基于子带能量变换改进MFCC的咳嗽识别

在咳嗽识别中,频谱能量较高是咳嗽区别于大部分非咳嗽声音的主要特征,在分析得到咳嗽各子带频谱能量分布系数的基础上,提出了一种基于子带能量变换改进MFCC的咳嗽识别新方法。该方法在MFCC提取过程中引入子带能量变换,对高能量子带进行增强以降低非咳嗽信号的误识别率和提高轻微咳嗽的识别率,舍弃低能量子带以提高系统的抗干扰能力。在相同实验条件下,比较了采用改进MFCC和传统MFCC的咳嗽识别性能。实验结果表明:改进MFCC有效改善了咳嗽识别的各项评价指标和增强了算法的鲁棒性,平均识别率从89.29%提高到了94.43%。

基于频段互相关系数的咳嗽识别新方法

在咳嗽识别中,语音是影响识别准确率的主要因素。分析咳嗽与语音相邻帧频谱的相似性特征,发现咳嗽相邻帧的频段互相关系数明显小于语音,因此频段互相关系数可以作为区分咳嗽与语音的动态特征。在相同实验条件下,以MFCC为静态特征,比较了以频段互相关系数和一阶MFCC作为动态特征参数的咳嗽识别性能。多组录音的咳嗽识别实验结果表明:采用频段互相关系数作为动态特征参数咳嗽识别的平均准确率为90.27%,其识别能力优于一阶MFCC。

基于帧间PCA特征降维的咳嗽识别

咳嗽是呼吸系统疾病常见的症状,咳嗽的自动监测在临床上具有重要的辅助诊断意义。作为便携式咳嗽监测仪的软件算法,咳嗽识别具有小样本、粗分类和运算速度要求高的特点,这使得特征降维在咳嗽识别中具有重要意义。咳嗽识别一般采用39维的Mel倒谱系数作为特征量,特征维数不高导致帧内特征降维效果不显著。针对这个问题,文中对咳嗽的声学特点进行分析,在得出咳嗽特征集中体现在爆发相的结论基础上,提出了一种基于主元分析法(PCA)的帧间特征降维方法。采用主元分析得到映射矩阵和主元个数后,以每6帧为一组进行分组降维,然后组合降维后的特征作为总特征,将咳嗽识别的特征数量降维至原来的23.9%。采用隐马尔可夫模型作为分类器,多组录音样本的咳嗽识别实验结果表明,该降维方法能在改善识别准确率的同时,有效减少算法的运行时间、提高咳嗽识别的效率。

基于音频技术的白羽肉鸡咳嗽识别算法研究

[目的]咳嗽是肉鸡呼吸道发病初期的主要症状,为实现肉鸡呼吸道疾病非接触式监测,本研究提出一种肉鸡咳嗽声识别算法。[方法]利用网络拾音器采集白羽肉鸡咳嗽及其他声音数据,选用最小均方误差(MMSE)谱减法对其进行滤波去噪;经预处理后人工截取肉鸡咳嗽样本与噪声样本;提取样本基于小波变换的梅尔频率倒谱系数(WMFCC)特征,构建高斯混合模型-隐马尔科夫模型(GMM-HMM)识别算法,训练并调整优化咳嗽识别模型。[结果]试验表明,在隐状态数为3,高斯元个数为3时,该模型在测试集上达到最优识别效果,正确率为98.7%。将算法识别结果与人工分类结果比较,肉鸡咳嗽识别算法的平均准确率为95%。[结论]本文提出的肉鸡咳嗽算法模型能较好地检测肉鸡咳嗽,为肉鸡呼吸道疾病的早期自动预警提供技术支持。

