毕业论文-基于声学参数的病理嗓音细分研究.doc

苏州大学本科生毕业设计（论文） 基于声学参数的病理嗓音细分研究中文摘要对病理嗓音的细分识别研究，在临床医学和基础研究领域都有十分重要的意义。病理嗓音主要是由于声带和喉的各种疾病导致其闭合或振动异常，致使其声学性质发生改变，临床上表现出不同程度的声音嘶哑、失真等。结合病理嗓音的特点，各类疾病都可能引发喉部异常，导致嗓音的变化，传统的病理嗓音诊断方法都存在一些缺陷，因此需要采用声学检测的方法进行识别和处理。本课题挑选了125例甲状腺功能亢进、12例声带麻痹、24例胃液逆行、53例正常嗓音，主要需要研究常用的病理声学参数提取方法（基频微扰（Jitter）、幅度微扰（Shim）等），为病理嗓音细分识别做准备，并初步研究病理嗓音细分识别算法。采用weka软件进行识别实验进行分类，建模并提取算法交叉验证准确度达65%以上的结果，对实验结果进行分析讨论。关键词：病理嗓音；weka；声学参数pathological voice segmentation research based on acoustic parameters AbstractSubdivision of pathological voice recognition research, in the field of clinical and basic research has the very vital significance. Pathological voice is mainly due to the vocal cords and throat diseases led to its closure or abnormal vibration, its acoustic properties change, clinical showed different degrees of hoarseness, distortion, etc. Combining with the characteristics of pathological voice, all kinds of diseases may cause throat is unusual, lead to the change of the voice, the traditional pathological voice diagnosis methods have some defects, so the need to adopt the method of acoustic detection identification and processing. This topic selected 125 cases of thyroid function hyperfunction, 12 cases of vocal cord paralysis, 24 cases of retrograde gastric juice and 53 normal voice, the need to study the pathology of acoustic parameters commonly used extraction method (fundamental frequency perturbation (Jitter) and amplitude perturbation (Shim), etc.), preparing for pathological voice recognition segment, and a preliminary study of pathological voice recognition algorithm segment. Recognition experiments are classified with weka software, modeling and extracting algorithm of cross validation accuracy above 65% as a