技术特征：
1.驾驶环境下基于智能手机扬音频感知的呼吸道症状检测方法，其特征在于，包括以下步骤：步骤1：利用智能手机麦克风，收集驾驶环境中不同的驾驶员和乘客咳嗽、打喷嚏和吸鼻子的声音信号，基于自适应子带谱熵去噪方法，即abse去噪方法，滤去收集到声音信号中的汽车行驶噪声；步骤1.1：将智能手机置于车内，收集不同的驾驶员和乘客咳嗽、打喷嚏和吸鼻子三种行为的声音信号；步骤1.2：将步骤1.1收集到的每个声音信号分成相同长度的子段，选取开始部分的n个子段声音信号进行快速傅里叶变换，然后计算子段声音的平均能量谱，并初始化abse的阈值t
s
＝μ
θ
+α
·
σ
θ
；其中，h
b
(l)是第l个子段的abse值；α表示权值；步骤1.3：计算下一子段声音信号的abse值，并和步骤1.2得到的阈值进行对比；若该子段声音的abse值超过阈值，则对该子段声音进行fft并计算能量谱，然后用该子段声音的能量谱减去步骤1.2得到的平均能量谱，并进行逆快速傅里叶变换，得到该子段声音去噪后的声音信号；若该子段声音的abse值未超过阈值，则根据该子段声音的能量谱更新平均能量谱；步骤1.4：重复步骤1.3，直到所有声音信号去噪完毕；将去噪后的声音信号通过高通滤波器滤去低频段的信号，然后取出滤波后的声音信号中包含咳嗽、打喷嚏和吸鼻子声音段，将这些声音段切分成不同信号帧，每一信号帧包含一次呼吸道症状，并用相应的行为对这些信号帧进行标记；步骤2：对于步骤1中得到的去噪且标记的信号帧，提取每一帧的基于梅尔倒频谱系mfcc和伽马倒频谱系数gfcc的混合式声学特征，利用该特征训练一个基于长短时记忆lstm神经网络的分类器；步骤3：在实际应用中，利用车内智能手机的麦克风持续收集车内的声音信号；利用步骤1的方法，从收集到的声音信号中去除汽车行驶噪声，并将去噪后的声音信号进行切分和补齐，使得每一段声音信号成为等长的信号帧；然后利用步骤2的方法，提取每一信号帧的声学特征，并将特征送入训练好的分类器进行判断；一旦分类器判断出有咳嗽、打喷嚏或者吸鼻子行为，则记录相应呼吸道症状并记录累计发生次数。2.如权利要求1所述的驾驶环境下基于智能手机扬音频感知的呼吸道症状检测方法，其特征在于，步骤2包括以下步骤：步骤2.1：对于步骤1得到的每个包含一次呼吸道症状信号的信号帧，分成长度相同的子帧，计算每个子帧的12维mfcc特征，并取每个子帧的前10维mfcc特征拼接成为该帧的mfcc特征向量；步骤2.2：对于步骤1得到的每个包含一次呼吸道症状的信号帧，分成长度相同的子帧，计算每个子帧的31维的gfcc特征，并取每个子帧的前20维gfcc特征拼接成为该帧的gfcc特征向量；步骤2.3：将步骤2.1得到的mfcc向量和步骤2.2得到的gfcc向量，拼接成一个混合式特
征向量，然后将该混合式特征向量送入一个3层的lstm网络进行训练，得到驾驶环境下三种呼吸道症状声音的分类器；其中，lstm网络包含2个lstm层和1个全连接层，采用tanh作为激活函数，每个lstm层后面加上batch normalization层，用交叉熵代价函数作为损失函数；该lstm网络的timestep值设为6，即每次的输入为当前子帧的特征向量和当前子帧之前的5个子帧的特征向量；对于第t个timestep，lstm层利用h
t
＝δ(w0[h
t-1
,x
t
+b0])
·
tanh(s
t
)，将输入x
t
映射为一个压缩向量h
t
，其中，w0和b0分别表示权重矩阵和偏置向量，s
t
代表第t个timestep的状态，δ()表示激活函数；h
t-1
表示前一个timestep对应的压缩向量。3.如权利要求1所述的驾驶环境下基于智能手机扬音频感知的呼吸道症状检测方法，其特征在于，步骤3包括以下步骤：步骤3.1：利用用户手机的麦克风，持续接受车内的声音信号；步骤3.2：对于步骤3.1收集到的声音信号，首先去除收集到的声音信号中的驾驶噪声，选出abse值超过阈值的声音子段；若连续几个超过阈值的声音子段的总时长超过时间阈值t_1，则将该子段和切分成重叠的固定长度的子帧；若连续几个超过阈值的声音子段的总时长小于另一时间阈值t_2，则舍弃该子段和；若连续几个超过阈值的声音子段的总时长大于t_2小于t_1，则扩展该子段和长度为固定的帧长；然后，将每个帧通过一个高通滤波器进行滤波。步骤3.3：对于步骤3.2得到的每个固定长度的滤波后的信号帧，计算该信号帧的mfcc特征向量，然后计算该帧的gfcc特征向量，将两个向量拼接成该帧的混合式特征向量，送入训练好的lstm网络进行分类，判断该帧是否包含咳嗽、打喷嚏或吸鼻子行为。