或最后一位，则该时间点仅有一侧的相邻位置处具有相邻时间点，通过复制该相邻时间点的体温数据进行补足，在保证了数据完整性的同时降低了实现难度，提升了本公开实施例的感冒检测系统的检测效率。
72.在另一些实施例中，体温数据缺失的时间点不位于多个时间点的第一位或最后一位，则该时间点两侧的相邻位置均具有相邻时间点，此时采用线性插值的方法来对该时间点处的体温数据进行补足，能够更好地保留体温数据的变化特征，提高了本公开实施例的感冒检测系统的检测准确性。
73.根据一些实施例，数据处理模块230还包括体温特征提取模块333，用于提取第一深度神经网络模型的嵌入层的输出作为体温变化特征。
74.深度学习中，嵌入层(embedding layer)通常用于将稀疏高维的数据转换成稠密低维的向量。在一些实施例中，目标体温数据包括离散体温数据构成的稀释高维的体温数据序列，并且，体温数据序列中的各个离散体温数据之间在时间维度上存在关联关系。然而，由于体温数据之间是离散的，因此若直接基于此种离散数据来进行特征提取，会丢失大量时间维度上的隐含特征信息，不利于系统进行后续的感冒检测。
75.通过在第一深度神经网络模型中设置嵌入层，能够实现以索引的方式将离散体温数据序列转换为稀疏向量矩阵，例如，基于体温数据的数值将其编码为一个一维数组，并将
多个体温数据相应的一维数组组成稀疏向量矩阵，从而实现有效表达体温数据本身的特征。
76.但是，此时的稀疏向量矩阵中的每个维度的体温特征是完全独立的，难以提取出体温特征和时间特征之间的关联性。基于此，在嵌入层中再次通过线性变换将该稀疏矩阵转换为一个密集向量矩阵，从而能够捕捉到目标体温数据中的更多时间特征，并能够将时间特征与体温特征之间的关联进行放大，使得嵌入层输出的密集向量矩阵具备更多的时间维度上的隐含信息。
77.基于此，通过提取第一深度神经网络模型的嵌入层的输出作为体温变化特征，能够使得体温变化特征包括更多时间维度上的隐含信息，以更好地表征受检者的体温随时间的变化趋势，从而进一步提高本公开的感冒检测系统的检测结果的准确性。
78.根据一些实施例，第一深度神经网络模型为预训练的第一四分类深度神经网络模型，第一四分类深度神经网络模型的训练标签包括感冒、流感、过敏和正常，并且
79.第二深度神经网络模型为预训练的第二四分类深度神经网络模型，第二四分类深度神经网络模型输出的感冒检测结果包括所述受检者处于感冒、流感、过敏和正常状态的概率。
80.在具体实施过程中，感冒、流感和过敏三者所表现出的声学特征具有一定程度的重合，并且他们在体温变化过程中所表现出的趋势具有区别，例如，对于感冒来说，体温变化趋势表现为随着时间流逝体温轻微上升；对于流感来说，其往往伴随着突发的高烧，体温变化趋势表现为从某一时间点开始突然大幅上升；对于过敏来说，体温变化趋势表现随着时间流逝体温逐渐上升，并且上升幅度高于感冒的体温上升幅度。
81.基于此，在一些实施例中，通过选择预训练的四分类深度神经网络模型作为第一深度神经网络模型和第二深度神经网络模型，并且，以感冒、流感、过敏和正常作为四分类深度神经网络模型的训练标签，使得第二深度神经网络模型输出的感冒检测结果包括受检者当前处于感冒、流感、过敏或正常状态下的概率，能够在实现感冒检测的基础上进一步将感冒、流感、过敏和正常情况区分开来，使本公开的感冒检测系统能更好地适用于实际应用场景，提升了用户体验。
82.图4是图示出图2的感冒检测系统200的示例工作流程的流程图。
83.如图3所示，本公开实施例的感冒检测系统200在工作时执行如下步骤。
84.步骤401，检测受检者发出的感冒症状相关的声学特征。
85.对于步骤401，感冒症状相关的声学特征包括但不限于受检者在出现咳嗽、打喷嚏、擤鼻涕、声音沙哑等症状时语音中所具备的声学特征。
86.步骤402，以检测到感冒症状相关的声学特征为触发条件，触发感冒检测，以执行获取目标时间段内采集到受检者的体温数据的动作。
87.对于步骤402，获取体温数据的目标时间段和体温数据采集频率可以根据具体实施场景进行设置，例如，目标时间段为检测到目标声学特征之前的72小时，并且，以1小时为时间间隔，采集受检者的72个体温数据。
88.在一些示例中，还可以进一步基于体温数据序列中的各个体温数据构成体温变化曲线，以更好地表征受检者在目标时间段内的体温变化趋势，使得基于体温变化曲线提取出的体温特征包括更多时间维度的信息。
