结合EHHT和CI的精神分裂症语音自动检测算法

通过对精神分裂症语音的临床特点进行研究,实验采集了14个精神分裂症患者的686个元音数据样本和14个与之性别、年龄、文化程度相匹配的健康对照组的793个元音数据样本,来建立病理语音数据库,利用结合集成希尔伯特黄变换(Ensemble Hilbert-Huang Transform,EHHT)和倒谱内插(Cepstrum Interpolation,CI)的改进共振峰提取算法,来获取反映精神分裂症语音音质情感变化的声学特征参数集,结合支持向量机(Support Vector Machine,SVM)分类器来进行分类,实现了精神分裂症患者语音和健康对照组语音的自动检测,并设计实验讨论了白噪声的次数和方差、IMF分量个数、窗长4个因素对检测效果的影响,以及与经典的共振峰估算方法的比较。实验结果表明,文中提出的算法的检测正确率可以达到98.8%,精神分裂症患者在体现音质特征的共振峰语音声学参数上与健康对照组存在显著差异,并有可能为精神分裂症的临床辅助诊断研究提供一个全新、客观、定量和高效的指标。

基于语音流畅度与模糊聚类的精神分裂症自动识别

针对精神分裂症诊断周期长、缺乏客观诊断依据的问题,提出语音流畅度矩形参数过能熵积,结合模糊聚类双重定位停顿区域的算法辅助诊断精神分裂症。该算法综合了精神分裂症患者语音流畅度低及能量平缓的特征,定位精神分裂症语音的停顿区域,提出语音流畅度量化参数提取算法,结合SVM(支持向量机)分类器,实现精神分裂症的自动识别。提取28例精神分裂症患者和28例正常对照组语音的流畅度声学特征,自动识别精神分裂症,正确率为85%以上。提出的基于过能熵积与模糊聚类的精神分裂症自动识别算法,能为临床诊断精神分裂症提供客观、有效、无创的辅助依据。