病理语音的特征提取与分类研究.pdfVIP

Classified Index: TP39 1.4 U.D.C: 681.39 Dissertation for the Master Degree in Engineering RESEARCH ON FEATURE EXTRACTION AND CLASSIFICATION OF PATHOLOGICAL SPEECH Candidate ： Zhang Mancai Supervisor ： Prof.Huang hujie and Prof. Li Haifeng Academic Degree Applied for ： Master of Engineering Speciality ： Computer Science and Technology Affiliation ： School of Computer Science and Technology Date of Defence ： June, 2014 Degree-Conferring-Institution ： Harbin Institute of Technology 万方数据 摘要 摘 要 病理语音是发声系统发生病变时产生的语音。发声系统发生病变会引起语音 信号特征的改变。而通过对语音信号分析以完成对病变的诊断具有非入侵性、客 观性、便利性，因而基于病理语音的诊断与分析已经成为了当前的研究热点。然 而由于发声系统结构的复杂性，致使疾病的来源非常难确定，故病理语音特征与 疾病特性间的对应关系分析研究还处在探索阶段。本文针对病理语音的诊断方法 进行了研究，主要有以下几个方面的工作： 1.对病理语音的传统声学特征进行了分析，提取了病理语音的传统声学特征构 造出病理语音基础声学特征包 （BAFS ），包括430 维特征。 2.针对传统声学特征建立在语音信号短时平稳的基础上，不能较好的体现非平 稳信号的动态变化问题，利用S 变换能够较好的反映非平稳信号局部特征的特性， 提出了一种新的基于S 变换的特征。并将其与MFCC 特征进行了对比，显示了其 良好的表达病理的能力。 3.鉴于传统的声学分析均是从语音信号的线性角度出发，忽略了其非线性特 征。本文从非线性角度对病理语音进行分析，提取了病理语音三种非线性特征作 为对声学特征的补充，构造出较为完整的病理语音特征集。 4.针对上述提取的特征集维数高问题，提出了一种新的基于可视化技术的特征 融合与降维方法。该方法利用了可视化特征很好的表示特征间的结构特性，能够 很好的对特征进行融合的特点及F-Score 能够对特征进行重要性评测的特点，达到 了很好的特征融合与降维的目的。并将其与粒子群特征选择算法进行了对比，显 示了其高效性。 5.本文根据上述研究构建了病理语音诊断系统，包括诊断模块、挂号模块、药 剂管理模块、教学模块，帮助。其中诊断模块完成对病理语音的特征提取、特征 降维与识别分类。本系统能够为病理语音的临床辅助诊断起到一定的帮助。 关键词：病理语音；S 变换；非线性特征；可视化降维 -I- 万方数据 Abstract Abstract