李 越,徐文龍

(中國(guó)計(jì)量大學(xué) 信息工程學(xué)院,浙江 杭州 310018)

咳嗽是一系列呼吸道系統(tǒng)疾病的常見(jiàn)癥狀,在疾病診斷方面具有重要的臨床價(jià)值[1]。常見(jiàn)的呼吸道疾病有支氣管炎、肺炎、哮喘和百日咳等?？人宰鳛檫@些疾病的初始癥狀,通過(guò)這一特征表現(xiàn),在某種程度上能夠反映出患者的疾病類(lèi)型和嚴(yán)重程度,更為客觀且方便地輔助醫(yī)生進(jìn)行疾病篩查和診斷[2]。

咳嗽聲學(xué)特性可描述為呼吸道系統(tǒng)的狀態(tài)?？人月暤淖詣?dòng)識(shí)別和分類(lèi),主要借鑒語(yǔ)音識(shí)別方面的技術(shù)與研究。此外,一些硬件設(shè)備比如便攜式咳嗽監(jiān)測(cè)儀的出現(xiàn)提高了咳嗽識(shí)別的及時(shí)性和有效性[3]。

目前,咳嗽聲的識(shí)別主要通過(guò)機(jī)器學(xué)習(xí)的方法,如隱馬爾科夫、分類(lèi)樹(shù)等模型來(lái)實(shí)現(xiàn)[4]。此外,深層模型相對(duì)于傳統(tǒng)模板匹配和淺層神經(jīng)網(wǎng)絡(luò)有很大程度的提高。有效的特征提取方法是實(shí)現(xiàn)高準(zhǔn)確度咳嗽識(shí)別的重要因素,研究者一般采取梅爾頻率倒譜系數(shù)(Mel frequency cepstrum coefficient, MFCC)方法進(jìn)行咳嗽自動(dòng)識(shí)別和計(jì)數(shù)。Swarnkarv等[5]選取MFCC、峰度系數(shù)、過(guò)零率三者結(jié)合的特征提取方式,以Logistic作為分類(lèi)模型,最終完成兒科患者干濕咳聲音分類(lèi);Matos等[6]通過(guò)咳嗽數(shù)據(jù)訓(xùn)練HMM模型來(lái)檢測(cè)咳嗽音信號(hào),識(shí)別準(zhǔn)確提升到了82%;Justice等[7]通過(guò)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)和遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network, RNN)完成高精度咳嗽信號(hào)的檢測(cè);MITTAL等[8]則通過(guò)評(píng)估各類(lèi)聲學(xué)特征,使用支持向量機(jī)進(jìn)行咳嗽檢測(cè),獲得了更好的識(shí)別性能。

咳嗽識(shí)別方法大多數(shù)是在小樣本數(shù)據(jù)集下完成測(cè)試的,高準(zhǔn)確度的研究方法還在進(jìn)一步研究當(dāng)中[9]。采用傳統(tǒng)的特征提取方法往往可能會(huì)使提取到的特征參數(shù)缺乏良好的區(qū)分性,從而導(dǎo)致效果并不理想[10]。針對(duì)此問(wèn)題,本文提出一種基于非負(fù)矩陣分解(nonnegative matrix factorization, NMF)的特征提取方法,在維數(shù)簡(jiǎn)約的前提下減少了模型訓(xùn)練時(shí)間。此外,在設(shè)計(jì)的咳嗽數(shù)據(jù)集上,提取咳嗽信號(hào)的短時(shí)能量特征,將兩者的組合參數(shù)作為輸入特征,通過(guò)多種評(píng)估指標(biāo)來(lái)反映不同特征提取方式的識(shí)別性能?？紤]到部分?jǐn)?shù)據(jù)的不平衡性,模型方面構(gòu)建非線(xiàn)性SVM分類(lèi)器來(lái)實(shí)現(xiàn)咳嗽信號(hào)和非咳嗽信號(hào)的自動(dòng)分類(lèi)。

1 非負(fù)矩陣分解

在語(yǔ)音信號(hào)處理中,非負(fù)矩陣分解常用于對(duì)信號(hào)的頻譜進(jìn)行分解。咳嗽信號(hào)的頻域特征由短時(shí)傅里葉變換得到[11],將一個(gè)大矩陣分解為幾個(gè)較小矩陣。分解后的矩陣通常會(huì)包含正負(fù)元素,但在圖像等矩陣中負(fù)值元素會(huì)使得特征值沒(méi)有意義。因此,NMF矩陣分解后的非負(fù)元素更有利于探索咳嗽的內(nèi)在特征且具有現(xiàn)實(shí)意義。

1.1 非負(fù)矩陣分解原理

NMF算法的基本思想可以簡(jiǎn)單描述為:對(duì)于任意給定的一個(gè)非負(fù)矩陣A,能夠找到一個(gè)非負(fù)矩陣W和一個(gè)非負(fù)矩陣H,從而將一個(gè)非負(fù)矩陣分解為左右兩個(gè)矩陣的乘積,滿(mǎn)足條件A=WH,即

