بررسی روش های استخراج ویژگی برای تشخیص ناهنجاری های حنجره به کمک سیگنال های صوتی و طبقه بند SVM (ماشین بردار پشتیبان)

معمولاً روش های تشخیص بیماری های حنجره پرهزینه و زمانبر هستند، به همین دلیل محققان در پی یافتن روشی هستند که کم هزینه و ساده باشند . از جمله روش های نوین و غیر تهاجمی برای تشخیص بیماری های حنجره ،روش پردازش سیگنال های صوت است. تاکنون روشهای متنوعی به منظور ردیابی اثر به جا مانده بر روی سیگنالهای گفتاری در اثر وقوع ناهنجاریهای گوناگون توسط محققان در زمینه نارسایی های صوتی مورد بحث و بررسی قرار گرفته است.محققان علاوه بر نمونه هایی که سیگنالها را تنها از دوجنبه سالم و بیمار مورد بحث و بررسی قرار داد ه اند، به کارهای دقیق تری که روند تغییرات مشخصات سیگنالهای گفتاری درنمونه های خاصی از ناهنجاری تارهای صوتی، به عنوان مثال فلج تارهای صوتی، در مقایسه با سیگنالهای ثبت شده از افراد سالم پرداخته اند و یا کارهایی انجام دادند که دو نمونه از ناهنجاری را از هم تفکیک کرده اند. سیگنال گفتار ویژگی های زیادی دارد که عموماً با طیف لحظه ای سیگنال گفتار یا شکل مجرای گفتار و ... مرتبط می باشد. پردازش این همه ویژگی کاری عاقلانه وعملی نخواهد بود. بدین منظور تبدیلاتی بر روی سیگنال گفتار انجام می شود تا بتوان ویژگی مورد نظر را استخراج کرد. استخراج ویژگی به دو دلیل انجام می گیرد: اول اینکه سبب تمرکز روی اطلاعات موجود در سیگنال می شود و این منجر به بهبود میزان شباهت و عدم شباهت میان کلاس های مختلف می شود. دوم آنکه داده ها را به نحو قابل ملاحظه ای کاهش داده در نتیجه محاسبات به میزان زیادی کم می شود.در این مقاله ویژگی های استخراج شده در این مقالات را همراه طبقه بند SVM مورد بررسی قرار داده است.

Keywords:

ماشین بردار پشتیبان , بعد همبستگی , بسته ویولت , الگوریتم ژنتیک , ضرایب کپسترال مبتنی بر معیار مل