嗓音是人类进行沟通与交流的重要工具,嗓音好坏对人们的言语表达有直接的影响。声带作为发声系统的重要组成部分,其病变是导致嗓音出现问题的重要原因。采用声学分析技术对病理嗓音信号进行分析和研究,可以实现对嗓音质量的客观评估,对喉部疾病的诊断和治疗具有临床指导意义。随着研究的深入,临床上对声带类嗓音疾病细分类的研究已成为病理性嗓音检测的热点。随着计算机处理能力的提升,深度学习在语音识别领域取得了显著效果。本文针对声带类嗓音疾病的分类问题和利用卷积神经网络实现嗓音疾病的分类问题上进行了相关研究,主要包括以下三个方面的内容。1.本文针对声带类疾病分类时参数选择存在的局限性,从非线性和统计学角度出发,提出了小波包多尺度分析的嗓音特征提取方法,以提高声带类嗓音疾病的识别率。首先,使用小波包技术将原始嗓音信号进行分解,得到不同频段的子信号,然后从不同频带中提取非线性特征Hurst指数、2-Rényi熵、计盒维数和吸引子用以评估每个频带在检测和分类病理嗓音过程中的贡献。将提取的多尺度特征进行组合,使用支持向量机(Support Vector Machine,SVM)对不同数据库的正常和病态嗓音信号进行二分类识别,其中在MEEI数据库、自建临床数据库、SVD数据库得到的平均识别率分别为99.15%,97.87%,96.76%,最高识别率均为100%;然后在MEEI数据库和SVD数据库上进行正常、声带麻痹声带非麻痹三种嗓音信号的识别,在两个数据库上得到的平均识别率分别为98.32%,92.89%。实验结果表明,声带类嗓音疾病经过小波包多尺度分析后提取的特征能够有效地提高识别率。2.针对传统机器学习算法在病态嗓音分类过程中,分类准确度取决于提取特征的有效性这一局限性,提出了使用延迟时间和卷积神经网络算法对正常和病态嗓音信号进行分类识别。利用语音信号自身的混沌特性,使用延迟时间参数将一维语音信号转化为二维矩阵*的形式,基于LeNet-5网络模型,通过Matlab平台搭建具有3个卷积层的神经网络模型实现正常和病态嗓音信号的分类识别,在MEEI数据库和自建临床数据库上进行嗓音二分类识别时,平均识别率分别为94.64%和94.26%。实验结果表明,在将一维嗓音信号转换为二维矩阵时,引入延迟时间特征参数的有效性。为接下来的实验中引入相空间理论做铺垫。3.针对非线性动力学特征能够有效的描述正常和病态嗓音信号的声学特性,提出了将相空间重构理论引入到嗓音信号的特征提取中,利用延迟时间和嵌入维数理论实现对正常和病态嗓音信号的相空间重构,从而获得嗓音信号的重构轨迹图。根据三视图的原理分别对重构后的相图进行((9)),(9)+))、((9)),(9)+2))、((9)+),(9)+2))三个方向的投影,将一维语音信号转化为二维图像,将得到的三个方向的投影作为卷积神经网络RBG三通道的输入,利用搭建VGG-like卷积神经实现病理嗓音信号的分类。在正常和病态嗓音信号二分类识别问题上,在MEEI、自建临床和SVD三个数据库上平均识别率分别为99.42%、95.88%和97.30%;在对MEEI数据库和SVD数据库中的正常、声带麻痹和声带非麻痹三类嗓音进行测试时,平均识别率分别为96.04%和92.27%。实验结果表明,该方法具有较高的分类识别率和良好的鲁棒性,对正常和病理嗓音信号的识别具有一定的普遍适用性。