Aug, 2023

使用基于单一频率滤波特征的语音对帕金森病进行严重程度分类

PDF
TL;DR本研究提出了两组新颖特征用于帕金森病严重度分类：基于单频滤波方法的 SFF 倒谱系数（SFFCC）和基于 SFF 的 MFCC（MFCC-SFF）。使用 PC-GITA 数据库进行实验，结果显示所提出的特征在三个语音任务中均优于传统的 MFCC 特征。相较于 MFCC 特征，所提出的 SFFCC 和 MFCC-SFF 特征在元音任务中相对提高了 5.8% 和 2.3%、在句子任务中相对提高了 7.0% 和 1.8%、在朗读文本任务中相对提高了 2.4% 和 1.1%。
发现论文，激发创造
  • 通过声门源特征分析和检测病理性声音

    自动检测声音病理学能够客观评估和较早干预诊断。本研究对声门源特征进行系统分析，考察其在声音病理学检测中的有效性。实验结果显示，声门源特征与传统的 MFCC 和 PLP 特征相比，具有可比或更好的声音病理学检测性能，并且当与传统的 MFCC 和 PLP 特征结合时，性能表现最佳。

    Sep, 2023

  • 利用 Mel 频率倒谱系数增强心音分类：单一和集成分类器策略的比较研究

    通过使用单一分类器和集成分类器方法，研究了使用 Mel 频率倒谱系数 (MFCCs) 在检测异常心脏音图中的功效。结果表明，与单一分类器方法相比，集成分类器方法获得了更高的准确性，从而将 MFCCs 确定为比其他特征（如时间、时间频率和统计特征）更有效的特征。

    Jun, 2024

  • 帕金森病严重性预测的患者特定游戏转移方法

    本文提出了一种基于游戏的患者特定的迁移方法（PSGT）来预测帕金森病的严重程度。该方法考虑到了患者之间的异质性，并采用实例迁移的方式来弥补患者样本数据较少的问题。通过实验验证，发现 PSGT 方法相较于其他方法具有更好的预测效果和稳定性。

    Aug, 2022

  • 铁路车辆轴承故障检测的新特征

    本文提出了一种使用音频信号处理中的 Mel 频率倒谱系数和振幅调制谱中提取的特征来检测轴承故障的新方法，并使用只有健康轴承的数据训练一种 One-class 支持向量机来应对数据不平衡问题，从而在高度具有挑战性的场景下评估了该方法。

    Apr, 2023

  • 应用人工智能和自然语言知识转移进行帕金森病诊断

    本研究提出了一种利用深度学习方法对带有 Parkinson 病的患者的语音记录进行分类的方法，通过对一个预训练自然语言模型 wav2vec 2.0 进行知识转移训练音频分类器，并成功在由智能手机录制的语音记录数据集中实现了 97.92% 的准确度。

    Apr, 2022

  • 混乱语音评估和识别的光谱 - 时间深度特征

    本文研究基于 SVD 分解的深度学习算法，用于自动识别语音障碍人士的语音，并且使用该算法提高了基于语音识别的自适应技术在该领域中的性能。

    Jan, 2022

  • 非本土英语使用者单词识别的频率重心特征

    本研究旨在探讨何种辅助 Quintessential Mel 频率倒谱系数（MFCCs）可以提高非英语母语人士在有限语音识别任务中的表现，作者引入了频率重心用于改善在不同语音噪声条件下的英语单词识别能力，并通过两阶段卷积神经网络，对带有阿拉伯、法语和西班牙口音的英语单词进行建模。

    Jun, 2022

  • 用 DNN 滤波器组倒谱系数进行欺骗检测

    本文提出一种新的基于深度神经网络滤波器组的倒谱特征来识别自然语音与攻击音频之间的差异，该特征在检测未知攻击时比现有基于线性频率倒谱系数分类器更加有效。

    Feb, 2017

  • 单中心损失监督的面部伪造检测中的频率感知辨别特征学习

    本文提出了一种新颖的、面向频率的、区分特征学习框架，包括单中心损失和自适应频率特征生成模块，可以有效地检测和抵御面部伪造攻击。在 FF ++ 数据集上的实验结果表明了该框架的有效性和优越性。

    Mar, 2021

  • 使用多任务神经网络确定帕金森病患者的严重程度

    该论文提出了一种基于深度学习技术的方法，通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症，并预测病情的程度，取得了非常有前景的效果。

    Feb, 2024