MFCC和LPCC特征参数在说话人识别中的研究

特征提取是说话人识别系统中的一项关键技术,讨论了在说话人识别中语音特征的提取,详细介绍了求取MEL倒谱系数MFCC和线性预测倒谱系数LPCC的具体步骤和算法,并对MFCC和LPCC语音特征参数做出了理论分析和实验数据比较,通过实验论证了对于低频语音,采用MFCC参数的说话人识别在屏蔽噪音和抗噪声能力都优于采用LPCC参数的说话人识别.

融合LPCC和MFCC的支持向量机OSAHS鼾声识别

单纯打鼾者的鼾声与阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea-Hypopnea Syndrome,OSAHS)患者的鼾声在声学特征上有较大的区分度。从鼾声的声学特征出发,提出一种基于支持向量机(Support Vector Machines,SVM)的Fisher准则融合特征鼾声分类算法。首先,通过使用线性预测倒谱系数(Linear Prediction Cepstrum Coefficient,LPCC)和梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficient,MFCC)的特征提取方法来分别提取鼾声的特征,并通过计算得出LPCC和MFCC每一维特征参数的Fisher比;然后,根据Fisher比的大小进行LPCC和MFCC的特征融合;最后,用SVM进行鼾声的特征分类,识别单纯打鼾者和OSAHS患者。实验结果表明,以融合LPCC和MFCC特征参数作为特征参数时,抗噪性能好且具有较高的识别准确率,准确率达到95.8%。