论文部分内容阅读
通过计算机实现对疾病的自动评价与诊断是一种新兴的疾病早诊及医疗信息化技术,因其具有客观性、快速性和普适性,在医学临床已经成为某些重大疾病的预防及早诊的重要辅助手段。本文研究的病态嗓音诊断新方法是依据物理声学和解剖医学的基础理论,采用计算机与现代数字信号处理手段对嗓音样本数据进行时频分析及多参数模式分类,完成对相关疾病的早期诊断。课题使用了美国麻省眼与耳科医院(Massachusetts Eye and Ear Infirmary,MEEI)发布的嗓音样本数据库。主要研究工作有:直接从嗓音样本中提取了19个声学参数、5个小波熵(wavelet entropy,WE)参数及13个自回归(auto-regressive,AR)模型参数;根据不同参数组,使用支持向量机(support vector machine,SVM)对样本进行了健康组与病态组的二分类识别,并在病态组中进行了甲亢疾病组与声带损伤组间的二分类识别;最后依据分类结果,应用正交试验设计方法,从上述参数组中寻找出甲亢疾病组与声带损伤组间的特异性参数。研究结果表明:使用声学和AR模型参数对健康组与病态组的二分类识别效果明显,正确识别率可分别达到89.7%和87.8%。其中AR模型参数是本文用于病态嗓音识别的新参数,不仅对病态嗓音具有很好的识别效果,而且在疾病组间的区分中,AR模型参数的识别率最高,可达87.3%,其第1至5阶、第8、9及11阶参数具有特异性。本文研究工作的创新性主要体现在:i.首次将小波熵参数与多维声学参数及自回归模型参数联合用于病态嗓音识别研究,显著扩展了现有的病态嗓音识别参数范围,有利于疾病早期诊断。ii.初次尝试对甲亢疾病组与声带损伤组间的嗓音特征进行了分类研究,发现了能区分这两组疾病的特异性参数,有利于疾病诊断的精细分类。iii.首次将支持向量机分类器用于病态嗓音识别与诊断,提高了分类算法的准确性,改善了识别效果。