89.在一些示例中，步骤402还包括：生成体温采集指令，上述体温采集指令用于控制温度传感器采集受检者的体温数据。
90.温度传感器包括但不限于红外温度传感器和接触式温度传感器，对此不作具体限制。体温采集指令用于根据目标时间段和体温采集时间间隔控制温度传感器采集受检者在多个时间点处的体温数据，以将采集到的体温数据序列作为目标体温数据。
91.步骤403，将获取到的体温数据输入体温特征提取深度网络模型，提取该体温特征提取深度神经网络模型的嵌入层输出的特征向量作为体温变化特征。
92.深度学习中，嵌入层(embedding layer)通常用于将稀疏高维的数据转换成稠密低维的向量。在一些示例中，目标体温数据包括离散体温数据构成的稀释高维的体温数据序列，并且，体温数据序列中的各个离散体温数据之间在时间维度上存在关联关系。然而，由于体温数据之间是离散的，因此若直接基于此种离散数据来进行特征提取，会丢失大量时间维度上的隐含特征信息，不利于系统进行后续的感冒检测。
93.通过在体温特征提取深度神经网络模型中设置嵌入层，能够实现以索引的方式将离散体温数据序列转换为稀疏向量矩阵，例如，基于体温数据的数值将其编码为一个一维数组，并将多个体温数据相应的一维数组组成稀疏向量矩阵，从而实现有效表达体温数据本身的特征。
94.但是，此时的稀疏向量矩阵中的每个维度的体温特征是完全独立的，难以提取出体温特征和时间特征之间的关联性。基于此，在嵌入层中再次通过线性变换将该稀疏矩阵转换为一个密集向量矩阵，从而能够捕捉到目标体温数据中的更多时间特征，并能够将时间特征与体温特征之间的关联进行放大，使得嵌入层输出的密集向量矩阵具备更多的时间维度上的隐含信息。
95.基于此，通过提取体温特征提取深度神经网络的嵌入层的输出作为体温变化特征，能够使得体温变化特征包括更多时间维度上的隐含信息，以更好地表征受检者的体温随时间的变化趋势，从而进一步提高本公开的感冒检测系统的检测结果的准确性。
96.对于步骤403，体温特征提取深度神经网络模型可以基于dnn、cnn、lstm、conformer、tdnn等神经网络进行构建。可理解的，第一深度神经网络模型可以采用其他类型的网络结构，在此不作具体限制。
97.在一些示例中，体温特征提取深度神经网络模型为预训练的四分类深度神经网络模型，四分类深度神经网络模型的训练标签包括感冒、流感、过敏和正常。
98.在一些示例中，在将体温数据输入体温特征提取深度神经网络模型之前，步骤403还包括：基于获取到的体温数据生成的体温数据向量，将体温数据向量输入体温特征提取深度神经网络模型，以输出体温变化特征。
99.可以通过将体温数据向量的特征维度与目标时间段中的体温采集时间点相关联，以使体温数据向量的每个特征维度表征目标时间段内一个或多个时间点处的体温特征，从而更好地表征体温随时间变化的特征信息。生成的体温数据向量的特征维度可以与目标时间段中包括的体温采集时间点的数量相同或不同，以适应不同的场景。
100.在一个示例中，目标时间段为72小时，体温采集时间间隔为1小时，则目标时间段中包括72个体温采集时间点，基于目标体温数据生成的体温数据向量的特征维度为72，体温数据向量的每个特征维度表征目标时间段内一个时间点处的体温特征，从而使得体温数
据向量能够更准确地表征受检者的体温随着时间流逝而发生的变化，基于该体温数据向量确定的感冒检测结果的准确性也更高。
101.在另一个示例中，目标时间段为72小时，体温采集时间间隔为1小时，则目标时间段中包括72个体温采集时间点，基于目标体温数据生成的体温数据向量的特征维度为36，体温数据向量的每个特征维度表征目标时间段内连续两个时间点处的体温特征，从而简化了输入的体温数据向量，降低了后续使用神经网络模型进行特征提取时的计算难度，提高了本公开的感冒检测系统的感冒检测效率。
102.对于步骤403，在具体实施过程中，可能存在目标时间段中的某个时间点处未采集到受检者的体温数据的情况，使得目标体温数据中该时间点处的体温数据缺失，从而导致基于目标体温数据提取出的体温变化特征所表征的体温变化趋势出现较大偏差。
103.在一些示例中，体温数据缺失的时间点位于多个时间点的第一位或最后一位，则该时间点仅有一侧的相邻位置处具有相邻时间点，通过复制该相邻时间点的体温数据进行补足，在保证了数据完整性的同时降低了实现难度，提升了本公开实施例的感冒检测系统的检测效率。
