基于隐马尔可夫模型的咳嗽识别技术研究

摘要

咳嗽是许多呼吸道疾病的一种常见症状，评估其强度及发生的频率可以提供宝贵的临床资料，为患者的诊断和治疗提供很大的帮助。至今这种对咳嗽的评估，主要依靠主观措施，如：咳嗽反射敏感性测试、患者对自身症状的感觉、咳嗽可视模拟测评、生活质量问卷、咳嗽症状描述和患者的日记等。鉴于人为的监测缓慢且乏味，容易受主观因素影响而出错，而患者对自身咳嗽特征进行描述未必完整、专业，研究智能的咳嗽监测系统及其算法显得非常必要。利用可靠的咳嗽检测算法减少大量需人工分析的数据，甚至可以做到去除人工分析的过程。 一个具有较高有效性的咳嗽识别系统，应能够识别出大部分在特定录音中的咳嗽声，同时又能够将它与其他的具有相似特性的声音区分开来。 文章在参考了国内外关于咳嗽识别的研究现状，并比较了咳嗽识别与语音识别的关系，提出使用隐马尔可夫模型作为咳嗽识别的主要算法。文章介绍人类发声的器官及其离散时域的发声模型，为后续的分析提供了基础。分析短时能量、短时过零率的原理及算法，介绍其区别有无声、清浊音的良好性能，并用这种分析方法证实了咳嗽声的发声特点，也为咳嗽声的端点检测打下基础。端点检测是把咳嗽声的起点与终点严格标记出来，为模型的训练与识别提供可靠的数据。文中采用了双门限比较法，并提出了二次提取。对于识别来说，特征提取是相当关键的，文章在介绍分析了线性预测编码倒谱系数及Mel频率倒谱系数的基础上，考虑到咳嗽的发声特征采用了短时能量+短时过零率+Mel频率倒谱系数+Mel频率倒谱系数一、二阶差分的结构来提取咳嗽的特征向量。另外文中还设计了一个咳嗽声录音装置，以解决录音上过饱和的问题。 最后介绍并推导出隐马尔可夫模型，利用隐马尔可夫模型对所获得的156个咳嗽声样本进行训练和测试性识别。结果显示，其正确率达78.95％。 这些结果表明隐马尔可夫模型可用于检测咳嗽声。

目录

文摘

英文文摘

声明

第一章引言

1.1.课题意义及目的

1.2.咳嗽识别技术的现状

1.3.语音识别技术概述

1.3.1.早期研究

1.3.2.技术积累

1.3.3.走向应用

1.4.本文的研究与识别办法

1.4.1.咳嗽识别流程

1.4.2.本文工作及内容安排

第二章咳嗽发声模型

2.1.发声器官的结构

2.1.1.喉

2.1.2.声道

2.1.3.嘴

2.2.语音信号产生模型

2.3.本章小结

第三章咳嗽样本采集装置的设计

3.1.传感器

3.2.录音模块

3.3.控制电路

3.4.流程图

3.5.本章小结

第四章短时分析及预处理

4.1.短时能量和平均幅度

4.2.咳嗽声的短时能量特征

4.3.短时平均过零率

4.4.咳嗽声的短时过零率特征

4.5.本章小结

第五章端点检测

5.1.基于短时能量和短时平均过零率的检测方法(双门限比较法)

5.2.二次提取

5.3.实验结果

5.4.本章小结

第六章特征提取

6.1.用特征参数LPC进行特征提取

6.2.LPC(线性预测编码)倒谱系数

6.3.用特征参数MFCC进行特征提取

6.4.对咳嗽声进行特征提取

6.5.本章小结

第七章隐马尔可夫模型

7.1.HMM的描述：

7.2.三个基本问题的提出

7.3.HMM的算法

7.3.1.识别问题

7.3.2.解码问题

7.3.3.学习问题

7.4.本章小结

第八章在咳嗽识别中使用HMM

8.1.样本采集

8.2.训练与识别的方法

8.2.1.咳嗽的HMM训练

8.2.2.识别过程

8.3.试验及其结果分析

8.4.本章小结

结论及探讨

参考文献

附录

攻读硕士学位期间取得的研究成果

致谢

评定意见