result, carries on the analysis discussion with the result of the experiment.Key words: pathological voice; Weka; The acoustic parameters目 录中文摘要1Abstract2第一章 引言51.1 研究目的51.2 近年国内外嗓音研究现状51.3 本文的研究过程6第二章 病理嗓音的产生机理72.1 语音的发音系统72.2 语音的定义72.3 语音生成数学模型72.3.1 激励模型82.3.2 声道模型82.3.3 辐射模型82.3.4 语音信号数学模型9第三章 嗓音检测临床常用的声学参数及临床意义103.1 频率微扰及振幅微扰103.2 标准化噪声能量(NNE)103.3 谐噪比（H/N)103.4 共振峰测试113.5 基频（Fo）113.6 基频标准偏差（SDFo)113.7 嗓音分析的其他参数11第四章 病理嗓音的细分研究124.1 有关weka的介绍124.1.1 weka的由来124.1.2 weka的数据格式124.1.3 weka的术语124.1.4 weka的属性134.1.5 weka数据的准备（及csvarff格式的获取）134.2 病理嗓音的细分研究过程134.2.1 数据的提取144.2.2 数据的运行144.2.3 数据的收集144.3 病理嗓音的细分研究结果14第五章 总结与展望165.1 总结165.2 展望16参考文献17致 谢18第一章 引言1.1 研究目的嗓音的产生是一个复杂的生理、物理过程,由于各种原因造成的嗓音疾病阻碍了人们正常的社会交往和信息交流。嗓音言语疾病是指因发声言语器官的功能性或器质性损害而导致的发声言语功能障碍。对嗓音状况的调查表明，我国至少1亿人患有各种嗓音疾病，涉及 到生理和工作环境等许多原因。主要表现为功能性病变（与神经类型、心理状态、情绪等因素有关）和器质性病变（由炎症、外伤、肿瘤、神经肌肉系统异常或先天发育异常而至）。目前存在着许多通过直接观测来诊断病态嗓音通道的方法,如咽喉描述法、频闪观测法以及示波法等,但这些方法都存在着一些不足。因为嗓音通道在发音时很难进行病态检查,除此之外这些检测方法对病人而言也很不方便,有时可能影响观测的结果,导致不精确或者不正确的诊断。依靠电子仪器测量诊查方法的缺点是, 对于人的发音系统瞬间的发音肉眼观察很难, 较难查明病因。除此之外,会给病人带来不便,导致不准确的诊断结果。嗓音的声学分析是非接触的诊断, 这种方法具有能在较短时间内完成大量病人的诊查, 并在较早阶段发现疾病等优点。应用声学分析法检测病态嗓音通道可以克服上述方法的不足,声学分析法是一种无接触的诊断方法,可以在较短的时间里检查大量的病人,尤其有利于诊断初始阶段或发展阶段的病情。病理嗓音细分具有广泛的应用前景。嗓音分析不但能对各类喉部疾病作预诊，对胸腔、腹腔、颅腔等的相关疾病也能进行检测；分析婴儿哭声的参数变化，判断是否有听力障碍及致病原因；研究病理嗓音参数并生成模型实现修复，让言语残疾者实现日常交流，改善生活质量；此外，对于歌唱声学、艺术嗓音学领域的发声基础研究、艺术嗓音选材等也均具有实用价值。1.2 近年国内外嗓音研究现状目前国内外对于病理嗓音的研究侧重于病理嗓音的检测、分析和评价来辅助医学治疗。对于病理嗓音的细分研究尚不多见。目前国内外关于这方面的研究主要集中在声带模型的建立，利用声学参数和频谱仪等进行诊断病变语音的研究等。已有的研究得到这样一些结论有：（1）由于声带闭合不全，气流通过声门时噪声增大，谐噪比、信噪比减少，声门噪声能量增大；（2）病理嗓音的谐波及共振峰不规则、断裂甚至消失，噪声成分增加；（3）病理嗓音的基频不稳定，基频微扰、振幅微扰的值超过正常值；（4）由于声带张力下降，使所发出的声音不够稳定，所以在病理嗓音中基频方差也明显增加。这些研究为病理嗓音的细分识别提供了依据。病理嗓音的细分识别，特征参数及识别模式的选取是其中的两个关键点。随着病理嗓音自动识别的提出，很多特征参数相继出现。