104.在另一些示例中，体温数据缺失的时间点不位于多个时间点的第一位或最后一位，则该时间点两侧的相邻位置均具有相邻时间点，此时采用线性插值的方法来对该时间点处的体温数据进行补足，能够更好地保留体温数据的变化特征，提高了本公开实施例的感冒检测系统的检测准确性。
105.基于此，通过对目标时间段中体温数据缺失的时间点进行体温数据补足，使得目标体温数据中的各个体温数据之间的联系更加紧密，从而能够更好地表征受检者的体温变化趋势，并能够降低基于目标体温数据生成相应的体温变化特征向量的难度。
106.步骤404，将检测到的感冒症状相关的声学特征和提取到的体温变化特征进行拼接，得到拼接特征向量。
107.步骤405，将拼接特征向量输入感冒检测深度神经网络模型(第二深度神经网络模型)，输出受检者当前处于感冒、流感、过敏和正常状态下的概率。
108.对于步骤405，感冒检测深度神经网络模型可以基于dnn、cnn、lstm、conformer、tdnn等神经网络进行构建。可理解的，感冒检测深度神经网络模型可以采用其他类型的网络结构，在此不作具体限制。
109.在一些示例中，感冒检测深度神经网络模型为预训练的四分类深度神经网络模型，四分类深度神经网络模型输出的感冒检测结果包括所述受检者处于感冒、流感、过敏和正常状态的概率。
110.感冒、流感和过敏三者所表现出的声学特征具有一定程度的重合，并且他们在体温变化过程中所表现出的趋势具有区别，例如，对于感冒来说，体温变化趋势表现为随着时间流逝体温轻微上升；对于流感来说，其往往伴随着突发的高烧，体温变化趋势表现为从某一时间点开始突然大幅上升；对于过敏来说，体温变化趋势表现随着时间流逝体温逐渐上升，并且上升幅度高于感冒的体温上升幅度。
111.基于此，在一些示例中，通过选择预训练的四分类深度神经网络模型作为体温特征提取深度神经网络模型和感冒检测深度神经网络模型，并且，以感冒、流感、过敏和正常作为四分类深度神经网络模型的训练标签，使得感冒检测深度神经网络模型输出的感冒检
测结果包括受检者当前处于感冒、流感、过敏或正常状态下的概率，能够在实现感冒检测的基础上进一步将感冒、流感、过敏和正常情况区分开来，使本公开的感冒检测系统能更好地适用于实际应用场景，提升了用户体验。
112.应当理解，上述示例工作流程仅作举例说明之用，并不因此将其限制于此。对于本公开实施例的感冒检测系统200基于各个模块执行的动作能够实现的其他工作流程的示例，在此不再进行赘述。
113.虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
114.还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图2描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。soc可以包括集成电路芯片(其包括处理器(例如，中央处理单元(central processing unit,cpu)、微控制器、微处理器、数字信号处理器(digital signal processor,dsp)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
115.根据本公开的一方面，提供了一种计算机设备，包括：至少一个处理器；以及至少一个存储器，其上存储有计算机程序，其中，计算机程序在被至少一个处理器执行时，使至少一个处理器实现包括以下各项的操作：检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；响应于检测到所述受检者的所述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；将所述体温变化特征和所述目标声学特征进行拼接，得到拼接特征向量；以及利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
116.根据本公开的一方面，提供了一种车辆，包括上述感冒检测系统或上述计算机设备。
