混沌理论论文：混沌理论 病态嗓音 非线性动力学 高斯混合模型 支持向量机.docVIP

【关键词】混沌理论 病态嗓音 非线性动力学 高斯混合模型 支持向量机 【英文关键词】Chaos Theory pathological voice nonlinear dynamics Gaussian mixturemodel support vector machine 混沌理论论文：基于非线性动力学及GMM/SVM病态嗓音识别与研究 【中文摘要】声带和嗓音的病理诊断应在早期进行,众所周知,声带病变会引起语音信号的变化。因此,声音信号可以作为一个重要的、客观的、非侵入性的工具来诊断这些病变。近年来,嗓音病理的无损诊断是一个重要课题,正常与病态嗓音的分类,作为一个辅助的治疗方式,已经得到越来越多研究者的关注。目前临床医生使用现有的电子仪器如肌电图仪、舌动电流描记器、电子内镜等检测及诊断声带的病变,然而,每一种检测方法都是具有侵入性的,需要专业的医生去分析许多嗓音信号的声学参数,最终也无法摆脱主观的判断；随着计算机科学与技术发展,推进了病态嗓音客观的、无损伤、无痛的诊断。但目前病态嗓音的客观诊断和智能识别,还不能很好地应用到临床医学检测,还存在一定的差离。并且这些电子仪器一般提取语音信号的传统声学特征参数,如基频、共振峰、Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient, MFCC)等等,这些传统的声学参数的提取均是采用传统的线性分析技术,对分析非周期的、混沌的信号就产生了一定的局限性,而且空气动力学及声学理论表明,语音信号存在着产生混沌的机制,它是一个复杂的非线性过程,传统的声学分析方法忽略嗓音产生过程中的非线性特性,严重影响了特征的有效性。而非线性动力学技术一分形和混沌理论可以有效地描述不规则、非周期信号。本实验采用非线性动力学的分析方法,定量分析嗓音的非线性特性,提取了9维嗓音的非线性特征参数,弥补传统分析方法的不足,并通过神经网络进行特征选择,筛选出其中的7维非线性特征能数：Hurst参数、第二阶Renyi熵、关联维数、Kolmogorov熵、最大Lyapunov(?)旨数、计盒维数和截距；使用这7维特征参数,采用有别于传统的模式识别方法一高斯混合模型(Gaussian mixture model GMM)和支持向量机(Support vector machine SVM),非侵害地自动识别正常与病态的嗓音,取数据库中151例嗓音中的39例正常和36例病态嗓音作为测试集,其余作为训练集,使用GMM和SVM模式识别方法,分别得到较好的识别率为：98.61%和97.33%。实验结果表明,非线性动力学的分析方法可以有效地分析正常与病态嗓音,用GMM和SVM的识别方法,均取得较高的识别率。同时也对比了传统的声学特征参数：基频、振峰和MFCC,实验结果表明,与传统的声学特征参数相比,非线性动力学特征参数较为有效；使用其中3维非线性特征参数与识别效果较好的基频、共振峰进行组合识别,所得到的识别率均比传统声学参数的识别率高,这表明非线性动力学参数可以弥补传统声学参数的不足,提高我们认识和分析病态嗓音的能力。 【英文摘要】The pathological vocal cords and voice should be diagnosed at an early stage, it is well known, and the lesions of vocal cord can cause the changes in the speech signal. Therefore, the sound signal can be used as an important objective non-invasive tool to diagnose these lesions. In recent years, non-destructive diagnosis of voice pathology is an important issue, the classification of normal and pathological voice, as an auxiliary treatment, has been more and more researchers?attention. Currently Clinicians to use existing electronic equipment, such as EMG, tongue to move the current tracings and the electronic endoscope to detect and diagnose the vocal cord lesions.