基于NMF和短时能量特征提取的咳嗽识别研究

目的:为了进一步改善咳嗽自动识别的性能,提高呼吸系统疾病诊断的有效性和及时性。方法:基于非负矩阵分解(nonnegative matrix factorization, NMF)和短时能量(short term energy, STE)特征融合的方法,使用非线性支持向量机作为分类框架,对咳嗽声的自动识别技术进行分析研究。首先对疾病咳嗽音片段进行预处理;然后采用非负矩阵分解的方法,实现原始矩阵的降维处理,并与短时能量特征进行组合;最后将特征参数输入SVM模型进行咳嗽识别。结果:在小样本数据集情况下进行训练,咳嗽识别准确度最高达到93.75%。结论:实验结果表明:与传统咳嗽识别技术相比,本文方法能够有效提取区分度较大的数据特征,提高咳嗽识别的各项性能,减少存储空间。

基于支持向量机的咳嗽自动识别

为了进一步改善咳嗽自动识别的效果,本文以支持向量机作为咳嗽识别的分类模型,详细介绍样本采集、MFCC特征参数提取和支持向量机咳嗽识别的实现过程,并与隐马尔可夫模型和动态时间规划的识别结果及运行时间进行比较。实验结果表明在识别率方面,当训练样本集较大时,支持向量机与隐马尔可夫模型的识别结果相近且优于动态时间规划;当训练样本集较小时,支持向量机的识别率最高。在训练和识别效率方面,支持向量机具有明显的优势。

基于BP神经网络猪咳嗽声识别

咳嗽是猪患呼吸道系统疾病发病早期的主要症状。为解决猪呼吸系统疾病难以被发现和人工监测准确率低的问题,提出利用BP神经网络来检测和识别猪咳嗽声音的方案。基于四麦克风阵列进行猪声音数据的采集,以猪咳嗽声、打呼噜声、尖叫声、哼哼声、咆哮声的声音为研究对象,对得到的声音数据进行滤波、端点检测等预处理,把梅尔频率倒谱系数(MFCC)作为猪声音特征参数,建立BP神经网络学习和识别的模型。经五折交叉法验证猪咳嗽声平均识别率为85.33%,猪非咳嗽声平均识别率为86.24%,识别率均在85%以上,结果表明所提出的方案是可行的。这种方法可以高效地识别猪咳嗽声,为猪呼吸道疾病发病初期的诊断提供技术支持。

采用Mel倒谱参数的咳嗽声识别方法

在诊断一个有慢性咳嗽的病人时,他的咳嗽强度和频率评估能提供很有价值的信息。因此提高咳嗽识别率,对疾病的诊断有着重要意义。从语音识别中被广泛应用的Mel倒谱参数出发,寻找咳嗽和语音在Mel倒谱参数中的区别。基于Mel倒谱参数的原理,将其计算过程中的Mel刻度滤波器对数能量的极值数分布情况提取出来作为咳嗽的识别特征。在病房环境下对录音文件进行实验,得到的咳嗽识别率为90%以上,同时能够将语音等非咳嗽信号有效地剔除,实验结果显示90%以上的语音信号被排除。在录音设备及环境等各项参数不变的条件下,对不同病人样本,可使用同一阈值对咳嗽进行识别。该方法过程简单,数据计算量小,便于快速识别。

基于深度神经网络的猪咳嗽声识别方法

猪只呼吸道疾病易传染,影响猪的养殖生产效率,咳嗽是呼吸道疾病的显著症状之一,为识别猪只咳嗽声,提出了一种基于深度神经网络的识别方法。对声音信号进行谱减法去噪和双门限端点检测后分别提取梅山猪咳嗽及喷嚏、鸣叫、呼噜声的滤波器组(Log_filter bank,logFBank)和梅尔频率倒谱系数(Mel frequency cepstral coefficents,MFCC)特征,每种特征与其一阶及二阶差分组合作为卷积神经网络(Convolutional neural networks,CNNs)和深层前馈序列记忆神经网络(Deep feed forward sequential memory networks,DFSMN)咳嗽声识别模型的输入,进行多分类训练。对比不同特征提取方法及不同迭代次数对模型效果的影响,实验结果表明,以MFCC作为特征输入的CNNs模型效果较优,测试集上咳嗽声识别精确率为97%,召回率为96%,F1值为98%,总体识别准确率为96.71%。表明该模型有效可行,可为生猪福利养殖中猪咳嗽声识别提供技术支持。