117.根据本公开的一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使处理器实现包括以下各项的操作：检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；响应于检测到所述受检者的所述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；将所述体温变化特征和所述目标声学特征进
行拼接，得到拼接特征向量；以及利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
118.根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，使处理器实现包括以下各项的操作：检测受检者的目标声学特征，所述目标声学特征表征所述受检者的感冒症状；响应于检测到所述受检者的所述目标声学特征，获取在目标时间段内采集到的所述受检者的体温数据序列作为目标体温数据；利用第一深度神经网络模型处理所述目标体温数据，以得到所述第一深度神经网络模型输出的从所述目标体温数据中提取出的体温变化特征，所述体温变化特征表征所述受检者在所述目标时间段内的体温变化趋势；将所述体温变化特征和所述目标声学特征进行拼接，得到拼接特征向量；以及利用第二深度神经网络模型处理所述拼接特征向量，得到所述第二深度神经网络模型输出的所述受检者的感冒检测结果。
119.在下文中，结合图5描述这样的计算机设备、非暂态计算机可读存储介质和计算机程序产品的说明性示例。
120.图5示出了可以被用来实施本文所描述的方法的计算机设备500的示例配置。举例来说，图1中所示的服务器120和/或车载系统110可以包括类似于计算机设备500的架构。上述系统200也可以全部或至少部分地由计算机设备500或类似设备或系统实现。
121.计算机设备500可以包括能够诸如通过系统总线514或其他适当的连接彼此通信的至少一个处理器502、存储器504、(多个)通信接口506、显示设备508、其他输入/输出(i/o)设备510以及一个或更多大容量存储设备512。
122.处理器502可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器502可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，处理器502可以被配置成获取并且执行存储在存储器504、大容量存储设备512或者其他计算机可读介质中的计算机可读指令，诸如操作系统516的程序代码、应用程序518的程序代码、其他程序520的程序代码等。
123.存储器504和大容量存储设备512是用于存储指令的计算机可读存储介质的示例，所述指令由处理器502执行来实施前面所描述的各种功能。举例来说，存储器504一般可以包括易失性存储器和非易失性存储器二者(例如ram、rom等等)。此外，大容量存储设备512一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如cd、dvd)、存储阵列、网络附属存储、存储区域网等等。存储器504和大容量存储设备512在本文中都可以被统称为存储器或计算机可读存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质，所述计算机程序代码可以由处理器502作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
124.多个程序可以存储在大容量存储设备512上。这些程序包括操作系统516、一个或多个应用程序518、其他程序520和程序数据522，并且它们可以被加载到存储器504以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下系统/功能的计算机程序逻辑(例如，计算机程序代码或指令)：系统200、和/或本文描述的另外的实施例。
125.虽然在图5中被图示成存储在计算机设备500的存储器504中，但是模块516、518、
520和522或者其部分可以使用可由计算机设备500访问的任何形式的计算机可读介质来实施。如本文所使用的，“计算机可读介质”至少包括两种类型的计算机可读介质，也就是计算机可读存储介质和通信介质。
