新冠肺炎感染疾病爆发，全球积极抗疫。目前国内逐渐复工复学，由于新型冠状病毒潜伏期较长，复工复学后的疫情防控尤为重要。项目希望通过设计咳嗽自动定位检测与分类系统，实时监测教室，实验室，办公室等公共场所的声音，检测咳嗽事件的发生并进行分类，统计咳嗽频率等，监测潜在病例，为复工复学提供保障。系统可作为一种自动辅助诊断，解决复工复学情况下人员聚集空间中不易排查的问题，提供除发烧症状以外的早期新冠症状监测，减少人力物力消耗。

1.项目采用麦克风环形阵列，通过基于波束形成的声源定位算法，实时估计声源位置，并采用自适应波束形成算法与自适应零点算法增强感兴趣的声源，抑制噪声，提高信噪比。采用SRP-PHAT算法，在背景噪音或混响环境下，定位声源并增强，以便系统判断是否为咳嗽事件。

2.二分类模型检测咳嗽事件发生。分别提取音频短期特征，包括过零率，能量，MFCC等34个特征；再整合为整段音频特征，计算短期特征的均值，方差等。将教室办公室内常见声音事件分类为非咳嗽，例如人说话，音乐等，通过SVM，采用RBF核函数构建二分类模型。实时通过滑动窗口检测咳嗽事件发生，模型精确度

3.咳嗽分类模型。爬取YouTube网络音频，构建CNN-ResNet网络对哮喘，支气管炎，儿童喉炎，肺炎，百日咳等进行咳嗽分类。目前实验中34层CNN-ResNet网络的模型精度达到95.56%，由于咳嗽类型标注困难，以及样本稀少，项目在后期解决模型过拟合，扩充数据集泛化评测等问题。

4.系统集成。项目将咳嗽自动定位检测与分类系统集成到边缘设备，如树莓派搭载麦克风阵列，达成系统一体化。设备主要针对教室、办公室、实验室等场景，不受具体环境限制（房间尺寸等），部署方便快捷，并上报数据到服务器，可进行后台监测，真实数据采集有利于优化调整系统模型。

5.复工复学时期将系统部署于实验室，教室进行实际测试应用，全天候监测数据，评估系统，监测咳嗽并分类，提供辅助判断，保障复工复学。

---