咳嗽性质检测方法、装置、设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种咳嗽性质检测方法、装置、设备及存储介质。


背景技术：

2.随着工业化的发展，伴随着出现了很多环境污染问题。而随着环境污染问题的不断恶化，环境污染导致的疾病种类也越来越多，如果诊断错误或者诊断不及时，可能会出现无法预料的后果。而通过咳嗽进行健康状况判断是最常见健康预防手段之一，不同的疾病伴随有不同性质的咳嗽，如由呼吸道发痒或者干燥引起的干咳声，或者由痰证导致的湿咳声等。虽然咳嗽的性质对疾病的预防具有非常重要的作用，然而，目前中医对咳嗽的性质判断主要依靠医生的主观意识，由于患者很难描述清楚他们的咳嗽，导致很难准确判断咳嗽的性质，进而使得无法基于咳嗽的性质对患者进行健康预防。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种咳嗽性质检测方法、装置、设备及存储介质，以解决现有技术中无法准确判断咳嗽的性质的问题，旨在对咳嗽的性质进行准确地确定。
4.本技术实施例第一方面提供了一种咳嗽性质检测方法，所述方法包括：
5.采集待检测用户的语音片段信息；
6.对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；
7.对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；
8.基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。
9.本技术实施例第二方面提供了一种咳嗽性质检测装置，所述装置包括：
10.采集模块，用于采集待检测用户的语音片段信息；
11.第一分析模块，用于对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；
12.第二分析模块，用于对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；
13.确定模块，用于基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。
14.本技术实施例第三方面提供一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述线上理赔设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的咳嗽性质检测方法的步骤。
15.本技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的咳嗽性质检测方法的步骤。
16.本技术实施例第一方面提供的一种咳嗽性质检测方法，与现有技术相比，包括：采
集待检测用户的语音片段信息；对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。通过从语音片段信息中得到咳嗽片段信息，进而基于咳嗽片段信息的声学频谱，确定咳嗽的性质，能够解决现有技术中无法准确判断咳嗽的性质的问题，旨在对咳嗽的性质进行准确地确定。
17.本技术实施例第二方面至第四方面提供的有益效果与本技术实施例第一方面提供的有益效果相同，在此不再赘述。
附图说明
18.为了更清楚地说明本技术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技术的一些实施例，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。
19.图1是本技术一实施例提供的咳嗽性质检测方法的实现流程图；
20.图2是本技术一实施例提供的咳嗽性质检测方法的应用场景示意图；
21.图3是本技术实施例提供的咳嗽性质检测装置的结构框图；
22.图4是本技术实施例提供的咳嗽性质检测设备的结构框图。
具体实施方式
23.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
24.本技术实施例所涉及的开放系统访问方法，可以由设备执行。所述设备包括但不限于终端设备或者服务器。其中，所述服务器可以是单个服务器或者云服务器集群等，所述终端设备可以是个人数字设备、笔记本、台式电脑、智能可穿戴设备或者机器人等。在此不做具体限定。
25.本技术实施例所涉及的咳嗽性质检测方法，应用于需要基于用户的声音判断用户健康状况的应用场景中，通过采集待检测用户的语音片段信息；对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。实现了从语音片段信息中得到咳嗽片段信息，进而基于咳嗽片段信息的声学频谱，确定咳嗽的性质，能够解决现有技术中无法准确判断咳嗽的性质的问题，旨在对咳嗽的性质进行准确地确定。
26.下面具体结合附图，对本技术实施例提供的咳嗽性质检测方法进行示例性的说明。