大致可以分为三大类：（1）时域及其统计学参数，如基频、频率微扰、幅度扰动等；（2）变换域类参数，如：LPCC、MFCC等；（3）噪声参数，如：谐噪比、声门噪声能量等。Alireza4分别采用MFCC+基频，MFCC作为特征参数进行病理嗓音的识别，前者的识别率高于单一使用MFCC5。随着特征参数的种类和维数的增加，计算复杂度提高，识别率并没有显著改善。Pegah6采用遗传算法进行参数的优化选取，提高了识别率。由于病理嗓音的种类较多，各个参数对于病理嗓音的细分都产生了不同程度的影响，但是遗传算法进行遗传变异时会淘汰部分参数，这对于病理嗓音的细分存在一些影响。早期对于病理嗓音的检测主要是医学专家进行主观判别，其误判率较大。为了提供客观的检测，医生使用内窥镜直接检查声带，但这种方式存在一些弊端:花费昂贵、具有侵害性等。随着模式识别的提出，方便且无侵害的自动检测法成为研究重点。Ritchings7提出利用人工神经网络进行病理嗓音的分析并且获得了92%的准确率。神经网络是具有高度非线性的系统，其高度的复杂性使得不可能分析它的各项性能指标，限制了人工神经网络的应用范围。Chen8等提出基于模式分类的SVM进行病理嗓音的分类。SVM尽管不利用问题的领域内部问题，但在模式分类问题上提供较好的泛化能。病理嗓音识别发展至今，仅仅是正常嗓音和病理嗓音的区分已经不能满足临床的需要了，如何扩大病态嗓音识别的范围，对不同病症进行精细化区分，将是病理嗓音研究工作的发展趋势。1.3 本文的研究过程第1章 主要是引言部分，介绍本文的研究目的及一些病例嗓音的研究现状。第2章 主要是介绍语音的一些相关知识及有关语音的数学模型。第3章 主要介绍临床常用的声学参数及他的临床意义。第4章 主要是有关病理嗓音的细分研究，数据提取以及研究结果。第二章 病理嗓音的产生机理2.1 语音的发音系统人体的发音器官可以分为三大部分：动力区声、源区、调音区。1.动力区肺 、横膈膜 、气管肺是呼吸气流的活动风扇，呼吸的气流是语音的动力。肺部呼出的气流，通过支气管 器官到达喉头，作用于声带、咽腔、口腔 、鼻腔等发音器官。2.声源区声带声带位于喉头的中间，是两片富有弹性的带状薄膜。两片声带之间的空隙叫声门，肌肉的收缩，杓状软骨活动起来可使声带放松或收紧，使声门打开或关闭，从肺中出来的气流通过声门使声音振动发出声音，控制声带松紧的变化可以发出高低不同的声音来。3.调音区口腔、鼻腔、咽腔口腔（包括唇、齿和舌头）后面是咽腔，咽头上通口腔、鼻腔，下接喉头。口腔和鼻腔靠软腭和小舌分开。软腭和小舌上升时鼻腔关闭，口腔畅通，这是发出的声在口腔中共鸣，叫口音。软腭和小舌下垂，口腔成阻，气流只能从鼻腔中发出，这是发出的音主要在鼻腔中共鸣，叫做鼻音。如果口腔没有阻碍，气流从口腔和鼻腔同时呼出，发出的音在口腔和鼻腔同时产生共鸣，叫鼻化音（也叫半鼻音或口鼻音）。2.2 语音的定义语音是人类发音器发出的、具有一定意义的、能起信息交流作用的声音;由一连串的音所组 成，是组成语言的声音。语音（speech）分声音(Acoustic)和语言(Language)。语音是人的发声器官发出的一种声波。2.3 语音生成数学模型建立数学模型：寻找一种可以表达物理状态下，量与量之间关系的数学表达。基本原则：不仅具有最大的精确度，而且简单。 语音生成系统组成：激励、声道和辐射系统。说明：语音信号是非平稳随机过程，特性随时间变化，但变化比较缓慢，短时间平稳随机过程，可采用线性时不变模型。2.3.1 激励模型激励模型一般分为浊音激励和清音激励。一、浊音声带不断张开和关闭，将产生间歇的脉冲波。浊音激励波:以基音周期为周期的斜三角脉冲串。二、清音发清音时，声道被阻塞形成湍流清音激励模拟为白噪声，均值0，方差1。说明激励简单地分为清音和浊音是不全面的。但将两种源经过适当的网络之后，可以得到良好的激励信号。2.3.2 声道模型一、声管模型把声道视为由多个等长不同截面积的管子串联而成。每个管子可看作为一个四端网络，具有反射系数。声道可由一组截面积或反射系数表示。二、共振峰模型1、把声道视为一个谐振腔。共振峰就是这个腔体的谐振频率。2、人耳听觉的柯替氏器官的纤毛细胞就是按频率感受而排列其位置的，所以这种共振峰的声道模型方法是非常有效的。