Способ определения кепстральных маркеров речевых сигналов при психогенных расстройствах
Автор: Алимурадов А.К., Тычков А.Ю., Зарецкий А.П., Кулешов А.П.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Информатика
Статья в выпуске: 4 (36) т.9, 2017 года.
Бесплатный доступ
На сегодняшний день для обнаружения психогенных расстройств применяются раз- личные дистанционные экспериментально-статистические методы, наиболее адаптив- ными из которых являются способы на основе анализа речевых сигналов. Низкая точ- ность обнаружения является одной из основных проблем практической реализации си- стем дистанционного мониторинга психогенных расстройств. Основная причина низкой точности и больших погрешностей связана с использованием неэффективных и неадап- тивных методов обработки нестационарных речевых сигналов. В данной статье предла- гается автоматизированный способ определения кепстральных маркеров речевых сиг- налов при психогенных расстройствах на основе метода улучшенной полной множе- ственной декомпозиции на эмпирические моды с адаптивным шумом (ПМДЭМАШ). Суть способа заключается в разложении речевого сигнала с помощью улучшенной ПМДЭМАШ на частотные составляющие с последующим формированием набора ин- формативных компонент (концентрации информации о психогенных расстройствах) и определением их кепстральных маркеров. Представлена блок-схема разработанного способа и подробное математическое описание. Проведено исследование с использова- нием сформированной верифицированной базы сигналов здоровых пациентов и паци- ентов с психогенными расстройствами мужского и женского пола, в возрасте от 18 до 60 лет. В соответствии с результатами исследования, следует, что психогенные расстрой- ства в большей степени влияют на вокализованные характеристики речевого тракта и достаточно полно отображаются в кепстральных маркерах. Предложенный автома- тизированный способ может быть использован в системах дистанционного мониторин- га психогенных расстройств и внедрен в клиническую практику врача-психиатра для ускорения процесса лечения.
Речевой сигнал, психогенные расстройства, кепстральные ха- рактеристики, мел-частотные кепстральные коэффициенты (мчкк), улучшенная пол- ная множественная декомпозиция на эмпирические моды с адаптивным шумом
Короткий адрес: https://sciup.org/142215000
IDR: 142215000
Список литературы Способ определения кепстральных маркеров речевых сигналов при психогенных расстройствах
- Schwartz T.L., Petersen, T.J. Depression: Treatment Strategies and Management (Medical Psychiatry Series). CRC Press. Boca Raton, 2009.
- Тычков А.Ю., Агейкин А.В., Алимурадов А.К., Чураков П.П., Тычкова А.Н. Анализ и оценка сигнальных систем диагностики пограничных психических расстройств//Биотехносфера. 2017. № 1(49). С. 35-39.
- Tychkov A.Yu., Alimuradov A.K., Churakov P.P. Adaptive signal processing method for speech organ diagnostics//Meas. Tech. 2016. 59(5), 485-490.
- Koelstra S., Pantic M., Patras I. A dynamic texture-based approach to recognition of facial actions and their temporal models//IEEE TPAMI. 2010. V. 32. P. 1940-1954.
- Zaboleeva-Zotova A.V., Orlova Yu.A., Rozaliev V.L., Bobkov A.S. A task of creating a system of automated recognition of emotions//International Conference on Open Semantic Technology for intelligent Systems (OSTIS). 2012. P. 347-350.
- Barabanschikov V.A., Zhegallo A.V. Methods of eye tracking in psychology: educational program//Exp. Psych. 2014. V. 7(1). P. 132-137.
- Filatova N.N., Sidorov K.V. The model for the interpretation of sign of emotions on natural speech//Izvestiya SFedU. Eng. Sci. 2012. V. 9(134). P. 39-45.
- Davydov A.G., Kiselev V.V., Kochetkov D.S., Tkachenya A.V. A choice for the optimal set of informative signs for classification of the speaker’s emotional state by voice//International Conference on Computational Linguistics and Intellectual Technologies (Dialogue-2012). 2011. V. 1(11). 122-128.
- Williamson J.R., Quatieri T.F., Helfer B.S., Ciccarelli G., Mehta D.D. Vocal and facial biomarkers of depression based on motor incoordination and timing//4th International Workshop on Audio/Visual Emotional Challenge (AVEC). 2014. P. 65-72.
- Darley F.L., Aronson A.E., Brown J.R. Differential diagnostic patterns of dysarthria//J. Speech Lang. Hear. R. 1969. V. 12. P. 47-57.
- Huang X., Acero A., Hon H.-W. Spoken Language Processing. Guide to Algorithms and System Development. Prentice Hall, Upper Saddle River. 2001.
- Huang N.E., Zheng Sh., Steven R.L. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis//Proc. R. Soc. Lond. 1998. A 454. P. 903-995.
- Colominasa M.A., Schlotthauera G., Torres M.E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing//Biomed. Signal Proces. 2014. V. 14. P. 19-29.
- Hlavnicka J., Cmejla R., Tykalova T., Sonka K., Ruzicka E., Rusz J. Automated analysis of connected speech reveals early biomarkers of Parkinson’s disease in patients with rapid eye movement sleep behaviour disorder//Sci. Rep. 2017. V. 7(12). P. 13.
- Алимурадов А.К., Муртазов Ф.Ш. Методы повышения эффективности распознавания речевых сигналов в системах голосового управления//Измерительная техника. 2015. № 10. С. 20-24.