27.请参阅图1所示，图1是本技术一实施例提供的咳嗽性质检测方法的实现流程图。本技术实施例提供的咳嗽性质检测方法可由咳嗽性质检测设备执行实现。该咳嗽性质检测设备可以是终端，和/或，服务器。其中，终端包括但不限于个人笔记本、手持终端、可穿戴智
能手表或者机器人等；服务器可以是单个服务器、服务器集群、云服务器等。也就是说，本技术实施例提供的咳嗽性质检测方法能够应用于任意具有数据处理能力的设备，也可以是多个具有数据处理能力的设备交互完成。
28.示例性地，如图2所示，图2是本技术一实施例提供的咳嗽性质检测方法的场景示意图。由图2可知，在本实施例中，咳嗽性质检测方法可以由终端与服务器交互实现。具体地，终端202用于采集待检测用户的语音片段信息，将所述语音片段信息发送至服务器204。服务器204对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息，以及对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质后，服务器204再将所述咳嗽的性质发送至终端202，以使终端202通过预设界面或者通过预设通知模式向待检测用户通知咳嗽的性质。进而使得待检测用户能够根据咳嗽的性质确定自身的健康状况，有效进行健康预防。
29.应理解，在具体实施时，若终端具有较强的数据处理能力，则上述对语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息，以及对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质的过程可以直接由终端设备完成。若终端的数据处理能力受到限制，为了提高对咳嗽的性质检测效率，终端可以将采集的语音片段信息发送至服务器进行处理。此外，还可以直接由服务器采集待检测用户的语音片段信息，再基于对语音片段信息的分析，确定咳嗽的性质。具体地，需要根据实际场景进行确定，在此不做任何限定。
30.由图1可知，本实施例提供的咳嗽性质检测方法包括步骤s101至s104。详述如下：
31.s101，采集待检测用户的语音片段信息。
32.其中，待检测用户可以是具有咳嗽症状的用户，或者近期呼吸不顺畅的用户，还可以是具有健康意识的用户。在本技术的实施例中，咳嗽性质检测设备可以具有语音采集功能。具体地，可以提供语音输入功能，用户通过语音输入功能输入语音片段信息，咳嗽性质检测设备采集用户输入的语音片段信息。
33.应理解，咳嗽采集设备采集的语音片段信息可能包含有说话声、咳嗽以及其它噪声，甚至可能还包含有静音片段。也就是说，本技术实施例中对采集的语音片段信息不做具体限定，通过对采集的普通语音片段信息进行分析，来确定用户是否具有咳嗽症状，并在具有咳嗽症状时，判断咳嗽的性质，来进行相关疾病的预防以及治疗。
34.s102，对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息。
35.其中，在本技术的实施例中，将咳嗽分为三种音频模式，分别为第一咳嗽模式、第二咳嗽模式和第三咳嗽模式。具体地，第一咳嗽模式包括三个不同能量阶段，第一能量阶段为肺部积聚压缩气流冲破声门阶段，该阶段的音频振幅大具有较高的能量；第二能量阶段为肺部气流持续相对平稳输出阶段，该阶段的音频振幅相对稳定具有较平稳的能量；第三阶段为声门闭合阶段，该阶段的音频振幅变化与第一阶段的音频振幅变化类似，但是能量相对第一阶段较低。而第二咳嗽模式和第三咳嗽模式为不完全包含第一咳嗽模式的三个不同能量阶段的咳嗽模式。例如第二咳嗽模式仅包含有第一能量阶段和第二能量阶段，第三
咳嗽模式仅包含有第一能量阶段。应理解，本实施例仅是对第二咳嗽模式和第三咳嗽模式进行了示例性地说明，在实际应用中，第二咳嗽模式和第三咳嗽模式可以是任意不完全包含有第一咳嗽模式的三个不同能量阶段的咳嗽模式。
36.在具体实施时，由于语音片段信息中的说话声中，每个字通常由辅音和元音组成，每个字的音频能量峰值通常在元音部分。而对于咳嗽或者其他噪音，经分析发现，其对应的音频能量与每个字的音频能量类似。因此，本技术实施例通过对音频能量峰值的筛选，可以确定出语音片段信息中咳嗽片段信息。
37.示例性地，对语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到语音片段信息中的咳嗽片段信息，包括：基于预设采样频率，采集所述语音片段信息中的语音信号帧，得到至少一个预设长度的语音帧信号；提取各所述语音帧信号的短时能量值，对所述短时能量值进行量化，得到所述语音片段信息的能量分布图；基于所述能量分布图，确定所述语音片段信息中的咳嗽片段信息。
38.例如，基于16k的采样频率采集语音片段信息中的语音信号帧，得到帧长为32ms的多个语音帧信号。其中，随着采样频率的不同，多个语音帧信号之间可能会存在帧间重叠的现象，例如，在本实施例的多个帧长为32ms的语音帧信号之间存在16ms的帧间重叠率。具体地，帧间重叠率对信号的短时能量值不存在影响，因此可以忽略不计。
39.在一实施例中，可以基于预设短时能量值计算公式计算各语音帧信号的短时能量值。示例性地，预设短时能量值计算公式如下：
[0040][0041]
