【技术实现步骤摘要】
本专利技术属于语音分析，更具体地说，尤其涉及基于语音识别的糖尿病认知障碍早期预测系统。
技术介绍
1、21世纪以来，随着人口老龄化进程的不断加剧，糖尿病已经成为严重的公共卫生问题之一。流行病学调查数据显示，糖尿病患病率为12.8％，其中60岁以上人群发病率已高达25.0％，而老年糖尿病引起的慢性并发症更是带来了沉重的经济负担和社会负担。糖尿病显著增加了认知功能障碍的发生风险，全球约1/10痴呆的发生与糖尿病有关。认知功能障碍导致糖尿病患者自我管理能力下降、护理依赖性增加，从而进一步加重疾病进展，形成恶性循环。临床实践研究数据库显示，糖尿病人群中痴呆相关死亡占比呈逐年上升趋势。
2、随着人口老龄化进程的加剧，认知功能障碍的患病率不断增高。糖尿病显著增加认知功能障碍的发生风险，社区人群研究数据显示，60岁及以上老年人群的痴呆、轻度认知功能障碍患病率分别为6.0％和15.5％，其中糖尿病人群的痴呆和mci患病率则分别为10.2％和18.5％。流行病学数据显示，全球糖尿病人群发生mci、痴呆的风险分别是非糖尿病人群的1.44和2.14倍，并且糖尿病还会加速mci向痴呆的转化，使这一进程缩短了3.18年。与非糖尿病患者相比，糖尿病患者在发病后认知功能加速下降，更易出现记忆、处理速度、执行功能等一个或多个认知域功能的减退，且减退速度较正常衰老加快约50％。
3、目前糖尿病的主要检测方式依赖于血糖测量，但这种方法需要获取血液样本对患者会造成创伤，同时还需要专业设备成本非常高。为了解决这一检测痛点提出了ai模型检测方法。
4、然而现有技术存在一些问题：现有的ai模型需要将患者的各项参数进行录入，然后进行ai分析处理，需要患者做出大量的检测，无法通过简单的方式实现对患者进行评估和预测，因此我们提出基于语音识别的糖尿病认知障碍早期预测系统。
技术实现思路
1、针对现有技术存在的问题，本专利技术的目的是提供基于语音识别的糖尿病认知障碍早期预测系统，通过对患者的语音进行采集，实现对患者的语音进行处理和特征提取，从而通过对特征进行分析处理，便于实现对患者进行评估和预测。
2、为实现上述目的，本专利技术提供如下技术方案：基于语音识别的糖尿病认知障碍早期预测系统，包括语音采集模块、语音处理模块、特征提取模块、大语言模型和机器学习模块；
3、所述大语言模型实现与患者进行ai交互，并且所述语音采集模块对患者的语音信息进行采集，并且将采集的语音信息传输给所述语音处理模块，所述语音处理模块在对语音信息进行处理后，将处理后的语音信息传输给所述特征提取模块和所述大语言模型，所述特征提取模块将提取的语音特征传输给所述机器学习模型，并且所述大语言模型将语音信息转换成文本信息，并且对患者情绪信息进行检测，然后将文本信息和情绪信息传输给所述机器学习模型，所述机器学习模型根据语音特征、文本信息和情绪信息对患者进行认知障碍的早期评估和预测；
4、所述语音采集模块用于对患者与系统互动的语音数据进行采集，通过简单的ai对话、朗读、数字回溯、命名物体、描述图片和讲故事获取患者的语音数据，所述语音采集模块对患者与系统互动的语音数据进行多次采集；
5、所述语音处理模块对所述语音采集模块采集的语音数据进行处理，对语音数据中的噪声进行过滤，并且对语音数据进行增强处理，并且采用深度学习算法对患者的语音数据进行降噪处理；
6、所述特征提取模块用于对处理后的语音数据进行特征提取，对处理后的语音数据进行语速、语调、流畅性的特征进行提取，并且加入更多细粒度的声学特征，对处理后的语音数据进行音高变化特征、频率谱特征、共振峰特征进行提取；
7、所述大语言模型用于对处理后的语音数据进行文本生成和情感分析；对处理后的语音数据进行文本分析处理，并且所述大语言模型中的对话系统用于与患者之间进行对话，实现ai对话，或者生成文本和图片，供给患者进行朗读和描述；
8、所述机器学习模型用于对提取的语音特征进行处理，进行认知障碍的早期评估和预测，预测结果会提供以下信息：
9、认知障碍的风险等级：根据语音特征的异常，评估患者的认知功能，给出风险等级或预测结果，包括正常、轻度认知障碍、高风险；
10、长期监测与趋势分析：进行长期跟踪，记录患者语音特征的变化趋势，及时发现认知功能的退化。
11、具体的，所述语音采集模块中包括蜂鸣器、拾音器和显示器，所述语音采集模块与所述大语言模型连接，通过所述蜂鸣器对所述大语言模型的ai对话内容进行播报，以及通过所述显示器对所述大语言模型的朗读内容、数字回溯序列、命名物体图片、描述图片和讲故事内容进行显示，并且所述拾音器用于对患者的语音数据进行采集。
12、具体的，所述深度学习算法采用的是卷积神经网络，卷积神经网络对语音信号的降噪步骤如下：
13、将语音信息转换成频谱图，即将语音信息从时域信号转换成时频域信号；
14、卷积层通过对输入的频谱图应用卷积核，提取出语音信息中的关键特征；
15、再通过池化层对关键特征进行处理，减少特征图的尺寸，降低计算复杂度，同时保留语音信息的主要特征；
