自适应小波的声音障碍分类.docVIP

自适应小波的声音障碍分类 摘要 从很久以前开始，数字语音处理过程中声音的无序和畸变诊断是很多研究人员关心的课题。很多方法理论都被引用到这方面的著作里，当中的一些能很好的从正常的声音中区别病态的声音。从另一方面说，语音障碍排序由于复杂性的原因却获得了相对小的关注。尽管，之前有文献在正常声音中区分畸变声音或者从两路畸变声音中互相区分中取得了满意的结果，但是在自适应声音畸变排序上还没有取得综合型的方法。 在这篇论文中，提出了这个问题的一个解决方案。我们创造了一个小波特征提取方法。区别于标准小波，自适应小波产生和应用于声音信号。正交小波的参数设置是通过格子结构，然后最佳参数是通过迭代过程产生。通过遗传算法，遗传算法由分类器结果指导。基于产生的小波构建小波滤波器组并且声音信号被分解去估计八个能量特性。由支持向量机通过提取特性区分信号。 实验结果告诉我们:六种声音障碍的不同类型，包括停顿、小节、息肉、水肿、痉挛性发音障碍和角化病都能够有提出的方法很好的分类。这将是分类与声音系统有关的大量病变的成功一步。 1.引入 喉头或声盒是语音产生的显著器官。语音特征像音高和音量都在人类发声系统的这部分被处理。声音的束缚是位于喉头的两组肌肉，声音是这些组振动产生的结果。声音的质量取决于声音折叠的环境和运行。有很多因素会导致喉头的不正常运行。其中最重要的是声音的束缚。传染病、反胃、癌症和发声过度影响不大。 声音障碍诊断一般需要喉镜检查的帮助。然而，没有与特定喉头的声音障碍相关的单一症状。在这种情况下，声音信号可以添加关于病变类型的更多信息。 语音信号的数字分析是一种定量的解决方案，它是一种对于喉音障碍检查的无攻击性工具。这种客观的方案可以用在临床试验去提供更多的可靠结果。更远地在计算机理论的上去估计这种障碍也是可能的。最近的例子可以在文献1中找到。 从病变信号中识别正常信号也是一个热门的研究方向。已经提出了很多不同的方法。当中的一些也取得了显著的结果。然而，判定障碍的类型还没有被系统的提出。很多发表文献集中在区分正常主体的声音信号和与特定病变类型的病人的声音信号。在文献8中，单边声音交叠无力的病人（UVFP）被从正常人中区分出来。成功得去从发音困难的声音中区分正常声音的方法在文献9,10中提出。在更综合的文章中，UVFP病人的语音信号，声音折叠小节和息肉都被单独地从正常声音中区分。 一些其它的文献考虑到区分两路不同类型的障碍。文献12和13在从其它的障碍中分离息肉得到了良好的结果。在文献14中，声音交叠无力，轻度瘫痪和小节都被分离和得到良好的结果。 在近期工作中，两种类型的声音障碍，包括有小节的和扩散的声音交叠损伤被从一组正常声音中区分出来。 在不同处理方法中区别性的因素要么是分类方法要么是特征提取过程。 小波特性被广泛的应用于声音病理学估计领域，因为它们在语音信号中能提供高分辨率分析和获得局部改变。这些特性对于探测畸变有极大的优势。小波在语音信号分析上的应用通常是以连续小波变换，离散小波变换和小波包形式。 在这篇文章中，分析的母小波是从已知的和标准的小波库中选择出来的。 尽管应用小波去适应与生物信号有关的特定问题的益处已经被报道。但是在分类不同声音障碍的前提下，应用自定义小波去研究声音病变估计还没有成果。在文献22中，它展示给我们自适应小波在区分正常和病变声音上能够取得巨大的进步。这个工作可以看做是早期的方法延伸到一个更复杂的问题，这个问题时分类不同的声音障碍。 在本文中，我们将寻找在分类不同声音障碍上整体性能最好的小波。换句话说，小波的参数是能够被调整的，这样是为了能够给SVM分类器提供有效的特性能够去可靠地分类相关的病变声音。自定义小波滤波器组提取能量特性。GA用于寻找滤波器组的最佳参数。由于GA的自适应函数是分类器的性能，小波参数可以被调整去产生最可能的分类精确性。 结合自适应小波和二进制分类是在一步一步执行过程中实现的。这也就是说，在每步中，只有两组信号被分类。每个执行过程中的结果被整合到最后一步去提高综合分类系统的性能。 本文如下组织全文：第二部分描叙数据库和特征提取理论。第三部分给出实验结果。第四部分是讨论。第五部分提供结论。 2，资料和方法 2.1，数据库 在本研究中所用的语音信号，选择KAY无序的声音数据库,型号为4337，版本1.0，由马萨诸塞州眼耳医院的语音和语音实验室共同开发。这个数据库包括大量的患者的样品，包括有机，神经，创伤，心理，和其他的语音障碍。每个记录中，都让患者发元音/a/ 几秒。声音样本都在控制环境条件下记录，如低环境噪声和恒定的麦克风距离，采样频率是44.1KHZ.考虑到每个紊乱的数