论文部分内容阅读
咳嗽是呼吸系统中常见的症状之一,其持续时间、种类、强度以及频率等参数都为临床提供了重要信息。然而,目前对咳嗽的评估只能根据患者的主诉,从而造成无法对咳嗽进行客观定量地评估。随着计算机和语音识别的发展,人们迫切希望开发一种基于计算机的咳嗽音自动检测与识别系统,该系统可以从含有相似特性的声音和大量背景声音中检测并识别咳嗽音,以便对咳嗽的类型、强度以及频率等各种特征进行客观的测量与定量的评价。咳嗽音自动检测与识别技术中,咳嗽音识别效果的改善取决于有效的特征提取和合理的识别方法。由于咳嗽音不同于一般语音发生机理,咳嗽音是典型的非平稳信号,具有明显的突发和湍流特性,而希尔伯特黄变换(HHT)更适合处理非线性、非平稳信号,具有自适应滤波特性,因此本文尝试采用HHT来提取咳嗽音识别的新特征参数。本课题研究的主要内容是依据HHT的信号分析方法,探索提取新的咳嗽音特征参数。实验中560例咳嗽音来源于临床病例,包含正常和病态各280例,其中300例咳嗽音(正常和病态各150例)用于训练,剩余用于测试。560例非咳嗽音来源于实验室采集,包含清喉音、叹息声和说话声各120例,喊叫声、笑声各100例,其中300例(清喉音、叹息声、说话声、喊叫声和笑声各60例)用于训练,剩余用于测试。选用隐马尔可夫模型(HMM)应用于咳嗽音识别,并在MATLAB平台下进行仿真实验。首先提取Mel倒谱系数(MFCC)以及改进的Mel倒谱系数(MFCC1),再分别与传统特征参数进行组合,实验结果表明,MFCC1识别效果略优于MFCC,且无论是MFCC还是MFCC1特征,与特征参数E组合后,识别效果都有改善,可见能量E更能表征咳嗽音的典型非平稳特性。其次应用经验模态分解(EMD)把信号分解成若干个本征模态函数(IMF),去除缓慢变化趋势IMF后,提取两种重构方式(对剩余IMF直接重构、结合Me1尺度曲线对剩余IMF进行归一化加权后重构)的重构信号的MFCC、MFCC1,再分别与能量E组合,以及实现类似于MFCC、MFCC1组合识别效果较好的特征方式的组合,实验结果表明,组合特征的识别效果相对MFCC都有较大的改善。再次通过对Hilbert边际谱和傅里叶谱分析比较,用Hilbert边际谱替代傅里叶谱,提取其子带能量倒谱系数(SECC),此时,误识别率相对最小。最后在Hilbert边际谱中应用Teager能量算子,提取其子带能量倒谱系数(STECC),实验结果表明,STECC特征的识别效果相对最好。本文结合Hilbert边际谱和Teager能量算子提出的特征参数STECC,其识别效果相对最好,识别率为97.69%,误识别率为1.15%,为客观地检测识别咳嗽音系统提供一定的参考。