基于高斯混合模型的咳嗽音检测方法

快速准确地检测出采集录音中的咳嗽部分对许多呼吸道疾病的临床诊断有着重要意义。使用梅尔频率倒谱系数(MFCC)作为特征参数来分析所要处理的声音信号,并用多组训练数据分别为采集录音中的咳嗽音、说话声、笑声、清喉音等数据各建立两个高斯混合模型(GMM),将每类数据得到的两个GMM进行线性组合得到最终的表示每类数据的概率模型,进而实现对咳嗽音部分的检测。在此基础上引入了小波去噪理论,分别对每段数据去噪并进行端点检测。仿真实验结果表明所提方法能够有效提高系统的识别性能。

基于经验模态分解分析和隐马尔可夫模型识别的咳嗽音检测

咳嗽是众多呼吸道疾病中常见的重要病症之一,其强度和发生频率提供了极其重要的临床信息。为利用这些信息,必须把咳嗽音从其他声音例如语音、清喉音、清鼻音等中分辨出来。我们提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)分析的咳嗽音检测方法。该方法通过应用EMD的自适应滤波器组特性,提取信号的频域能量分布以统计分析咳嗽音及语音等特征,进而找到优化特征提取的方法,并利用隐马尔可夫模型(Hidden Markov model,HMM)进行咳嗽音的检测。临床数据的实验表明,该优化方法能有效提高咳嗽音检测的正确率。

语音端点检测算法在猪咳嗽检测中的应用研究

针对大型养猪场疫病防治工作中人工诊断效率低下的问题,对猪患病时发出的咳嗽声音进行研究,提出了猪咳嗽声自动化检测方案。结合猪咳嗽声音信号的特点,借鉴语音识别中广泛应用的端点检测算法,并加以改进,实现对声音信号中猪咳嗽声音的检测。该方案为猪咳嗽类疾病的人工诊断和自动化诊断提供有效信号。经150段猪咳嗽音验证表明,该检测方案检出率达96%以上,检错率低于4%,说明方法具有有效性和实用性。