基于特征级联的肺炎咳嗽声识别

针对识别肺炎咳嗽声方面现有特征组合方法单一的问题,提出了实现级联浅层和深层特征的SELeNet-5网络模型。首先对咳嗽声使用6层小波包分解得到相对小波包能量作为浅层特征,同时,对咳嗽声预处理生成语谱图,使用改进的LeNet-5网络作为特征提取模型,从语谱图提取出深层特征;其次通过特征级联网络层结合浅层和深层两种不同层次的特征,形成新的特征向量;最终输入到注意力机制网络模块并通过全连接网络层输出肺炎咳嗽声的识别结果。对比实验结果表明,使用特征级联方法的SELeNet-5网络模型方法得到了79.81%的准确率,相比使用单一浅层特征准确率提高了6.81%,与使用单一深层特征相比准确率提高了2.92%。实验结果表明级联特征在肺炎咳嗽声识别上比单一的浅层或深层特征具有更好的效果,有效提高了肺炎咳嗽声识别准确率。

利用腰带式多参数生理信号监测系统进行咳嗽检测与辨识

目的:以腰带式多参数生理信号监测系统为实验平台,提出一种通过实时记录咳嗽引起的腹部加速度信号、振动信号和咳嗽声音来监测咳嗽的新方法,并针对后期数据的回放处理设计一种能够自动识别咳嗽事件的算法。方法:将采集到的数据用MATLAB在计算机上进行分析:根据加速度信号的幅度和斜率,可以排除说话的干扰;再利用呼吸波信号的幅度,筛除掉清喉事件;最后由声音包络的变化识别出咳嗽事件。结果:该方法能够有效区分咳嗽与其他干扰(如清喉、说话和体动):对同步记录的音频文件进行人工计数,共有523次咳嗽事件,算法自动识别出471次,咳嗽事件识别的敏感度为90.1%;共有1 452次非咳嗽事件,算法正确识别出1 438次,特异性达到99%。结论:利用腰带式多参数生理信号监测系统进行咳嗽检测与辨识的方法是有效可行的,可以推广应用。

基于小波分解和Mel频率的儿童咳嗽干湿性自动分类

咳嗽的干湿性是儿科呼吸道疾病诊断的重要依据。咳嗽干湿性自动分类一般以咳嗽音MFCC作为主要特征向量,但Mel频率滤波器组低频密集高频稀疏的分布特性,使其未充分利用不同频段在反映干湿性能力上的差异。小波包分解可以获得不同频段的特征,对小波能量进行Mel频率刻度的非线性伸缩,以弱化低频特征、强化高频特征,从而凸显两类咳嗽音信号在各频段上的差异性。实验结果表明,该特征向量能更有效地区分两类样本数据,干湿性总体分类准确率达89. 6%。

按时频能量分布识别咳嗽声的方法

咳嗽是一百多种疾病的主要症状,咳嗽声分析可以为临床诊断提供极其重要的信息。利用咳嗽声信息提取咳嗽的频率和强度能够定量评估治疗效果。本文提出一种咳嗽声识别算法,首先利用小波对信号进行分解,统计咳嗽声信号和非咳嗽声信号在各个时频点上的能量分布,然后选择能量分布差异最大的部分时频点对应的能量值作为特征,最后利用线性判别分析/广义奇异值分解(Linear discriminant analysis/Generalized singular valuede-composition,LDA/GSVD)方法设计分类器。实验证明,该算法能够达到85%的识别率,且运算量较小。

基于动态时间规整的孤立咳嗽声识别

本文通过对咳嗽声特性的分析,在对咳嗽声进行预处理后,提取咳嗽的Mel频率倒谱系数作为特征参数,建立咳嗽模板库。采用基于动态时间规整算法的模板匹配方法对特定人的孤立咳嗽进行识别,实验证明,通过将咳嗽声的特性和语音识别方法的结合,动态时间规整算法在对孤立咳嗽声识别中有很好的准确性和可靠性。