其中，rms表示短时能量值，n表示各帧的采样数，k表示采样帧。
[0042]
需要说明的是，短时能量值rms是一维连续信号，可能存在较多的能量极大值或者能量极小值，为了减少不同能量极大值或者能量极小值的干扰，需减少rms的量级，而将rms量化为整数。例如，可以取每帧的采样数n＝10，对每帧的短时能量值进行量化后，得到对应10个数值的能量分布图。
[0043]
在具体实施时，由于所述能量分布图包括能量极大值和能量极小值，可以基于所述能量分布图中的所述能量极大值和所述能量极小值，确定所述语音片段信息中的咳嗽片段信息。
[0044]
需要说明的是，在本技术的实施例中，以极大值为第一咳嗽模式的第一能量阶段，此时咳嗽刚发生能量较大，且极大值左侧极小值小于右侧极小值。满足上述条件的极大值确定为咳嗽的起始位置，在两个极大值之间的能量阶段可以确定为咳嗽片段信息对应的能量阶段。通过对语音片段信息进行能量分布分析，以确定出语音片段信息中包含的咳嗽片段信息，保证了咳嗽信息提取的效率和准确性。
[0045]
通过上述分析可知，在对语音片段信息基于预先确定的咳嗽特征分析规则进行能量分布分析，基于能量分析确定咳嗽片段信息的过程中，大量减少了需要判断是否为咳嗽帧的信号帧数量，并且能够判断咳嗽的起始位置；此外，由于采集仅包含有咳嗽的语音数据较难，但是采集包含有咳嗽和说话声等其它噪声的语音数据较简单。因此，利用本技术实施例提供的技术方案能够有效降低对咳嗽信息采集的难度以及提高咳嗽性质分析的准确性。
[0046]
s103，对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱。
[0047]
示例性地，所述对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱，包括：将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型进行分类分析，得到所述咳嗽片段信息的声学频谱。
[0048]
具体地，所述预先训练完成的语音片段信息分析模型包括特征提取层和分类处理层；所述将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型进行分类分析，得到所述咳嗽片段信息的声学频谱，包括：将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型，基于所述特征提取层提取所述咳嗽片段信息中的功率频谱信息；基于所述分类处理层对所述功率频谱信息进行二值分类检测，基于所述二值分类检测结果和所述功率频谱信息，得到所述咳嗽片段信息的声学频谱。
[0049]
其中，预先训练完成的语音片段分析模型的特征提取层可以通过短时傅里叶变换提取每帧的短时功率谱信息。具体地，特征提取层可以使用汉明窗w(n)将咳嗽片段信息进行分帧，分帧后的每帧信号即为短时傅里叶变换信号，对傅里叶变换信号求平方即可得到对应帧信号的频谱，通过将所有帧信号的频谱按时间顺序连接，可以得到所述咳嗽片段信息的功率频谱信息。该功率频谱信息的横坐标代表时间，纵坐标代表功率。
[0050]
其中，预先训练完成的语音片段分析模型可以是双向gru循环神经网络模型，每一帧的短时傅里叶变换的帧信号的频谱，为该双向gru循环神经网络模型的一个时序输入特征向量，该双向gru循环神经网络模型对所有帧对应的特征向量基于注意力机制进行加权分析，得到所述咳嗽片段信息的声学频谱。该声学频谱中的能量分布能够代表咳嗽性质的分类特征。
[0051]
s104，基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。
[0052]
示例性地，所述基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质，包括：对所述咳嗽片段信息的声学频谱进行帧信号频谱提取，得到各帧信号频谱；基于所述各帧信号频谱，得到帧信号的时序特征向量；对所述时序特征向量进行加权计算，基于所述加权计算结果确定所述咳嗽的性质。
[0053]
具体地，所述对所述时序特征向量进行加权计算，基于所述加权计算结果确定所述咳嗽的性质，包括：对所述时序特征向量基于注意力基于注意力机制进行加权计算，得到音频特征向量，所述音频特征向量包括咳嗽性质的类型特征；根据所述咳嗽性质的类型特征，判断所述咳嗽的性质。
[0054]
通过上述分析可知，本技术实施例提供的咳嗽性质检测方法，通过采集待检测用户的语音片段信息；对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。实现了从语音片段信息中得到咳嗽片段信息，进而基于咳嗽片段信息的声学频谱，确定咳嗽的性质，能够解决现有技术中无法准确判断咳嗽的性质的问题，旨在对咳嗽的性质进行准确地确定。
[0055]
请参阅图3所示，图3是本技术实施例提供的咳嗽性质检测装置的结构框图。本实施例中的咳嗽性质检测装置300可以部署在服务器或者终端中，用于对待检测用户进行咳嗽的性质检测。具体地，该咳嗽性质检测装置300包括的各模块用于执行上述方法实施例中
