基于EHHT和CI的精神分裂症语音自动检测方法及系统技术方案

本发明专利技术提供一种基于EHHT和CI的精神分裂症语音自动检测方法及系统，通过对精神分裂症语音的临床特点的分析和研究，利用EHHT和CI对现有的共振峰提取算法进行了改进，并利用改进的共振峰提取算法从语音样本中获取反映精神分裂症语音的音质情感变化的声学特征参数集，进而采用SVM分类器来进行分类检测，实现对精神分裂症患者语音和健康对照组语音的自动分类检测，进一步设计实验讨论了白噪声的次数和方差、IMF分量个数、窗长这四个因素对检测效果的影响。结果表明，检测正确率可以达到98.8％，精神分裂症患者在体现音质特征的共振峰语音声学参数上与健康对照组存在显著差异，并有可能为精神分裂症的临床辅助诊断研究提供一个全新的客观、定量和高效指标。定量和高效指标。定量和高效指标。

【技术实现步骤摘要】
基于EHHT和CI的精神分裂症语音自动检测方法及系统


[0001]本专利技术属于模式识别与病理语音信号处理
，涉及一种精神分裂症语音信号自动检测方法，具体涉及一种基于EHHT和CI的精神分裂症语音自动检测方法及系统。

技术介绍

[0002]精神分裂症是一种病程迁延的慢性神经退化性障碍，具有复发率高、致残率高、依从性差等特点，常常伴随患者终生，严重损害其生活质量和社会认知，给患者和家属造成了极大的生产力损失。研究表明，其主要临床表现包含幻听、妄想、言语(思维)紊乱、显著的紧张性或异常行为、阴性症状(如语言贫乏、情感淡漠、动机缺乏等)五个维度中的一个或多个。我国存在着精神科医师的数量面临严重缺口，精神卫生资源分布不合理等问题，往往导致患者错失最佳治疗时间。若能在精神症状发作的早期采取合理有效的自动检测手段，及时加以干预治疗，将有助于改善患者的病况，减少其社会功能的损害。
[0003]目前临床上精神分裂症的诊断和监测评估主要依靠以下六种方式：(1)临床量表：包含阴性症状量表(The Scale for the Assessment of Negative Symptoms,SANS)，阳性症状量表(The Scale for the Assessment of Positive Symptoms,SAPS)，阳性与阴性量表(Positive and Negative Syndrome Scale,PANSS)等，其严重依赖于患者自述及家属供史，易受评分者的主观因素干扰，如问诊技巧、临床经验等，缺乏标准化的评估体系；(2)脑影像学：功能核磁共振(Functional Nuclear Magnetic Resonance,fMRI)脑区图像主要集中于精神分裂症患者大脑的脑实质及脑功能的改变，仪器操作复杂，检测费用高昂，且缺乏客观的生物学标记；(3)脑电信号：EEG中包含丰富的生理状态信息，充分反映了大脑的活动，但α波、β波均无特异性，对诊断的价值有限；(4)视频分析：相比于正常人，精神分裂症患者具有更少的身体运动和更呆滞的面部表情，可以通过分析提取受试者的表情动作特征实现自动检测，但目前的研究瓶颈在于缺乏统一的实验范式，尚处于起步阶段，未达到临床辅助诊断水平，还需要进一步的深入探讨；(5)基因组学：全基因外显子区中存在着与精神分裂症紧密相关的变异体，但在基因测序捕捉时仍存在假阳性和假阴性的问题；(6)语音信号：作为一个全新的领域，研究表明精神分裂症的阴性症状与语音情感表达密切相关。随着大数据、人工智能、语音信号处理算法的飞速发展，以及医学、计算机科学等多学科的交叉融合研究，利用计算机辅助分析和诊断技术提取的语音情感特征正被逐渐应用于精神分裂症的研究之中。
[0004]目前，Compton等人研究发现精神分裂症患者存在慢性发音表达障碍，具有情感淡漠扁平化、旋律范围狭窄、音质异常等显著阴性症状。Gold R等人研究了与情绪感知相关的刺激对92名患者和73名对照受试者的影响，结果显示精神分裂症患者的语音情感识别能力存在明显缺陷，且与潜在的声学特征的损伤有关，同时也对社会认知功能造成显著影响。Xu S等人利用自然语言处理技术自动提取50名精神分裂症患者和25名年龄匹配的健康对照组访谈记录中的词汇特征和文档向量，并使用集成机器学习算法将患者和对照组分类，最高准确率为78.7％。Cohen A S等人提取了四个基本声学特征——基音频率(F0)、第一共振峰
(F1)、第二共振峰(F2)和强度来量化精神分裂症患者的语音信号，发现激活和怀有敌意的患者舌头的运动更为明显，而F1和F2的形成分别与舌头上下和前后方向的运动有关。Jing Zhang等人通过评估26名患者(入组时和入组一周后)和30名健康对照样本(入组时)的10项语音学参数，发现患者组线性预测系数评分明显高于对照组，但Mel频率倒谱系数评分明显低于对照组；且在与17项临床特征构成的170个相关系数中，有10项达到显著性水平。
[0005]上述研究表明，语音声学特征参数与精神病理学症状之间存在着潜在的关系，还需要对更加复杂多样的患者进行随机深入的研究。如果能够实现对精神分裂症患者语音的自动检测，则不仅有利于早期识别并跟踪精神分裂症患者的情感变化，还能够为辅助指导精神科医师对患者病情的诊断和治疗效果的监测提供新的科学依据。然而，目前还缺乏对精神分裂症患者语音进行自动检测的方法和系统。

