3、计算机化语音分析：技术、挑战与未来方向

计算机化语音分析：技术、挑战与未来方向

1. 非线性动态特征提取

在计算机化语音分析中，非线性动态特征可通过TISEAN软件提取。这类特征的更多细节可在相关研究中找到。以下是两种常见的非线性动态特征提取方法：
- 经验模态分解（EMD） ：EMD是一种非线性工具，它能将非线性信号分解为基本分量，即固有模态函数（IMF）。有研究将前几个IMF视为语音中的噪声，其余IMF视为实际有用信息，并定义了量化信号能量与噪声能量之比的特征。
- 高阶谱 ：与病理语音相比，健康语音表现出更强的二次相位耦合，可通过双谱分析来表征。基于双谱的特征，包括双相干指数干扰（BII）、一维双相干高频能量（HFEB）、一维双相干低频能量（LFEB）、双谱模块干扰指数（BMII）和双谱相位干扰指数（BPII），在一个私有数据库上达到了98.3%的检测率。

2. 分类与回归

在机器学习中，常见的建模任务是利用从已知响应的历史数据中学习到的模型，为新的观测值预测响应。当响应是离散标签时，这是一个分类问题；否则，使用回归算法来预测连续值。在计算机化语音分析中，分类和回归算法用于病理检测和监测，具体方法如下表所示：
| 任务 | 方法 |
| — | — |
| 病理检测 | SVM、RF、NN、HMM、GMM、贝叶斯分类器 |
| 严重程度预测 | LS、IRLS、LASSO、ISVR、CART、RF、ELM、SVM、CDT、LR、NB |

• 病理检测和识别 ：支持向量机（SVM）是最常用的分类器，尤其在使用径