基于频段互相关系数的咳嗽识别新方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (2): 161-164.

基于频段互相关系数的咳嗽识别新方法

朱春媚1，2，黎萍1

1.电子科技大学中山学院自动化系，广东中山 528403
2.华南理工大学自动化科学与工程学院，广州 510641

出版日期:2016-01-15 发布日期:2016-01-28

Novel method for cough recognition based on band cross correlation coefficient

ZHU Chunmei1，2, LI Ping1

1.Department of Automation, Zhongshan Institute, University of Electronic Science and Technology, Zhongshan, Guangdong 528403, China
2.College?of?Automation?Science?and?Engineering, South?China?University?of?Technology, Guangzhou 510641, China

Online:2016-01-15 Published:2016-01-28

摘要/Abstract

摘要： 在咳嗽识别中，语音是影响识别准确率的主要因素。分析咳嗽与语音相邻帧频谱的相似性特征，发现咳嗽相邻帧的频段互相关系数明显小于语音，因此频段互相关系数可以作为区分咳嗽与语音的动态特征。在相同实验条件下，以MFCC为静态特征，比较了以频段互相关系数和一阶MFCC作为动态特征参数的咳嗽识别性能。多组录音的咳嗽识别实验结果表明：采用频段互相关系数作为动态特征参数咳嗽识别的平均准确率为90.27％，其识别能力优于一阶MFCC。

关键词: 计算机辅助诊断, 咳嗽识别, 互相关系数, 动态特征

Abstract: Speech is the main factor affecting the results in cough recognition. By analyzing the spectral similarity of adjacent frames, it is found that the band cross correlation coefficient of cough is obviously smaller than that of speech, which indicates that band cross correlation coefficient can be used as dynamic feature to discriminate cough and speech. Using MFCC as static feature, cough recognition performances respectively using band cross correlation coefficient and first-order MFCC as dynamic feature are compared in the same experiment conditions. Recognition results of various groups of recordings show that, the average recognition rate reaches 90.27% by using band cross correlation coefficient as dynamic feature, and outperforms the counterparts of first-order MFCC.

Key words: computer-aided diagnosis, cough recognition, cross correlation coefficient, dynamic feature

朱春媚1，2，黎萍1. 基于频段互相关系数的咳嗽识别新方法[J]. 计算机工程与应用, 2016, 52(2): 161-164.

ZHU Chunmei1，2, LI Ping1. Novel method for cough recognition based on band cross correlation coefficient[J]. Computer Engineering and Applications, 2016, 52(2): 161-164.

[1]	孙浩天，袁刚，杨杨，刘含秋，郑健，杨晓冬，张寅. 基于三维各向异性卷积的肺结节良恶性分类[J]. 计算机工程与应用, 2021, 57(10): 133-138.
[2]	汤宁，卫泽良，张瑞，易东，伍亚舟. 基于多尺度多模式图像的肺结节分类对比研究[J]. 计算机工程与应用, 2020, 56(3): 165-175.
[3]	杜淼，余勤，雒瑞森. 动态特征空间的超球体分类算法[J]. 计算机工程与应用, 2020, 56(22): 148-153.
[4]	李华，杨嘉能，刘凤，南方哲，钱育蓉. 基于深度学习的乳腺癌病理图像分类研究综述[J]. 计算机工程与应用, 2020, 56(13): 1-11.
[5]	金炳初，文辉，石志强，张智渊，陈俊杰. 基于行为路径树的恶意软件分类方法[J]. 计算机工程与应用, 2020, 56(11): 98-104.
[6]	魏佳敏1，冯筠1，卜起荣1，高原2，赵妍1. 层次化分类的离线中文签名真伪鉴别方法[J]. 计算机工程与应用, 2018, 54(8): 112-118.
[7]	敬雪平，郑秀娟，刘凯. 医用内窥镜图像计算机辅助诊断研究进展[J]. 计算机工程与应用, 2018, 54(3): 18-22.
[8]	贾文娟1，王水花1，张煜东2. 基于影像的病脑检测方法综述[J]. 计算机工程与应用, 2018, 54(11): 21-29.
[9]	闫晓斐1，强彦1，原杰2. 基于混合受限玻尔兹曼机的肺结节良恶性诊断[J]. 计算机工程与应用, 2017, 53(23): 153-158.
[10]	张曰云. 逆P(ρ(σ),η(τ))-集合与它的随机特性[J]. 计算机工程与应用, 2016, 52(3): 44-46.
[11]	王民，孙向南，刘利，朱晓娟，曾宝莹. 以笔画为研究对象的笔迹伪动态特征提取方法[J]. 计算机工程与应用, 2016, 52(18): 179-182.
[12]	朱春媚1，2，黎萍1. 基于子带能量变换改进MFCC的咳嗽识别[J]. 计算机工程与应用, 2016, 52(11): 148-151.
[13]	徐传运1，张杨2. 基于曲率匹配的细胞几何形状特征提取方法[J]. 计算机工程与应用, 2015, 51(1): 5-8.
[14]	张凌^1，2，任雪芳¹. 函数单向S-粗集对偶生成的F-模型[J]. 计算机工程与应用, 2009, 45(29): 64-67.
[15]	邢欣来¹,何中市¹,王健². 组合分类器辅助诊断肺栓塞的研究[J]. 计算机工程与应用, 2009, 45(12): 214-217.