典型文献
基于特征级联的肺炎咳嗽声识别
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
殷仁杰;徐文龙
作者机构：
中国计量大学,浙江 杭州 310000
文献出处：
引用格式：
[1]殷仁杰;徐文龙-.基于特征级联的肺炎咳嗽声识别)[J].现代电子技术,2022(17):60-64
A类：
肺炎咳嗽,肺炎咳嗽声识别,SELeNet
B类：
特征级联,特征组合,组合方法,深层特征,小波包分解,小波包能量,成语,语谱图,提取模型,级联网络,网络层,不同层次,特征向量,注意力机制网络,全连接网络,使用特征,级联方法,模型方法,识别准确率,深度网络模型
AB值：
0.193904
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
