采用SVM權(quán)重匹配特征參數(shù)的功能性病理嗓音識(shí)別研究.pdf

1、語(yǔ)言是人類(lèi)所特有的生理功能,是日常交流中最常用且最直接的方式。隨著人類(lèi)生活方式的改變,社會(huì)交流日益增加,嗓音疾病的發(fā)病率顯著上升。隨著模式識(shí)別技術(shù)的成熟,病理嗓音疾病的客觀(guān)自動(dòng)檢測(cè)實(shí)現(xiàn)了無(wú)損檢測(cè),檢測(cè)結(jié)果客觀(guān)。病理嗓音識(shí)別研究代替?zhèn)鹘y(tǒng)臨床主觀(guān)檢測(cè)成為研究熱點(diǎn)。
　　目前病理嗓音識(shí)別研究主要集中于特征參數(shù)提取與特征參數(shù)優(yōu)化這兩個(gè)重點(diǎn)。針對(duì)于特征參數(shù)提取方面,本文為了提高基頻類(lèi)參數(shù)的準(zhǔn)確性,提出了基于最優(yōu)病理嗓音重構(gòu)的基頻檢測(cè)算法,該

2、算法利用小波重構(gòu)病理嗓音信號(hào),去除高次諧波,再利用近似熵及最大李雅普諾夫指數(shù)自適應(yīng)選擇最優(yōu)重構(gòu)病理嗓音進(jìn)行基頻提取。此算法可以有效抑制傳統(tǒng)基頻檢測(cè)算法中出現(xiàn)的倍頻及半頻誤差。此外在非線(xiàn)性參數(shù)方面提出了小波能熵比,該參數(shù)結(jié)合了小波能量及小波熵的優(yōu)勢(shì),很好的表征了病理嗓音的能量及復(fù)雜度特征。
　　在特征參數(shù)優(yōu)化方面,為了降低特征參數(shù)維度,本文采用了支持向量機(jī)權(quán)重匹配的參數(shù)融合算法進(jìn)行特征參數(shù)融合。首先先對(duì)傳統(tǒng)特征參數(shù)進(jìn)行Spearma

3、n相關(guān)性分析,選取相關(guān)性較小的聲學(xué)參數(shù)組成傳統(tǒng)參數(shù)集。再利用核主成分分析對(duì)倒譜類(lèi)特征參數(shù)進(jìn)行參數(shù)降維,降低了MFCC與LPCC間的冗余度。最后將三個(gè)參數(shù)集利用支持向量機(jī)進(jìn)行權(quán)重匹配,給予給參數(shù)集適當(dāng)權(quán)重,最終組合成一個(gè)最優(yōu)參數(shù)集。
　　本文實(shí)驗(yàn)部分首先對(duì)病理嗓音庫(kù)進(jìn)行統(tǒng)計(jì)分析,此外對(duì)各類(lèi)參數(shù)進(jìn)行了分析研究,利用多種分類(lèi)器對(duì)最優(yōu)特征參數(shù)集進(jìn)行識(shí)別研究。與原始特征相比,本文算法病理嗓音與正常嗓音識(shí)別率達(dá)96.92％,聲帶小結(jié)與聲帶息肉