126.计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质，所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于ram、rom、eeprom、闪存或其他存储器技术，cd-rom、数字通用盘(dvd)、或其他光学存储装置，磁盒、磁带、磁盘存储装置或其他磁性存储设备，或者可以被用来存储信息以供计算机设备访问的任何其他非传送介质。与此相对，通信介质可以在诸如载波或其他传送机制之类的已调制数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机可读存储介质不包括通信介质。
127.一个或更多通信接口506用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各项中的一个或多个：任何类型的网络接口(例如，网络接口卡(nic))、有线或无线(诸如ieee 802.11无线lan(wlan))无线接口、全球微波接入互操作(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、bluetoothtm接口、近场通信(nfc)接口等。通信接口506可以促进在多种网络和协议类型内的通信，其中包括有线网络(例如lan、电缆等等)和无线网络(例如wlan、蜂窝、卫星等等)、因特网等等。通信接口506还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
128.在一些示例中，可以包括诸如监视器之类的显示设备508，以用于向用户显示信息和图像。其他i/o设备510可以是接收来自用户的各种输入并且向用户提供各种输出的设备，并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
129.本文描述的技术可以由计算机设备500的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。例如，该功能还可以通过使用分布式系统在“云”上全部或部分地实现。云包括和/或代表用于资源的平台。平台抽象云的硬件(例如，服务器)和软件资源的底层功能。资源可以包括在远离计算机设备500的服务器上执行计算处理时可以使用的应用和/或数据。资源还可以包括通过因特网和/或通过诸如蜂窝或wi-fi网络的订户网络提供的服务。平台可以抽象资源和功能以将计算机设备500与其他计算机设备连接。因此，本文描述的功能的实现可以分布在整个云内。例如，功能可以部分地在计算机设备500上以及部分地通过抽象云的功能的平台来实现。
130.虽然在附图和前面的描述中已经详细地说明和描述了本公开，但是这样的说明和描述应当被认为是说明性的和示意性的，而非限制性的；本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在权利要求书中，词语“包括”不排除未列出的其他元件或步骤，不定冠词“一”或“一个”不排除多个，术语“多个”是指两个或两个以上，并且术语“基于”应解释为“至少部分地基于”。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。
131.以下将描述本公开的一些示例性方面。
132.方面1是一种感冒检测系统，包括：
133.声学特征检测模块，用于检测受检者的目标声学特征，目标声学特征表征受检者的感冒症状；
134.数据获取模块，用于响应于检测到受检者的目标声学特征，获取在目标时间段内采集到的受检者的体温数据序列作为目标体温数据；
135.数据处理模块，用于利用第一深度神经网络模型处理目标体温数据，以得到第一深度神经网络模型输出的从目标体温数据中提取出的体温变化特征，体温变化特征表征受检者在目标时间段内的体温变化趋势；
136.特征拼接模块，用于将体温变化特征和目标声学特征进行拼接，得到拼接特征向量；以及
137.结果检测模块，用于利用第二深度神经网络模型处理拼接特征向量，得到第二深度神经网络模型输出的受检者的感冒检测结果。
138.方面2是方面1的系统，其中，数据处理模块包括：
