16、基于语音的疾病检测的鲁棒多视图判别学习

基于语音的疾病检测的鲁棒多视图判别学习

1. 引言

在疾病检测领域，语音分析以其无创、无痛且便捷的特点，成为了一种极具吸引力的替代方法。研究人员积极利用语音分析来检测多种疾病，如帕金森病、阿尔茨海默病、声带麻痹和声带结节等，甚至还用于评估帕金森病的严重程度。

在基于语音的疾病检测中，设计了多种判别特征来区分健康语音和病理语音，这些特征大致可分为三类：
- 第一类 ：量化语音信号的周期性程度。例如，病理语音的声带振动往往偏离周期性，抖动（Jitter）和闪烁（Shimmer）是描述基频和振幅在周期内扰动的两个最具代表性的特征。此外，还有声门商（Glottal Quotient）、递归周期密度熵（Recurrence Period Density Entropy）和音高周期熵（Pitch Period Entropy）等特征。
- 第二类 ：评估由于声门不完全闭合导致的语音噪声程度。其中，谐波噪声比（Harmonics to Noise Ratio）和噪声谐波比（Noise to Harmonics Ratio）是这类特征中的经典代表。
- 第三类 ：采用用于语音和说话人识别的特征，如梅尔频率倒谱系数（Mel - frequency Cepstral Coefficients，MFCC）、线性预测系数（Linear Prediction Coefficients，LPC）和线性预测倒谱系数（Linear Prediction Cepstral Coefficients，LPCC）。研究表明，MFCC在疾病检测方面具有较高的可靠性。

在语音分析