45、病理语音分析与韵律流畅性视角下的语流中断现象研究

病理语音分析与韵律流畅性视角下的语流中断现象研究

1 病理语音分析方法

1.1 EMD与EEMD方法

在语音信号处理中，经验模态分解（EMD）和集合经验模态分解（EEMD）是两种重要的方法。它们各有优缺点，但都能从语音信号中提取相关信息。

EEMD方法结合瞬时频率估计算法（DESA - 1），可从持续元音 /a/ 中提取基频（F0）。同时，还提出了一种自动选择能提取F0的模态的技术。该新方法在正常和病理持续语音上进行了成功测试，并与其他算法进行了比较。其优点是无需参数，适合非计算专家操作；缺点是继承了EEMD算法的高计算成本。不过，在不需要在线F0估计的研究和临床应用中，其效用明显。

1.2 基于EMD的语音信号分类

基于EMD获得的固有模态函数（IMF）的频谱分析，提出了一种区分正常和病理语音信号的新方法。该方法应用于不同数据集的持续元音语音信号分析，包括真实和模拟语音。

对模拟语音（正常和病理）进行自动分类，准确率高达99.00%；对真实语音进行正常和病理区分时，准确率为93.40%。这表明基于EMD的频谱工具在区分正常和病理语音方面是有用的，而且有可能开发出区分不同病理类型的自动工具。

语音类型	分类准确率
模拟语音	99.00%
真实语音	93.40%