基于HHT的咳嗽音識別研究.pdf

1、咳嗽是呼吸系統(tǒng)中常見的癥狀之一，其持續(xù)時間、種類、強(qiáng)度以及頻率等參數(shù)都為臨床提供了重要信息。然而，目前對咳嗽的評估只能根據(jù)患者的主訴，從而造成無法對咳嗽進(jìn)行客觀定量地評估。隨著計(jì)算機(jī)和語音識別的發(fā)展，人們迫切希望開發(fā)一種基于計(jì)算機(jī)的咳嗽音自動檢測與識別系統(tǒng)，該系統(tǒng)可以從含有相似特性的聲音和大量背景聲音中檢測并識別咳嗽音，以便對咳嗽的類型、強(qiáng)度以及頻率等各種特征進(jìn)行客觀的測量與定量的評價。
　　咳嗽音自動檢測與識別技術(shù)中，咳嗽音識別

2、效果的改善取決于有效的特征提取和合理的識別方法。由于咳嗽音不同于一般語音發(fā)生機(jī)理，咳嗽音是典型的非平穩(wěn)信號，具有明顯的突發(fā)和湍流特性，而希爾伯特黃變換(HHT)更適合處理非線性、非平穩(wěn)信號，具有自適應(yīng)濾波特性，因此本文嘗試采用HHT來提取咳嗽音識別的新特征參數(shù)。
　　本課題研究的主要內(nèi)容是依據(jù)HHT的信號分析方法，探索提取新的咳嗽音特征參數(shù)。實(shí)驗(yàn)中560例咳嗽音來源于臨床病例，包含正常和病態(tài)各280例，其中300例咳嗽音（正常和病

3、態(tài)各150例）用于訓(xùn)練，剩余用于測試。560例非咳嗽音來源于實(shí)驗(yàn)室采集，包含清喉音、嘆息聲和說話聲各120例，喊叫聲、笑聲各100例，其中300例（清喉音、嘆息聲、說話聲、喊叫聲和笑聲各60例）用于訓(xùn)練，剩余用于測試。選用隱馬爾可夫模型（HMM）應(yīng)用于咳嗽音識別，并在MATLAB平臺下進(jìn)行仿真實(shí)驗(yàn)。
　　首先提取Mel倒譜系數(shù)(MFCC)以及改進(jìn)的Mel倒譜系數(shù)(MFCC1)，再分別與傳統(tǒng)特征參數(shù)進(jìn)行組合，實(shí)驗(yàn)結(jié)果表明，MFCC1

4、識別效果略優(yōu)于MFCC，且無論是MFCC還是MFCC1特征，與特征參數(shù)E組合后，識別效果都有改善，可見能量E更能表征咳嗽音的典型非平穩(wěn)特性。
　　其次應(yīng)用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)把信號分解成若干個本征模態(tài)函數(shù)(IMF)，去除緩慢變化趨勢IMF后，提取兩種重構(gòu)方式（對剩余IMF直接重構(gòu)、結(jié)合Mel尺度曲線對剩余IMF進(jìn)行歸一化加權(quán)后重構(gòu)）的重構(gòu)信號的MFCC、MFCC1，再分別與能量E組合，以及實(shí)現(xiàn)類似于MFCC、MFCC1組合識別效

5、果較好的特征方式的組合，實(shí)驗(yàn)結(jié)果表明，組合特征的識別效果相對MFCC都有較大的改善。
　　再次通過對Hilbert邊際譜和傅里葉譜分析比較，用Hilbert邊際譜替代傅里葉譜，提取其子帶能量倒譜系數(shù)(SECC)，此時，誤識別率相對最小。
　　最后在Hilbert邊際譜中應(yīng)用Teager能量算子，提取其子帶能量倒譜系數(shù)(STECC)，實(shí)驗(yàn)結(jié)果表明，STECC特征的識別效果相對最好。
　　本文結(jié)合Hilbert邊際譜和Ta