139.数据向量生成模块，用于基于目标体温数据生成体温数据向量，体温数据向量表征受检者在目标时间段内多个时间点处的体温，多个时间点在时间上以预定时间间隔彼此相邻；以及
140.数据向量输入模块，用于将体温数据向量输入第一深度神经网络模型，以得到第一深度神经网络模型输出的体温变化特征。
141.方面3是方面2的系统，其中，数据向量生成模块包括数据补足模块，数据补足模块用于：
142.响应于确定目标体温数据在多个时间点中的任意时间点处缺失体温数据，补足该时间点处的体温数据。
143.方面4是方面3的系统，其中，补足该时间点处缺失的体温数据，包括：
144.响应于确定该时间点位于多个时间点的第一位或最后一位，复制多个时间点中与该时间点相邻的相邻时间点处的体温数据作为该时间点处的体温数据；以及
145.响应于确定该时间点不位于多个时间点的第一位和最后一位，采用线性插值补足该时间点处的体温数据。
146.方面5是方面1的系统，还包括：
147.体温检测模块，用于生成体温采集指令，体温采集指令用于控制温度传感器采集受检者的体温数据。
148.方面6是方面1的系统，其中，数据处理模块还包括：
149.体温特征提取模块，用于提取第一深度神经网络模型的嵌入层的输出作为体温变化特征。
150.方面7是方面1的系统，其中，目标时间段为检测到目标声学特征之前的时间段。
151.方面8是方面1-7中任一方面的系统，其中，第一深度神经网络模型为预训练的第一四分类深度神经网络模型，第一四分类深度神经网络模型的训练标签包括感冒、流感、过敏和正常，并且
152.其中，第二深度神经网络模型为预训练的第二四分类深度神经网络模型，第二四分类深度神经网络模型输出的感冒检测结果包括受检者处于感冒、流感、过敏和正常状态
的概率。
153.方面9是一种计算机设备，包括：
154.至少一个处理器；以及
155.至少一个存储器，其上存储有计算机程序，
156.其中，计算机程序在被至少一个处理器执行时，使至少一个处理器实现包括以下各项的操作：
157.检测受检者的目标声学特征，目标声学特征表征受检者的感冒症状；
158.响应于检测到受检者的目标声学特征，获取在目标时间段内采集到的受检者的体温数据序列作为目标体温数据；
159.利用第一深度神经网络模型处理目标体温数据，以得到第一深度神经网络模型输出的从目标体温数据中提取出的体温变化特征，体温变化特征表征受检者在目标时间段内的体温变化趋势；
160.将体温变化特征和目标声学特征进行拼接，得到拼接特征向量；以及
161.利用第二深度神经网络模型处理拼接特征向量，得到第二深度神经网络模型输出的受检者的感冒检测结果。
162.方面10是一种车辆，包括如方面1-8中任一方面的系统或如方面9的计算机设备。
163.方面11是一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使处理器实现包括以下各项的操作：
164.检测受检者的目标声学特征，目标声学特征表征受检者的感冒症状；
165.响应于检测到受检者的目标声学特征，获取在目标时间段内采集到的受检者的体温数据序列作为目标体温数据；
166.利用第一深度神经网络模型处理目标体温数据，以得到第一深度神经网络模型输出的从目标体温数据中提取出的体温变化特征，体温变化特征表征受检者在目标时间段内的体温变化趋势；
167.将体温变化特征和目标声学特征进行拼接，得到拼接特征向量；以及
168.利用第二深度神经网络模型处理拼接特征向量，得到第二深度神经网络模型输出的受检者的感冒检测结果。
169.方面12是一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，使处理器实现包括以下各项的操作：
170.检测受检者的目标声学特征，目标声学特征表征受检者的感冒症状；
171.响应于检测到受检者的目标声学特征，获取在目标时间段内采集到的受检者的体温数据序列作为目标体温数据；
172.利用第一深度神经网络模型处理目标体温数据，以得到第一深度神经网络模型输出的从目标体温数据中提取出的体温变化特征，体温变化特征表征受检者在目标时间段内的体温变化趋势；
173.将体温变化特征和目标声学特征进行拼接，得到拼接特征向量；以及
174.利用第二深度神经网络模型处理拼接特征向量，得到第二深度神经网络模型输出的受检者的感冒检测结果。