的各步骤。具体请参阅图1所对应的实施例中的相关描述。该咳嗽性质检测装置300的功能可以由服务器或者终端内部的软件或者硬件执行实现，具体地，该咳嗽性质检测装置300的功能可以在逻辑上划分为不同的模块。为了便于说明，仅示出了与本实施例相关的部分。参见图3，该咳嗽性质检测装置300包括：
[0056]
采集模块301，用于采集待检测用户的语音片段信息；
[0057]
第一分析模块302，用于对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；
[0058]
第二分析模块303，用于对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；
[0059]
确定模块304，用于基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。
[0060]
在一实施例中，第一分析模块302，包括：
[0061]
采集单元，用于基于预设采样频率采集所述语音片段信息中的语音信号帧，得到至少一个预设长度的语音帧信号；
[0062]
量化单元，用于提取各所述语音帧信号的短时能量值，对所述短时能量值进行量化，得到所述语音片段信息的能量分布图；
[0063]
确定单元，用于基于所述能量分布图，确定所述语音片段信息中的咳嗽片段信息。
[0064]
在一实施例中，所述能量分布图包括能量极大值和能量极小值；
[0065]
所述确定单元，具体用于：
[0066]
基于所述能量分布图中的所述能量极大值和所述能量极小值，确定所述语音片段信息中的咳嗽片段信息。
[0067]
在一实施例中，所述第二分析模块，具体用于：
[0068]
将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型进行分类分析，得到所述咳嗽片段信息的声学频谱。
[0069]
在一实施例中，所述预先训练完成的语音片段信息分析模型包括特征提取层和分类处理层；
[0070]
所述第二分析模块303，包括：
[0071]
第一提取单元，用于将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型，基于所述特征提取层提取所述咳嗽片段信息中的功率频谱信息；
[0072]
检测单元，用于基于所述分类处理层对所述功率频谱信息进行二值分类检测，基于所述二值分类检测结果和所述功率频谱信息，得到所述咳嗽片段信息的声学频谱。
[0073]
在一实施例中，所述确定模块304，包括：
[0074]
第二提取单元，用于对所述咳嗽片段信息的声学频谱进行帧信号频谱提取，得到各帧信号频谱；
[0075]
得到单元，用于基于所述各帧信号频谱，得到帧信号的时序特征向量；
[0076]
计算单元，用于对所述时序特征向量进行加权计算，基于所述加权计算结果确定所述咳嗽的性质。
[0077]
在一实施例中，所述计算单元，包括：
[0078]
计算子单元，用于对所述时序特征向量基于注意力基于注意力机制进行加权计算，得到音频特征向量，所述音频特征向量包括咳嗽性质的类型特征；
[0079]
判断单元，用于根据所述咳嗽性质的类型特征，判断所述咳嗽的性质。
[0080]
应当理解的是，图3示出的咳嗽性质检测装置300的结构框图中，各模块用于执行图1对应的实施例中的各步骤，而对于图1对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1所对应的实施例中的相关描述，此处不再赘述。
[0081]
请参阅图4所示，图4是本技术实施例提供的咳嗽性质检测设备的结构框图。如图4所示，该实施例的咳嗽性质检测设备400包括：处理器410、存储器420以及存储在所述存储器420中并可在所述处理器410上运行的计算机程序430，例如咳嗽性质检测程序。处理器410执行所述计算机程序430时实现上述各个咳嗽性质检测方法各实施例中的步骤，例如图1所示的步骤。或者，所述处理器410执行所述计算机程序430时实现上述图3对应的实施例中各模块或单元的功能，例如，图3所示的模块301至304的功能，具体请参阅图3对应的实施例中的相关描述，此处不赘述。
[0082]
示例性的，所述计算机程序430可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器420中，并由所述处理器410执行，以完成本技术。所述一个或多个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430在所述咳嗽性质检测设备40中的执行过程。例如，所述计算机程序430可以被分割成包括：采集模块、第一分析模块、第二分析模块以及确定模块；各模块具体功能如图3所述。
[0083]
所述咳嗽性质检测设备400可包括，但不仅限于，处理器410、存储器420。本领域技术人员可以理解，图4仅仅是咳嗽性质检测设备400的示例，并不构成对咳嗽性质检测设备400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，例如所述咳嗽性质检测设备400还可以包括输入输出设备、网络接入设备、总线等。
