病態(tài)嗓音特征參數(shù)的優(yōu)化研究.pdf

1、嗓音對人的日常生活、工作極其重要，然而隨著生活和工作帶來的不利因素，嗓音疾病越來越嚴重，于是對病態(tài)嗓音的檢測、治療是亟不可待的。從本質(zhì)上來看，病態(tài)嗓音的檢測與診斷是對其特征參數(shù)的對比分析，判斷出該嗓音的所屬類別。病態(tài)嗓音的特征參數(shù)的分析方法源于嗓音信號的自身特性，于是對嗓音信號的聲學分析方法廣泛運用在病態(tài)嗓音自動檢測與識別中。近幾十年，研究者發(fā)現(xiàn)傳統(tǒng)聲學特征于病態(tài)嗓音的描述存在著局限性問題，且根據(jù)語音信號產(chǎn)生動力學非線性過程混沌性，提出

2、了更有效的非線性力學技術分析法。運用分析法分析的嗓音信號的特征參數(shù)，有效的特征參數(shù)才有利于病態(tài)嗓音的檢測和診斷。本研究在借鑒前人研究的基礎上，研究病態(tài)嗓音的特征參數(shù)組合優(yōu)選及非線性特征提取的優(yōu)化方法。這更好的為臨床無損、實時檢測帶噪病理嗓音提供了參考。原因是組合的優(yōu)選以及特征參數(shù)提取優(yōu)化工作，能夠提取有效的特征信息及節(jié)省空間和時間上的開銷，提高特征參數(shù)的識別率。實現(xiàn)更快、更準確的實時診斷。
　　在病態(tài)嗓音自動檢測與診斷時，只有包含

3、足夠多類別信息的特征參數(shù)，才能使分類器分類更準確。單一特征參數(shù)只包含某些信息，這不足以代表整個嗓音信息的特征，不能很好滿足識別性的要求，然而組合特征能夠較全面地代表嗓音信息，于是需要多特征參數(shù)組合集進行嗓音的檢測。除了考慮運用組合特征參數(shù)集來全面描述嗓音信號外，還有避免特征間及其特征內(nèi)的冗余和相關信息。本項研究提出一種基于核主成分分析算法的病態(tài)嗓音特征參數(shù)組合方法，將聲學特征及非線性特征參數(shù)集進行組合優(yōu)化，得到最佳的特征組合集從而采用S

4、VM進行其識別。研究結(jié)果表明，基于核主成分分析(Kernel Principal Component Analysis，KPCA)方法的組合集，a音最高識別率達到97.47％，平均識別率達到91.85％;i音最高識別率達到91.39％，平均識別率達到84.15％。相對于傳統(tǒng)組合方法，平均識別率有所提高。
　　同時，嗓音的非線性動力學特征可以有效地區(qū)別正常和病態(tài)嗓音，但是其提取過程計算量巨大，需要消耗大量的時間，這不利于實時處理。因

5、此有必要在非線性特征范疇內(nèi)并且保持病態(tài)嗓音的識別率基本不變或有所提高的基礎上，尋找方法來減少其特征參數(shù)的提取時間。針對此目的，本項研究提出了基于人耳濾波器組的病態(tài)嗓音非線性特征提取的優(yōu)化方法。在該提取過程中，根據(jù)嵌入維的思想，即運用周期性特征矢量進行非線性特征的提取即可達到特征提取的優(yōu)化目的。研究結(jié)果表明:基于人耳濾波器組非線性動力學特征參數(shù)提取的方法，大幅度縮短了提取時間，且基于該方法上提取的特征參數(shù)識別率取得較好的效果，效果特別明顯