3、一般来说，一个元音用前三个共振峰来表示就足够了；而对于较复杂的辅音或鼻音，大概要用到前五个以上的共振峰才行。4、基于物理声学的共振峰理论，可以建立起三种实用的共振峰模型：级联型、并联型和混合型。2.3.3 辐射模型辐射模型是一阶类高通滤波器。从声道模型输出的是速度波，而语音信号是声压波，二者之倒比称为辐射阻抗。它表征口唇的辐射效应，也包括圆形的头部的绕射效应等。当然，从理论上推倒这个阻抗是有困难的。但是如果认为口唇张开的面积远小于头部的表面积，则可近似地看成平板开槽辐射的情况。此时，可推导出辐射阻抗的公式如下： （2.1） 式中， ， ，这里，a是口唇张开时的开口半径，c是声波传播速度。由辐射引起的能量损耗正比于辐射阻抗的实部，所以辐射模型是一阶高通滤波器。由于除了冲激脉冲串模型E(z)之外，斜三角波模型是二阶低通，而辐射模型是一阶高通，所以实际信号分析时，常用所谓“预加重技术”。即：在取样之后，插入一个一阶的高通滤波器。这样，只剩下声道部分，就便于声道参数的分析了。在语音合成时再进行“去加重”处理，就可以恢复原来的语音。常用的预加重因子为。这里，R(n)是信号s(n)的自相关函数。通常对于浊音，；而对于清音，则该值可以取的很小。2.3.4 语音信号数学模型综上所述，完整的语音信号的数学模型可以用三个子模型：激励模型、声道模型和辐射模型的串联来表示。如图2.1所示，它的传输函数H(z)可表示为： (2.2)声道参数基音频率F0AV声门脉冲模型G(Z)周期脉冲发生器输出语音辐射模型R(Z)声道模型V(Z)随机噪声发生器浊音/清音开过关激励模型辐射模型声道模型Au图2.1 语音信号产生的数学模型U(z)是激励信号，浊音时U(z)是声门脉冲即斜三角形脉冲序列的z变换；在清音的情况下，U(z)是一个随机噪声的z变换。V(z)是声道传输函数，既可用声管模型，也可以共振峰模型等来描述。第三章 嗓音检测临床常用的声学参数及临床意义嗓音的声学检测可分为两种，一种是靠主观的听觉检查；第二种是客观的声学检查。过去是依靠听觉来定嗓音障碍的情况及嘶哑的轻重，但这种听觉评定，难免主观，而且概念不清，名词不一，目前国际间无统一标准。近半个世纪以来，除主观应用听觉判定之外，客观嗓音检查以应用于临床，采用电子仪器测量各种参数，如基频、音强、谐噪比、频率微扰、共振峰、接触率、接触率微扰、接触幂、接触幂微扰等。用这些参数进行分析，可对嗓音客观地进行声学评价。嗓音声学分析参数包括：基频微扰（Jitter）、振幅微扰（Shimmer）、标准化噪声能量（normalized noise energy NNE）、谐噪比（harmonice-noise ratio,HNR)、平均基频（mean Fo）、共振峰（第一共振峰F1、第二共振峰F2、第三共振峰F3）、频率颤动（Jitter Frequency,JF)、基频标准差（SDFo)。3.1 频率微扰及振幅微扰人的嗓音周期不是固定不变的，进行检测时，其嗓音相邻周期之间的基频和振幅的微小变化，这种微小变动称之为振幅及音调微扰因子。正常发声时，声带在气流动力及喉的神经肌肉协调作用下节律性开闭、振动，嗓音声学性质相对稳定，当声带病理改变影响其节律性运动时，喉声源学性质将发生紊乱并掺入噪声成分，上述噪音声学参数将发生相应变化。近年许多报道均共认，病态嗓音的声学检测的结果为频率微扰值及振幅微扰值均增加。根据Dr.Speech软件所提供的参考值为Jitter0.5%，Shimmer-3dB。3.2 标准化噪声能量(NNE)是指总的声音能量减去谐波能量，其反映于声门不完全关闭而引起的声门噪声能量大小，即声带振动时不完全关闭的程度，对声嘶程度尤其是气息大小的评估具有显著的意义。病变程度越重，NNE值越大。其单位为dB，参考值为10dB。3.3 谐噪比（H/N)喉病嘶哑的特点是噪音成分相对增多，谐波成分相对减少，H/N是信号声与噪声的比值，是嘶哑的一个客观指标，对发现疾病、判定疗效有重要意义，在病态时嗓音的比值显著地降低。其正常值男性H/N=8.317.0dB，平均12.2dB；女性为7.014.6dB,平均为11.5dB;男女之间差异无显著性意义，与年龄无明显关系。