16、再通过全连接层将主要特征映射到输出空间，进行分类或回归任务，全连接层将卷积和池化提取的特征映射到降噪和增强后的语音信号中。
17、具体的，所述时域信号转换成时频域信号采用的是短时傅里叶变换：
18、分帧：将连续的语音信息按20-40ms的时间窗分成多个短小的片段；
19、加窗：对每一帧应用窗函数以减小边缘效应；
20、傅里叶变换：对每一帧进行傅里叶变换，得到该时刻的频谱信息；
21、得到时频图：每一帧的频谱构成了时频图的一个时间切片，通过所有帧的傅里叶变换，得到整个时频图；
22、短时傅里叶变换的计算公式为：
23、
24、其中，x(τ)是时域信号，其中τ是积分变量，代表时间的变化，w(t-τ)是窗函数，表示当前信号的窗口，x(t，f)是输出的时频信号，表示在t时刻和频率f下的信号强度，e-j2πfτ是傅里叶变换中的复指数项，它表示频率f下的复数频谱基函数。
25、具体的，所述卷积层的计算公式如下：
26、
27、其中，xi，j是输入信号的频谱图在(i，j)位置上的值，wm，n是卷积核在位置(m，n)上的权重，b是偏置项，yi，j是卷积操作后的输出，m、n是卷积核的大小，θ为环境的噪声；
28、所述池化层的计算公式如下：
29、
30、其中，池化窗口大小为
31、所述全连接层的计算公式如下：
32、
33、其中，x是卷积层或池化层的输出，w是全连接层的权重矩阵，b是偏置项，y是全连接层的输出。
34、具体的，所述全连接层的输出通过均方误差衡量与原始信号之间的差异，均方误差作为损失函数本文档来自技高网...
【技术保护点】
1.基于语音识别的糖尿病认知障碍早期预测系统，其特征在于，包括语音采集模块、语音处理模块、特征提取模块、大语言模型和机器学习模块；
2.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述语音采集模块中包括蜂鸣器、拾音器和显示器，所述语音采集模块与所述大语言模型连接，通过所述蜂鸣器对所述大语言模型的AI对话内容进行播报，以及通过所述显示器对所述大语言模型的朗读内容、数字回溯序列、命名物体图片、描述图片和讲故事内容进行显示，并且所述拾音器用于对患者的语音数据进行采集。
3.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述深度学习算法采用的是卷积神经网络，卷积神经网络对语音信号的降噪步骤如下：
4.根据权利要求3所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述时域信号转换成时频域信号采用的是短时傅里叶变换：
5.根据权利要求3所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述卷积层的计算公式如下：
6.根据权利要求5所述的基于语音识别的糖尿
7.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述特征提取模块通过长短时记忆网络进行提取特征，所述长短时记忆网络的计算公式：
8.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述机器学习模型通过支持向量机进行认知障碍的早期评估和预测；
9.根据权利要求8所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述机器学习模型的预测计算公式如下：
10.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述机器学习模型上电性连接有辅助模块，所述辅助模块中包括有存储器、通讯器和报警器；
...【技术特征摘要】
1.基于语音识别的糖尿病认知障碍早期预测系统，其特征在于，包括语音采集模块、语音处理模块、特征提取模块、大语言模型和机器学习模块；
2.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述语音采集模块中包括蜂鸣器、拾音器和显示器，所述语音采集模块与所述大语言模型连接，通过所述蜂鸣器对所述大语言模型的ai对话内容进行播报，以及通过所述显示器对所述大语言模型的朗读内容、数字回溯序列、命名物体图片、描述图片和讲故事内容进行显示，并且所述拾音器用于对患者的语音数据进行采集。
3.根据权利要求1所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述深度学习算法采用的是卷积神经网络，卷积神经网络对语音信号的降噪步骤如下：
4.根据权利要求3所述的基于语音识别的糖尿病认知障碍早期预测系统，其特征在于：所述时域信号转换成时频域信号采用的是短时傅里叶变换：
5.根据权利要求3所述的基于语音识别的...
【专利技术属性】
技术研发人员：冯云，宁彤，张燕南，程卫，田丰，李佳琪，安玳宁，
申请(专利权)人：河北省医疗器械技术审评中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。