病態嗓音的識別與研究

陳承義，高俊芬

CHEN Chengyi1,GAO Junfen2

1.柳州鐵道職業技術學院，廣西 柳州 545007

2.廣西師范大學，廣西 桂林 541004

病態嗓音的識別與研究

陳承義1，高俊芬2

CHEN Chengyi1,GAO Junfen2

1.柳州鐵道職業技術學院，廣西 柳州 545007

2.廣西師范大學，廣西 桂林 541004

通過分析嗓音的發音機理，提取正常與病態嗓音的傳統聲學參數：基頻、共振峰、Mel倒譜系數（MFCC），以及非線性特征參數：計盒維數與截距，作為病態嗓音識別的特征矢量集。應用高斯混合模型（GMM）對156例正常嗓音與146例病態嗓音進行建模與識別。結果表明：非線性特征參數計盒維數與截距能很好地區分正常與病態嗓音，它們與傳統聲學參數基頻和共振峰的組合，能夠取得92.60%的識別率。

高斯混合模型；病態嗓音；計盒維數；截距

1 引言

物體振動發出聲音，聲帶是嗓音產生的主要振動體。聲帶的質量、韌性，覆蓋粘膜的病變等均會影響其振動的頻率、振幅和持續時間[1]。語音信號作為信息傳遞的重要載體，通過對病態嗓音信號的聲學檢測，分析嗓音信號的基頻（F0）、共振峰、頻率微擾、振幅微擾、Mel倒譜系數（MFCC）等各種聲學參數，對異常嗓音特征作出定量分析。但它們在有效檢測病態嗓音方面存在一定的局限。語音信號是一種非線性、非平穩的信號，而傳統的聲學參數的提取均是將語音信號近似為線性信號，這樣就嚴重影響了特征的有效性。分形理論作為非線性信號的有效描述手段，能夠有效地分析非線性語音信號。應用分形理論提取的計盒維數與截距，可以作為病態嗓音識別的特征參數。實驗證明，計盒維數與截距比傳統聲學參具有優越性，它們與傳統聲學參數相結合時，用GMM進行建模和識別，取得較好的識別率，作為一種無損傷的檢測方法，對喉病臨床診斷具有一定的實用價值，給臨床醫生提供了可靠的參考。

2 數據來源

實驗數據來源于臨床病例，采集數據時的環境要求在安靜的室內進行；時間1.5～3.0 s；受試聲樣為漢語元音“a”，分別對正常人和患有各類喉科疾病的對象進行兩次語音采樣，采樣頻率為16 kHz和48 kHz。正常對照組156例，年齡18～40周歲，平均年齡25周歲，經詢問近期無喉部疾病者；病態嗓音組146例，年齡15～50周歲，平均年齡27周歲，為前來醫院就診臨床病例。實驗時，將采樣頻率為48 kHz的語音降采樣為16 kHz，在保證一個說話人的語音不同時出現在訓練集和測試集的情況下，將數據庫的156例正常嗓音和146例病態嗓音隨機分割成兩部分，其中取正常嗓音78例和病態嗓音73例作為模型訓練集；其余部分作為測試集，分別為78例正常嗓音與73例病態嗓音[2]。

3 特征提取

3.1 傳統聲學參數特征提取

傳統的嗓音分析聲學參數有很多，本實驗選用在病態嗓音醫學臨床檢測中廣泛應用的基頻、共振峰和Mel倒譜系數（MFCC）[3]這3個特征參數。基頻是指聲帶振動的頻率，共振峰表征了聲道參數的特性，MFCC充分考慮人耳聽覺結構和人類發聲和接受聲音的機理。當聲帶發生病變時，嗓音信號的這3個特征參數值就會偏離正常范圍，從而可以區分正常與病態嗓音。

3.2 計盒維數與截距特征參數提取

假定上述極限存在，其中Nσ(F)在本文中定義為：覆蓋F的邊長為σ的最小立方體個數。

本實驗中采用計算量較小的多點擬合來計算Db。具體過程如下：

（1）取M個σ值，記σi(i=1，2，…，M)。

（2）計算Nσi(F)。先將語音信號歸一化到單位正方形區域[4]，即

中南大學在2016級、2017級冶金、工管、能器、機械、臨床等非計算機專業約840名學生的“數據庫技術與應用”課程進行了連續兩年交叉融合的教學模式的實踐，課程共48課時，為期12周，獲得了比對效果較好的應用數據。

