基于高斯混合模型的咳嗽音檢測研究.pdf

1、咳嗽是許多呼吸系統(tǒng)疾病中最常見的一種病癥，當(dāng)頻繁、劇烈和持久的咳嗽出現(xiàn)時，通過進(jìn)行咳嗽音分析，提取咳嗽的發(fā)生頻率和強度能為患者病情的診斷和定量評估治療效果提供重要的臨床信息。但許多患者未能向醫(yī)生完整、準(zhǔn)確地描述自身的咳嗽特征，影響了病情的及時診斷與治療。鑒于主觀判斷的不足，研究用于客觀地測量及定量評估非固定個體的咳嗽頻率，強度等特性的咳嗽音自動識別與分析系統(tǒng)，就顯得非常必要。而如何有效地從一段含有背景噪音的咳嗽采集錄音中檢測出大部分咳嗽

2、音，并實現(xiàn)咳嗽音與其它具有相似特性的聲音的分離，是進(jìn)行更深入研究的基礎(chǔ)和關(guān)鍵。
　　本文比較了咳嗽音檢測與語音識別的關(guān)系，在對咳嗽音信號的特點進(jìn)行研究的基礎(chǔ)上，借鑒語音識別的相關(guān)技術(shù)，在MATLAB平臺上搭建了基于高斯混合模型（GMM）的咳嗽音檢測系統(tǒng)，并對小波分析理論在咳嗽音檢測中的應(yīng)用進(jìn)行了研究。本文的主要內(nèi)容如下：
　?、僭陬A(yù)處理方面，重點研究了基于小波變換的含噪咳嗽信號去噪方法，通過實驗對小波函數(shù)和分解層數(shù)的確定、閾

3、值的選擇等關(guān)鍵技術(shù)進(jìn)行分析研究，選取出合適的小波函數(shù)進(jìn)行小波閾值去噪；然后采用基于短時能量和短時過零率的雙門限檢測算法對咳嗽信號進(jìn)行端點檢測。實驗表明此方法提高了噪聲環(huán)境下的咳嗽音檢測系統(tǒng)的魯棒性，同時減少了系統(tǒng)的運算量。
　?、诜治隽艘纛l特征提取領(lǐng)域中的三種主流特征參數(shù)：線性預(yù)測系數(shù)（LPC）、線性預(yù)測倒譜系數(shù)（LPCC）和Mel頻率倒譜系數(shù)（MFCC），并對小波包變換技術(shù)進(jìn)行研究，將其與MFCC參數(shù)相結(jié)合，提取了一個基于小波包

4、變換和MFCC的參數(shù)（WPT-MFCC）。實驗表明，相對于其它三種參數(shù)，WPT-MFCC參數(shù)能顯著增強噪聲環(huán)境下咳嗽音信號的檢測效果。
　?、垩芯苛擞糜贕MM模型參數(shù)估計的最大期望算法（EM）、分類模型庫的建立方法和識別判決規(guī)則，在此基礎(chǔ)上為采集錄音中的咳嗽音、說話聲、笑聲、清喉音等數(shù)據(jù)各建立相應(yīng)的GMM模型，并通過仿真實驗分析研究了小波去噪、GMM階數(shù)和不同特征參數(shù)對系統(tǒng)識別性能的影響，得出了一套較優(yōu)的方案，提高了咳嗽音的識別率