基于声学与小波熵及自回归模型的病态嗓音诊断新方法研究

论文摘要

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。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 病态嗓音研究的目的及意义
• 1.2 病态嗓音的研究现状
• 1.3 病态嗓音分析一般过程
• 1.4 本文各章节的组织结构
• 第二章 嗓音的产生
• 2.1 嗓音产生的生理基础
• 2.1.1 肺与气管
• 2.1.2 喉部
• 2.1.3 咽和口腔
• 2.2 人声的 source-filter 模型
• 2.3 病态嗓音检测疾病的范围
• 2.3.1 一般性外伤
• 2.3.2 疾病
• 2.3.3 神经系统损伤
• 2.4 本章小结
• 第三章 嗓音病变类疾病的观测方法
• 3.1 可视化的喉部医学检查
• 3.1.1 间接或直接喉镜检查法
• 3.1.2 CT 成像检查法
• 3.2 活体组织检查
• 3.3 声学观测法
• 3.4 用于声学评价的参数
• 3.4.1 与基频相关的参数组
• 3.4.2 与振幅有关的参数组
• 3.4.3 声音分析的其它参数
• 3.5 本章小结
• 第四章 病态嗓音诊断的参数提取
• 4.1 嗓音数据的基本特征
• 4.2 嗓音数据的小波熵分析
• 4.2.1 小波理论基础
• 4.2.2 嗓音数据的小波熵参数提取
• 4.3 嗓音数据的AR 模型的参数提取
• 4.3.1 AR 模型基础
• 4.3.2 AR 模型阶次p 的选择
• 4.4 嗓音数据中声学参数的提取
• 0 的算法'>4.4.1 嗓音数据中提取F₀的算法
• 4.4.2 嗓音数据的声学参数
• 4.5 本章小结
• 第五章 基于支持向量机的病态嗓音识别
• 5.1 嗓音样本的支持向量机分类
• 5.1.1 学习机及最优化问题
• 5.1.2 线性分类问题
• 5.1.3 广义最优分类面
• 5.1.4 高维空间中的最优分类面
• 5.2 改进型支持向量机LS—SVM
• 5.2.1 基于最小二乘法求解的SVM
• 5.2.2 对于嗓音样本分类的核函数参数的确定
• 5.3 数据库及样本的选取
• 5.4 嗓音数据库样本选取列表
• 5.5 健康嗓音及病态嗓音的二分类
• 5.5.1 基于多参数组的病态嗓音识别
• 5.5.2 对联合参数组的优化
• 5.6 本章小结
• 第六章 病态嗓音的疾病间分类
• 6.1 甲亢嗓音与声带损伤嗓音的分类
• 6.2 病态嗓音疾病间分类的参数选取实验
• 6.2.1 正交试验设计法的基本思想
• 6.2.2 正交表的制作
• 6.3 基于正交实验设计的参数选取
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 结果分析与创新点
• 7.3 展望
• 参考文献
• 发表论文与科研情况
• 附录:重要的英文缩写
• 致谢