技术实现思路

[0006]本专利技术是为解决上述问题而进行的，目的在于提供一种精神分裂症语音自动检测方法，基于EHHT和CI算法提取反映语音情感音质特征变化的共振峰参数，并利用SVM分类器自动检测分类精神分裂症患者和正常人语音，本专利技术采用了如下技术方案：
[0007]本专利技术提供了一种基于EHHT和CI的精神分裂症语音自动检测方法，其特征在于，包括：步骤S1，采集受试者的语音，得到语音信号；步骤S2，对采集到的所述语音信号进行预处理；步骤S3，利用基于EHHT和CI的改进的共振峰提取算法对预处理后的所述语音信号进行特征提取，得到反映所述语音的音质情感变化的声学特征参数集；步骤S4，利用假设检验方法从所述声学特征参数集中提取出具有显著差异的参数，并组合成降维的所述声学特征参数集；步骤S5，将降维的所述声学特征参数集以及经精神科医师校验确认的标签类别组成训练样本，对SVM分类器进行训练；步骤S6，利用训练好的所述SVM分类器对所述语音进行分类检测，从而实现对精神分裂症患者的所述语音以及健康对照组的所述语音的自动分类检测。
[0008]本专利技术提供的基于EHHT和CI的精神分裂症语音自动检测方法，还可以具有这样的技术特征，其中，步骤S2中，所述预处理包括：对所述语音信号中的元音信号进行去直流、归一化以及预加重处理，从而提升所述语音信号的高频分量，避免所述受试者的口齿辐射对提取共振峰分量的干扰。
[0009]本专利技术提供的基于EHHT和CI的精神分裂症语音自动检测方法，还可以具有这样的技术特征，其中，步骤S3包括如下子步骤：步骤S3
‑
1，通过对所述语音信号多次集成随机高斯白噪声进行经验模态分解，并对多次分解结果求均值得到固有模态函数；步骤S3
‑
2，计算所述固有模态函数的各个IMF分量对应的Hilbert边际谱的归一化频带能熵比的比值，筛选出包含有多个共振峰的所述IMF分量来重构所述语音信号；步骤S3
‑
3，将重构的所述语音信号进行分帧加窗处理后，利用倒谱内插法提取多个所述共振峰的多个共振峰特征参数，即得到所述声学特征参数集。
[0010]本专利技术提供的基于EHHT和CI的精神分裂症语音自动检测方法，还可以具有这样的技术特征，其中，步骤S3
‑
1中，所述经验模态分解为集成经验模态分解。
[0011]本专利技术提供的基于EHHT和CI的精神分裂症语音自动检测方法，还可以具有这样的技术特征，其中，步骤S3
‑
3中，提取前三个所述共振峰的频率、带宽、幅值所对应的峰值个
数、均值、方差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EHHT和CI的精神分裂症语音自动检测方法，其特征在于，包括：步骤S1，采集受试者的语音，得到语音信号；步骤S2，对采集到的所述语音信号进行预处理；步骤S3，利用基于EHHT和CI的改进的共振峰提取算法对预处理后的所述语音信号进行特征提取，得到反映所述语音的音质情感变化的声学特征参数集；步骤S4，利用假设检验方法从所述声学特征参数集中提取出具有显著差异的参数，并组合成降维的所述声学特征参数集；步骤S5，将降维的所述声学特征参数集以及经精神科医师校验确认的标签类别组成训练样本，对SVM分类器进行训练；步骤S6，利用训练好的所述SVM分类器对所述语音进行分类检测，从而实现对精神分裂症患者的所述语音以及健康对照组的所述语音的自动分类检测。2.根据权利要求1所述的基于EHHT和CI的精神分裂症语音自动检测方法，其特征在于：其中，步骤S2中，所述预处理包括：对所述语音信号中的元音信号进行去直流、归一化以及预加重处理，从而提升所述语音信号的高频分量，避免所述受试者的口齿辐射对提取共振峰分量的干扰。3.根据权利要求1所述的基于EHHT和CI的精神分裂症语音自动检测方法，其特征在于：其中，步骤S3包括如下子步骤：步骤S3
‑
1，通过对所述语音信号多次集成随机高斯白噪声进行经验模态分解，并对多次分解结果求均值得到固有模态函数；步骤S3
‑
2，计算所述固有模态函数的各个IMF分量对应的Hilbert边际谱的归一化频带能熵比的比值，筛选出包含有多个共振峰的所述IMF分量来重构所述语音信号；步骤S3
‑
3，将重构的所述语音信号进行分帧加窗处理后，利用倒谱内插法提取多个所述共振峰的多个共振峰特征参数，即得到所述声学特征参数集。4.根据权利要求3所述的基于EHHT和CI的精神分裂症语音自动检测方法，其特征在于：其中，步骤S...

【专利技术属性】
技术研发人员：田维维，冯瑞，
申请(专利权)人：复旦大学，
类型：发明
国别省市：