21、语音障碍检测与婴儿异常检测技术研究

语音障碍检测与婴儿异常检测技术研究

1. 语音障碍检测技术

1.1 特征选择算法性能

特征选择算法的性能略优于特征向量中心性。采用这些技术可显著提高性能，不仅能提升整体算法的准确性，还能去除不可区分的特征，降低特征向量的维度。

1.2 检测准确性对比

通过对比发现，使用基于窗口化 MDC 变换的纹理特征且不进行特征选择时，语音障碍检测的准确性、灵敏度和特异性低于使用特征选择技术（特征向量中心性和无限特征）的情况。其中，无限特征选择方法的检测准确率最高，达到 96.38%，而特征向量中心性的准确率为 95.32%。与现有的先进语音障碍检测算法相比，所提出的方法以 96.38%的分类准确率胜出。

1.3 检测方法流程

以下是语音障碍检测的主要流程：
1. 特征提取 ：利用窗口化 MDC 变换的时频图像表示的纹理描述符进行语音病理检测，通过 CLBP 和 LPQ 纹理特征提取正常和病理语音样本中的不同能量内容。
2. 降维处理 ：使用两种机器学习算法对提取的特征进行降维。
3. 参数评估 ：使用 SVM 分类器评估不同参数，最终实现 96.38%的最高检测准确率。

1.4 效果分析

分析特征选择的效果可知，无限特征选择方法的性能优于特征向量中心性方法。此外，将所提出的方法与传统技术（如 MFCC 等）进行比较，发现该方法的性能更佳。

1.5 研究趋势与展望

目前，大多数研究将语音信号简单