F={s(t)|min(s(t))=0，max(s(t))=1，0≤t≤1}

s(t)表示為歸一化后的語音信號，取最小正方形的邊長為σ，易知在區間In=[(n-1)σ，nσ]內，覆蓋F的最小正方形數為：Nn=[(maxs(t)-mins(t))/σ]，t∈In

[X]表示不小于X的最小正整數，因此在[0，1]區間內覆蓋F的總正方形個數為：

語音信號是一個復雜的非線性過程，其中存在著產生混沌的機制[4]。分形理論是描述混沌信號的一種有效的手段，是一種分析非線性語音信號的新方法。分形的度量有多種描述方法，常用的有計盒維數、容量維數、關聯維數、Hausdorff維等。本文采用計盒維數。

定義（計盒維數）N維歐氏空間子集F的計盒維數Db定義為[5]：

（3）令xi=lg(1/σ)，yi=lgNσ(F)，分別計算點( ) xi，yi，按最小均方誤差擬合一條直線y=kx+b，則此直線的斜率k為計盒維數Db，b為截距，即：

4 高斯混合模型（GMM）

模式識別的方法有人工神經網絡、隱馬爾科夫模型、支持向量機等，本文采用高斯混合模型[6]。

混合高斯模型是一種多維的概率密度函數，采用M個高斯成員加權和來表示，即

其中 xk，k=1，2，…，n，為一組在高維（d維）空間的點，μ代表此密度函數的中心點，Σ代表此密度函數協方差矩陣，wi為混合權重，并滿足：

則完整的高斯混合模型參數表示為：

訓練之前，對混合高斯模型的參數λ進行初始化，一般假設w1=w2=…wm=1/M，并使用K-means算法來計算群聚中心點，作為μi的初始值。設定初始參數值λ={wi，μi，Σi}。

訓練時，用EM算法不斷迭代調整參數λ，重新計算參數為λ?=(w?i，μ?i，Σ?i)，直到|λ-λ?|小于某一個極小值的容忍值為止。

識別時，計算輸入語音的特征在每個模型（正常與病態嗓音）下的概率，找出概率最大者，即可判斷其為哪一類嗓音。

5 病態嗓音識別結果及分析

本文實驗采用GMM模型作識別系統，在數據庫156例正常嗓音和146例病態嗓音中，在保證一個說話人的語音不同時出現在訓練集和測試集的情況下，隨機分割，其中訓練集包括正常嗓音78例和病態嗓音73例，測試集包括正常嗓音78例和病態嗓音73例。實驗取特征參數：基頻、共振峰、MFCC、計盒維數、截距；將特征進行編號為：1、2、3、4、5。

實驗特征參數處理說明：語音幀長為512，幀移為256；基頻、計盒維數和截距都是一維的數據，本實驗共振峰取前3個F1、F2、F3，共三維；MFCC作為特征參數時，一般都加入能夠表征語音動態特性的MFCC一階差分參數，組成24維特征參數。

首先，研究GMM的混合數對識別性能的影響，本實驗主要分兩類問題，通過大量實驗證明，本實驗的最佳GMM混合數為2。其次，研究每一個特征對病態嗓音識別的貢獻，所得到每個特征的GMM識別結果，按識別率從大到小排列，見表1。最后，根據表1的識別結果，按識別率從高到低逐漸增加特征個數，所得到的GMM識別率結果見表2。

