基于表面肌电的肌肉紧张型发声障碍自动诊断研究

肌肉紧张型发声障碍(MTD)是一种常见的发声障碍。这种类型的发声障碍在歌唱演员、教师及精神焦虑的人群中比较多见。这类患者的声带一般没有明显的器质性病变,但发声时喉部肌肉紧张。临床实践中,医生主要通过问诊、内窥镜检查、嗓音粗糙度评分、触诊等手段对患者的嗓音情况进行评估。可以看出,以上常规手段的诊断结果大多基于医生的主观判断,缺乏客观、定量的判断依据,严重依赖于医生的个人经验。因此,寻找客观、定量的参数,辅助MTD的诊断,减少MTD的误诊和漏诊,变得十分必要。前人的研究比较过MTD患者和正常人发声过程中声学、肌电及呼吸特征的差异。本研究我们主要考察运用表面肌电信号对MTD进行自动诊断的可能性。因此,我们回顾了前人在MTD患者肌电信号方面的工作。一部分学者的研究认为MTD患者的肌电活动水平与正常人的肌电活动水平有显著差异[6,14];一部分学者的研究认为MTD患者的肌电活动水平与正常人的肌电活动水平没有显著差异[7,17];还有部分学者发现MTD患者不同肌肉肌电信号的相干性与正常人之间有显著差异。我们可以看出,前人的研究并没有取得一致的结果。造成这一现状的原因可能有如下几点:(1)大部分研究调查的人数较少(一般不多于20个实验被试),导致结果不稳定;(2)大部分研究只考察了肌电活动水平这一单独参数,可能MTD患者与正常人肌电特征存在差异,但差异并不是在肌电活动水平这一特征维度上;(3)考察的任务比较单一,MTD患者与正常人肌电特征的差异在前人考察的任务中不明显或不稳定。针对以上问题,在本研究中,我们收集了47名MTD患者和22名正常人在14个不同任务(8个言语任务和6个非言语任务),舌骨上肌群、舌骨下肌群、环甲肌、胸锁乳突肌和斜方肌等5个肌群左右两侧部分的肌电信号。我们对肌电信号进行降噪和特征抽取等处理,得到850维的肌电特征向量。然后,我们用费舍尔F比值(Fisher’s F-ratio)这个指标对特征维度进行筛选,对每类任务挑选出前10个F-ratio值最大的特征维度。最后,基于挑选出来的特征,我们分别采用了K近邻(K-nearest neighbor)、支持向量机(SVM)、分类与回归树(Classification and Refression Tree)以及逻辑回归(Logistic regression)四种方法对数据进行分类实验。结果表明,如果恰当地选择任务和分类方法,分类的正确率能够达到80%以上。