3.4 共振峰测试共振峰是声能集中的部分，呈包络峰，在两维结构的频谱中，每个包络中都有较大振幅的谐音，即共振峰的峰值，这个最大振幅的谐音处也是声能集中之处。正常频谱的共振峰谐音清晰，第一与第二共振峰内无噪声出现，而病态嗓音都有不同程度地出现噪音。3.5 基频（Fo）基频是声带振动的基本频率，除声带本身的基本特征（长度、质量、张力等）有关外，还受环甲肌、甲杓肌及声门下压的调节。国内外学者研究较多，反映出声带的发声成熟以及老化的生理过程。正常值在不同的发音方式其值不一样，低音：男98.50Hz，女163.93Hz；舒适发声：男150.93Hz，女267.20Hz；假声最高音：男457.40Hz,女609.17Hz;这对判定男生女调或是假声发音有一定意义，但不能鉴别正常或病理嗓音。3.6 基频标准偏差（SDFo)SDFo反映基音的标准偏差，是衡量Fo总体稳定程度的量，能整体反映声带振动的稳定性，当失声或音质粗糙是SDFo明显增加，有些病例往往只有SDFo极显著的差异，声带炎更显著，提示SDFo与声带的肿胀程度关系密切，正常参考3Hz。3.7 嗓音分析的其他参数湍流噪声（VTI）计算的是频率带宽2800Hz5800Hz中，非谐波成分能量与频率带宽70Hz4500Hz中谐波成分能量的比值。VTI与声带的不完全振动及内收的病态特征相关。谐噪比（NHR）计算的是频率带宽1500Hz4500Hz中非谐波成分能量与频率带宽70Hz4500Hz中谐波成分能量的比值，嗓音信号的全局噪声都会影响NHR的值。参数SPI计算的是频率带宽70Hz1600Hz中谐波成分能量与频率带宽1600Hz4500Hz中谐波成分能量的比值。第四章 病理嗓音的细分研究在嗓音疾病中，声带息肉、声带小结、慢性声带炎、声带囊肿和声带任克水肿等占有相当大的比例,这些疾病均可引起声带振动及发音的变化,导致嗓音改变。对嗓音质量的客观定量评估有助于判断疾病的程度,同时嗓音的自然特性决定了主观听感知评估是嗓音研究的需要。本章利用weka并根据数据库内的数据提取正常嗓音（narmal voice)、声带麻痹（vocal cord paralysis)、甲状腺机能亢进（hyperthyroidism)、胃液逆行（Gastric retrogride)。4.1 有关weka的介绍4.1.1 weka的由来Weka的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），是一款免费的，非商业化（与之对应的是SPSS公司商业数据挖掘产品-Clementine ）的，基于JAVA环境下开源的机器学习（machine learning）以及数据挖掘（data minining）软件。它和它的源代码可在其官方网站http:/www.cs.waikato.ac.nz/ml/weka 下载。有趣的是，该软件的缩写WEKA也是新西兰独有的一种鸟名，而Weka的主要开发者同时恰好来自新西兰的the University of Waikato。WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看weka的接口文档。在weka中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。4.1.2 weka的数据格式跟很多电子表格或数据分析软件一样，WEKA所处理的数据集是图1那样的一个二维的表格。4.1.3 weka的术语WEKA中的术语。表格里的一个横行称作一个实例（Instance），相当于统计学中的一个样本，或者数据库中的一条记录。 竖行称作一个属性（Attrbute），相当于统计学中的一个变量，或者数据库中的一个字段。这样一个表格，或者叫数据集，在WEKA看来，呈现了属性之 间的一种关系(Relation)。图1中一共有14个实例，5个属性，关系名称为“weather”。 WEKA存储数据的格式是ARFF（Attribute-Relation File Format）文件，这是一种ASCII文本文件。