表1 單個特征的GMM識別率從大到小排列

表2 根據表1逐漸增加特征組合的識別率

實驗結果分析：從表1可以看出分形特征參數計盒維數和截距對GMM的識別率貢獻較大，能夠有效地區分正常與病態嗓音，分別取得87.34%和87.43%的識別率；傳統的聲學參數對GMM的識別率貢獻較小。再看表2，分形參數計盒維數與截距的組合，所得到的GMM識別率為90.89%；傳統的聲學參數基頻、MFCC和共振峰的組合，所得到的GMM識別率為69.91%。由此可見，本實驗所選的傳統聲學參數在診斷正常與病態嗓音時不具有絕對的優勢，而分形特征參數具有一定的優越性。當分形特征參數與傳統聲學參數相組合時，識別率有所提高，見表2，計盒維數、截距與共振峰組合時，所得到的GMM識別率為91.40%；當計盒維數、截距與共振峰、基頻組合時，能得到最大識別率為92.60%。由此可見，分形特征和傳統聲學參數結合，提高了病態嗓音的GMM識別率，分形特征參數可以彌補傳統聲學參數的不足，提高了分析病態嗓音的能力。當繼續增加MFCC特征參數進行組合時，識別率下降為69.91%。病態嗓音自動檢測和評價時，提取特征參數的一般原則是盡可能把相關特征納入特征集，其結果就很難避免各種特征的相關和冗余信息，對隨后的識別率和檢測帶來負面影響，因此本實驗剔除對識別率貢獻較小的MFCC特征參數。

實驗結果表明，本文實驗提取的5個特征參數中，分形特征參數能夠有效地區分正常與病態嗓音，彌補了傳統聲學參數的不足。當分形特征參數計盒維數、截距與基頻、共振峰組合時，取得了92.60%的較高識別率。

6 結束語

分形理論是描述非線性信號的有力工具，是近年來處理語音信號的一個新的非線性分析方法。本文實驗提取的分形特征參數計盒維數與截距，彌補了傳統的聲學分析參數的不足，提高了分析病態嗓音的能力，能有效地區分正常與病態嗓音，且與傳統聲學參數基頻和共振峰組合，獲得了92.60%的識別率，給臨床醫生提供了可靠的分析工具。

[1]胡維平，王修信，曾恩恩，等.噪音頻域分析中的特征研究[J].廣西物理，1998，19（1）：30-33.

[2]龔英姬，胡維平.基于HHT變換的病態嗓音特征提取及識別研究[J].計算機工程與應用，2007，43（34）：217-219.

[3]趙力.語音信號處理[M].2版.北京.機械工業出版社，2009：31-78.

[4]ThompsonC，Mulpur A，Mehta V.Tranditiontochaos in acoustically driven flow（acoustic streaming）[J].Acoust Soc Am，1991，90：2097-2103.

[5]韋崗，陸以勤，歐陽景正.混沌、分形理論與語音信號處理[J].電子學報，1996，24（1）：34-38.

[6]于燕平，胡維平.病態嗓音特征的小波變換及識別研究[J].計算機工程與應用，2009，45（22）：194-195.

1.Liuzhou Railway Vocational Technical College,Liuzhou,Guangxi 545007,China

2.Guangxi Normal University,Guilin,Guangxi 541004,China

By analyzing the mechanism of pronunciation,normal and pathological voice of traditional acoustic parameters：fundamental frequency,formant,Mel Frequency Cepstrum Coefficient（MFCC）,and non-linear feature parameters：box-counting dimension and intercept,are extracted as feature vectors of recognition of pathological voice.156 normal voice samples and 146 pathological voice samples are recognized based on Gaussian Mixture Model（GMM）.The results show that the nonlinear feature parameters of box-counting dimension and intercept can well distinguish between normal and pathological voice.The combination of box-counting dimension,intercept and the traditional acoustic parameters-fundamental frequency and formant can achieve a better recognition rate of 92.60%.

Gaussian Mixture Model（GMM）;pathological voice;box-counting dimension;intercept

A

TP39

10.3778/j.issn.1002-8331.1108-0133

CHEN Chengyi,GAO Junfen.study and recognition of pathological voice.Computer Engineering and Applications, 2013,49（7）：123-125.

廣西自然科學基金（No.2010GXNSFA013128）。

陳承義（1959—），男，講師，主要研究領域為信號處理；高俊芬（1987—），通訊作者，女，碩士研究生。E-mail：396372100@qq.com

2011-08-31修回日期：2011-12-30

1002-8331（2013）07-0123-03