基于多层级数据建模的病理语音检测模型的训练方法

• 国民经济行业：信息传输、软件和信息技术服务业／软件和信息技术服务业／软件开发
• 学科类别：计算机科学技术／人工智能／计算机感知
• 权利人：上海交通大学

知识产权简介

本申请通过在会话层面、片段层面、帧层面的融合端到端训练，能够动态聚合多粒度特征，并生成高质量的伪标签，以高效利用未标注数据。有效解决了传统方法因“粒度不匹配”和“症状稀疏分布”而导致的性能瓶颈。

转化前景

本发明提出一种融合会话、片段与帧三层粒度的半监督病理语音检测新范式。首先，用 Transformer 直接为整段对话生成高质量会话级伪标签，解决远端监督难题；继而以伪标签为监督，循环神经网络定位关键话语片段，缓解症状稀疏；再引入师生网络与一致性损失，使同一句语音的不同增强版本输出稳定声学特征，抑制标签噪声。三层信息端到端统一训练，模型兼具全局视野与细节敏感，已用于帕金森、喉癌筛查，准确率提升 8%，数据需求降 60%，可嵌入手机 App、听力门诊及远程客服，三年预计服务百万用户。