图1所示的二维表格存储在如下的ARFF文件中。这也就是WEKA自带的“weather.arff” 文件，在WEKA安装目录的“data”子目录下可以找到。 需要注意的是，在Windows记事本打开这个文件时，可能会因为回车符定义不一致而导致分行不正常。推荐使用UltraEdit这样的字符编辑软件察看ARFF文件的内容。识别ARFF文件的重要依据是分行，因此不能在这种文件里随意的断行。空行（或全是空格的行）将被忽略。以“%”开始的行是注释，WEKA将忽略这些行。如果你看到的“weather.arff”文件多了或少了些“%”开始的行，是没有影响的。除去注释后，整个ARFF文件可以分为两个部分。第一部分给出了头信息（Head information），包括了对关系的声明和对属性的声明。第二部分给出了数据信息（Data information），即数据集中给出的数据。从“data”标记开始，后面的就是数据信息了。4.1.4 weka的属性数值属性、分类属性、字符串属性、日期和时间属性：日期和时间属性统一用“date”类型表示，它的格式是attribute date ；字符串属性和分类属性的值是区分大小写的。若值中含有空格，必须被引号括起来；日期属性的值必须与属性声明中给定的相一致。4.1.5 weka数据的准备（及csvarff格式的获取）使用WEKA作数据挖掘，面临的第一个问题往往是我们的数据不是ARFF格式的。幸好，WEKA还提供了对CSV文件的支持，而这种格式是被很多其他软件所支持的。此外，WEKA还提供了通过JDBC访问数据库的功能。Excel的XLS文件可以让多个二维表格放到不同的工作表（Sheet）中，我们只能把每个工作表存成不同的CSV文件。打开一个XLS文件并切换到需要转换的工作表，另存为CSV类型，点“确定”、“是”忽略提示即可完成操作。在WEKA 3.5中提供了一个“Arff Viewer”模块，我们可以用它打开一个CSV文件将进行浏览，然后另存为ARFF文件。进入“Exploer”模块，从上方的按钮中打开CSV文件然后另存为ARFF文件亦可。4.2 病理嗓音的细分研究过程4.2.1 数据的提取从病理嗓音细分库（xls格式）提取正常嗓音、声带麻痹、甲状腺机能亢进、胃液逆行从Fo到ATRI的数据到excel中然后转换成csv格式，随后是arff格式。4.2.2 数据的运行将数据输入（explorer-open a set of instances from a file)然后运行数据（cluster-start)4.2.3 数据的收集利用classify从choose中的方法（BayesNet NaiveBayes等）中运行结果达到65%的提取，收集。4.3 病理嗓音的细分研究结果表4.1 细分实验结果lwlbeggingj48reptreedecisionstumpadaboostm1Correctly Classified Instances66.6667%65.2778%65.2778%66.6667 %66.6667 %66.6667 %484747484848Kappa statistic0.50.49150.52080.50170.50.5Mean absolute error0.21010.21540.17690.21150.2090.253Root mean squared error0.32510.34010.39850.33060.3240.3501Relative absolute error57.9151%59.383 %48.7676 %58.2957 %57.6143 %69.7432 %Root relative squared error76.307 %79.8418%93.5461 %77.6065 %76.0488 %82.1794 %Coverage of cases (0.95 level)100 %100 %72.2222%98.6111 %100 %100 %Mean rel. region size (0.95 )level)58.3333%59.375 %30.9028 %57.