[0084]
所述处理器410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)、现成可编程门阵列(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。
[0085]
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
[0086]
采集待检测用户的语音片段信息；
[0087]
对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息；
[0088]
对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱；
[0089]
基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质。
[0090]
在一实施例中，所述对所述语音片段信息基于预先确定的咳嗽特征分析规则进行分析，得到所述语音片段信息中的咳嗽片段信息，包括：
[0091]
基于预设采样频率采集所述语音片段信息中的语音信号帧，得到至少一个预设长度的语音帧信号；
[0092]
提取各所述语音帧信号的短时能量值，对所述短时能量值进行量化，得到所述语
音片段信息的能量分布图；
[0093]
基于所述能量分布图，确定所述语音片段信息中的咳嗽片段信息。
[0094]
在一实施例中，所述能量分布图包括能量极大值和能量极小值；
[0095]
所述基于所述能量分布图，确定所述语音片段信息中的咳嗽片段信息，包括：
[0096]
基于所述能量分布图中的所述能量极大值和所述能量极小值，确定所述语音片段信息中的咳嗽片段信息。
[0097]
在一实施例中，所述对所述咳嗽片段信息进行分类分析，得到所述咳嗽片段信息的声学频谱，包括：
[0098]
将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型进行分类分析，得到所述咳嗽片段信息的声学频谱。
[0099]
在一实施例中，所述预先训练完成的语音片段信息分析模型包括特征提取层和分类处理层；
[0100]
所述将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型进行分类分析，得到所述咳嗽片段信息的声学频谱，包括：
[0101]
将所述咳嗽片段信息输入预先训练完成的语音片段信息分析模型，基于所述特征提取层提取所述咳嗽片段信息中的功率频谱信息；
[0102]
基于所述分类处理层对所述功率频谱信息进行二值分类检测，基于所述二值分类检测结果和所述功率频谱信息，得到所述咳嗽片段信息的声学频谱。
[0103]
在一实施例中，所述基于所述咳嗽片段信息的声学频谱，确定所述咳嗽的性质，包括：
[0104]
对所述咳嗽片段信息的声学频谱进行帧信号频谱提取，得到各帧信号频谱；
[0105]
基于所述各帧信号频谱，得到帧信号的时序特征向量；
[0106]
对所述时序特征向量进行加权计算，基于所述加权计算结果确定所述咳嗽的性质。
[0107]
在一实施例中，所述对所述时序特征向量进行加权计算，基于所述加权计算结果确定所述咳嗽的性质，包括：
[0108]
对所述时序特征向量基于注意力基于注意力机制进行加权计算，得到音频特征向量，所述音频特征向量包括咳嗽性质的类型特征；
[0109]
根据所述咳嗽性质的类型特征，判断所述咳嗽的性质。
[0110]
所述存储器420可以是所述设备40的内部存储单元，例如咳嗽性质检测设备400的硬盘或内存。所述存储器420也可以是所述设备40的外部存储设备，例如所述咳嗽性质检测设备400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(flash card)等。进一步地，所述存储器420还可以既包括所述咳嗽性质检测设备400的内部存储单元也包括外部存储设备。所述存储器420用于存储所述计算机程序以及所述咳嗽性质检测设备400所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
[0111]
本技术的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本技术上述各实施例提供的咳嗽性质检测方法的步骤。
[0112]
其中，所述计算机可读存储介质可以是前述实施例所述的咳嗽性质检测设备的内部存储单元，例如所述咳嗽性质检测设备的硬盘或内存。所述计算机可读存储介质也可以是所述咳嗽性质检测设备的外部存储设备，例如所述咳嗽性质检测设备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(flash card)等。
[0113]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。