基于高斯混合模型的咳嗽音檢測(cè)研究.pdf

1、咳嗽是許多呼吸系統(tǒng)疾病中最常見的一種病癥，當(dāng)頻繁、劇烈和持久的咳嗽出現(xiàn)時(shí)，通過進(jìn)行咳嗽音分析，提取咳嗽的發(fā)生頻率和強(qiáng)度能為患者病情的診斷和定量評(píng)估治療效果提供重要的臨床信息。但許多患者未能向醫(yī)生完整、準(zhǔn)確地描述自身的咳嗽特征，影響了病情的及時(shí)診斷與治療。鑒于主觀判斷的不足，研究用于客觀地測(cè)量及定量評(píng)估非固定個(gè)體的咳嗽頻率，強(qiáng)度等特性的咳嗽音自動(dòng)識(shí)別與分析系統(tǒng)，就顯得非常必要。而如何有效地從一段含有背景噪音的咳嗽采集錄音中檢測(cè)出大部分咳嗽

2、音，并實(shí)現(xiàn)咳嗽音與其它具有相似特性的聲音的分離，是進(jìn)行更深入研究的基礎(chǔ)和關(guān)鍵。
　　本文比較了咳嗽音檢測(cè)與語音識(shí)別的關(guān)系，在對(duì)咳嗽音信號(hào)的特點(diǎn)進(jìn)行研究的基礎(chǔ)上，借鑒語音識(shí)別的相關(guān)技術(shù)，在MATLAB平臺(tái)上搭建了基于高斯混合模型（GMM）的咳嗽音檢測(cè)系統(tǒng)，并對(duì)小波分析理論在咳嗽音檢測(cè)中的應(yīng)用進(jìn)行了研究。本文的主要內(nèi)容如下：
　?、僭陬A(yù)處理方面，重點(diǎn)研究了基于小波變換的含噪咳嗽信號(hào)去噪方法，通過實(shí)驗(yàn)對(duì)小波函數(shù)和分解層數(shù)的確定、閾

3、值的選擇等關(guān)鍵技術(shù)進(jìn)行分析研究，選取出合適的小波函數(shù)進(jìn)行小波閾值去噪；然后采用基于短時(shí)能量和短時(shí)過零率的雙門限檢測(cè)算法對(duì)咳嗽信號(hào)進(jìn)行端點(diǎn)檢測(cè)。實(shí)驗(yàn)表明此方法提高了噪聲環(huán)境下的咳嗽音檢測(cè)系統(tǒng)的魯棒性，同時(shí)減少了系統(tǒng)的運(yùn)算量。
　?、诜治隽艘纛l特征提取領(lǐng)域中的三種主流特征參數(shù)：線性預(yù)測(cè)系數(shù)（LPC）、線性預(yù)測(cè)倒譜系數(shù)（LPCC）和Mel頻率倒譜系數(shù)（MFCC），并對(duì)小波包變換技術(shù)進(jìn)行研究，將其與MFCC參數(shù)相結(jié)合，提取了一個(gè)基于小波包

4、變換和MFCC的參數(shù)（WPT-MFCC）。實(shí)驗(yàn)表明，相對(duì)于其它三種參數(shù)，WPT-MFCC參數(shù)能顯著增強(qiáng)噪聲環(huán)境下咳嗽音信號(hào)的檢測(cè)效果。
　　③研究了用于GMM模型參數(shù)估計(jì)的最大期望算法（EM）、分類模型庫的建立方法和識(shí)別判決規(guī)則，在此基礎(chǔ)上為采集錄音中的咳嗽音、說話聲、笑聲、清喉音等數(shù)據(jù)各建立相應(yīng)的GMM模型，并通過仿真實(shí)驗(yàn)分析研究了小波去噪、GMM階數(shù)和不同特征參數(shù)對(duì)系統(tǒng)識(shí)別性能的影響，得出了一套較優(yōu)的方案，提高了咳嗽音的識(shí)別率