肺炎每年造成全球140萬左右的兒童死亡,其中有75%發(fā)生在非洲和亞洲的貧困偏遠地區(qū)。及時準確的診斷并配合有效的治療手段本可以阻止大量的肺炎致死病例發(fā)生,但這些地區(qū)缺乏專業(yè)的醫(yī)療設(shè)備和團隊,難以及時得到準確的肺炎診斷結(jié)果。另外,每當流感高發(fā)季節(jié),大城市中的兒童醫(yī)院也常是人滿為患的狀態(tài),而其中大部分患兒僅是普通上呼吸道感染,本可以先在家自行休養(yǎng),無需即刻去醫(yī)院診治。于是本文借鑒語音識別技術(shù),提出一種基于咳嗽音的肺炎識別方法,實現(xiàn)兒童肺炎的院外診斷。該方法的目的是將肺炎咳嗽音與其它病理性咳嗽音進行區(qū)分,識別流程與語音識別類似,先對咳嗽音信號進行預(yù)處理,再進行特征提取,最后將提取到的特征向量輸入到已經(jīng)訓(xùn)練好的分類模型中得到預(yù)測結(jié)果。本文所做的主要工作大致如下:1)對標準MFCC特征向量進行改進,MFCC提取過程中采用的濾波器組為Mel頻率濾波器組,在頻域上的分布表現(xiàn)為低頻密集、高頻稀疏,而肺炎咳嗽音和其它病理性咳嗽音在頻域上的差異主要體現(xiàn)在中頻段,因此MFCC未能有效地反映兩類咳嗽音信號間的差異。于是重新調(diào)整Mel頻率濾波器組的分布,修改為中頻密集、低頻和高頻稀疏。實驗結(jié)果表明,改進后的16階... 

【文章來源】：中國計量大學(xué)浙江省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 語音識別發(fā)展
        1.2.2 咳嗽音識別發(fā)展
    1.3 研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
2 咳嗽及咳嗽音機理分析
    2.1 咳嗽及咳嗽音的產(chǎn)生
        2.1.1 咳嗽的產(chǎn)生機理
        2.1.2 咳嗽的分類
        2.1.3 咳嗽音的產(chǎn)生
    2.2 肺炎的病理學(xué)特征
    2.3 咳嗽音的時域分析
        2.3.1 咳嗽音的構(gòu)成
        2.3.2 肺炎咳嗽音時域特征
    2.4 咳嗽音的頻域分析
        2.4.1 傅立葉變換和短時傅立葉變換
        2.4.2 肺炎咳嗽音的頻域特性
    2.5 本章小結(jié)
3 咳嗽音的特征向量提取
    3.1 MFCC特征量
        3.1.1 Mel頻率
        3.1.2 MFCC參數(shù)的提取
        3.1.3 MFCC差分系數(shù)
    3.2 改進MFCC
    3.3 小波分析
        3.3.1 小波分析概述
        3.3.2 小波變換及其基本性質(zhì)
        3.3.3 小波變換的多分辨分析
        3.3.4 小波包信號分解
    3.4 基于小波包分解的特征提取
        3.4.1 咳嗽音的小波包能量分解
        3.4.2 基于方差分析的特征選擇
        3.4.3 小波能量的倒譜處理
    3.5 本章總結(jié)
4 肺炎咳嗽及病人的自動分類
    4.1 支持向量機
        4.1.1 支持向量機概述
        4.1.2 最優(yōu)分類超平面
        4.1.3 線性情況
        4.1.4 非線性情況與核函數(shù)
    4.2 單個咳嗽音的肺炎識別實驗
        4.2.1 實驗數(shù)據(jù)來源
        4.2.2 SVM核函數(shù)的選擇
        4.2.3 SVM參數(shù)值的選取
        4.2.4 特征向量的選取
    4.3 病人的肺炎識別實驗
        4.3.1 ROC曲線的繪制及分析
        4.3.2 最佳PCIth值的確定
    4.4 本章小結(jié)
5 肺炎識別軟件的設(shè)計與實現(xiàn)
    5.1 軟件總體設(shè)計
        5.1.1 設(shè)計目標
        5.1.2 整體設(shè)計方案
        5.1.3 界面展示及使用流程
    5.2 主要功能模塊設(shè)計
        5.2.1 音頻錄制和播放模塊
        5.2.2 繪制波形圖模塊
        5.2.3 特征提取模塊
        5.2.4 SVM預(yù)測模塊
    5.3 兩個關(guān)鍵技術(shù)的解決
        5.3.1 多線程處理技術(shù)
        5.3.2 大文件讀取技術(shù)
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
作者簡歷


【參考文獻】：
期刊論文
[1]地震波信號的小波包分解及能量分布特征[J]. 杜劍,毛毳,林貝貝.  天津城建大學(xué)學(xué)報. 2017(03)
[2]不確定信息下凸優(yōu)化問題的魯棒解刻劃[J]. 孫祥凱.  數(shù)學(xué)物理學(xué)報. 2017(02)
[3]融合Mel系數(shù)和kNN的語音端點檢測[J]. 韓云飛,張?zhí)t,白濤.  信息技術(shù). 2017(03)
[4]基于改進反向Mel頻率倒譜系數(shù)的咳嗽干濕性自動分類[J]. 朱春媚,劉保軍,黎萍,莫鴻強,鄭則廣.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(02)
[5]兒童肺炎支原體感染流行病學(xué)的研究進展[J]. 吳倩,吳起武.  中國婦幼保健. 2016(05)
[6]肺炎支原體感染的流行病學(xué)[J]. 殷勇,陸權(quán),閆曉莉,鄒映雪.  中華兒科雜志. 2016 (02)
[7]一種改進型的MEL濾波器混合特征參數(shù)提取方法研究[J]. 黃銳,陸安江,張正平.  通信技術(shù). 2014(12)
[8]聲紋識別中MEL參數(shù)的提取研究[J]. 黃成玉,張全柱,賴斌.  電源技術(shù). 2011(04)
[9]采用MFCC和DTW的咳嗽干濕性自動分類技術(shù)[J]. 李文,莫鴻強,田聯(lián)房,陽國清,鄭則廣.  計算機工程與應(yīng)用. 2010(13)
[10]基于RBF核函數(shù)的支持向量機參數(shù)選擇[J]. 林升梁,劉志.  浙江工業(yè)大學(xué)學(xué)報. 2007(02)

碩士論文
[1]支持向量機核函數(shù)及關(guān)鍵參數(shù)選擇研究[D]. 尹嘉鵬.哈爾濱工業(yè)大學(xué) 2016
[2]基于AUC的分類器性能評估問題研究[D]. 蔣帥.吉林大學(xué) 2016



本文編號：3199159