Am×n=Wm×rHr×n。

(1)

其中,W為m×r維矩陣,稱(chēng)為基向量矩陣;H為r×n維矩陣,稱(chēng)為系數(shù)矩陣;r代表基向量數(shù)。

式中,矩陣A表示為咳嗽信號(hào)經(jīng)過(guò)短時(shí)傅里葉變換后的幅度譜或功率譜組成的信息矩陣,本文選取功率譜矩陣。m和n分別表示信號(hào)的頻點(diǎn)和時(shí)間幀。

非負(fù)矩陣分解使分解后的所有分量均為非負(fù)值(要求純加性的描述),同時(shí)實(shí)現(xiàn)非線(xiàn)性的維數(shù)約減。輸入特征參數(shù)的維數(shù)過(guò)高,會(huì)導(dǎo)致咳嗽識(shí)別模型訓(xùn)練過(guò)長(zhǎng)和內(nèi)存資源大等問(wèn)題[12]。該分解算法能夠?qū)崿F(xiàn)特征參數(shù)的降維處理,用分解后的系數(shù)矩陣H代替原始矩陣,有效提取咳嗽聲信號(hào)的局部特征,從而改善分類(lèi)器的各項(xiàng)性能,大大節(jié)省計(jì)算機(jī)的存儲(chǔ)空間。

1.2 優(yōu)化求解

非負(fù)矩陣分解算法可以理解為一個(gè)優(yōu)化問(wèn)題,目的是最小化矩陣W、矩陣H間乘積與原始矩陣A的差異。利用迭代的方法不斷優(yōu)化矩陣A、矩陣W和矩陣H歐氏距離的平方,從而使得乘積矩陣盡可能地接近原始矩陣。目標(biāo)函數(shù)可以表示為

‖A-WH‖2=∑(Aij-(WH)ij)2。

(2)

由目標(biāo)函數(shù)式(2)可知,當(dāng)A-WH有且為0時(shí),min(A-WH)=0,此時(shí)為式子的最優(yōu)解。

對(duì)于NMF目標(biāo)函數(shù)的算法優(yōu)化問(wèn)題,采用梯度下降法求解,算法過(guò)程如下。

Step1:初始化矩陣W和H。

Step2:設(shè)置迭代次數(shù)上限和誤差閾值。

Step3:依據(jù)迭代法則更新迭代W和H,直到全部收斂為止。

Step4:迭代結(jié)束后,用系數(shù)矩陣H代替原始矩陣,實(shí)現(xiàn)降維運(yùn)算。

算法更新迭代公式如式(3)。

(3)

當(dāng)矩陣達(dá)到收斂,誤差值達(dá)到穩(wěn)定[13]。此時(shí)說(shuō)明原始矩陣分解成功,算法結(jié)束。

2 支持向量機(jī)原理

支持向量機(jī)在語(yǔ)音識(shí)別尤其是針對(duì)小樣本數(shù)據(jù)集中表現(xiàn)出優(yōu)秀的序列建模能力,同樣也適用于咳嗽聲識(shí)別。具體識(shí)別原理與方法如下。

SVM作為一種二分類(lèi)學(xué)習(xí)模型,其基本模型是定義在特征空間上的最大間隔線(xiàn)性分類(lèi)器。學(xué)習(xí)的基本思想是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集和幾何間隔最大化的分類(lèi)超平面[14]。假設(shè)給定一個(gè)訓(xùn)練數(shù)據(jù)集T,此樣本集是線(xiàn)性可分的,所有在這個(gè)超平面上的點(diǎn)x均滿(mǎn)足

ω·x+b=0。

(4)

當(dāng)訓(xùn)練樣本集為線(xiàn)性可分時(shí),需要引入非負(fù)松弛變量εi[15]。將求解的優(yōu)化超平面轉(zhuǎn)換為凸二次規(guī)劃問(wèn)題,并選取合適的的參數(shù)C。C的大小用于表示對(duì)錯(cuò)誤分類(lèi)的懲罰程度,轉(zhuǎn)化公式如下:

(5)

將二次規(guī)劃問(wèn)題轉(zhuǎn)換為求極大值問(wèn)題,并構(gòu)造拉格朗日函數(shù)來(lái)得到分類(lèi)決策函數(shù)如下:

f(x)=sign(w*·x+b*)。

(6)

其中,sign是符號(hào)函數(shù),x代表訓(xùn)練樣本,b*是訓(xùn)練樣本經(jīng)過(guò)訓(xùn)練后的閾值。

對(duì)于線(xiàn)性不可分的情況,把實(shí)際問(wèn)題轉(zhuǎn)化為某個(gè)高維空間的線(xiàn)性問(wèn)題,將二維線(xiàn)性不可分樣本映射到高維空間中,使得樣本點(diǎn)線(xiàn)性可分。方法是通過(guò)非線(xiàn)性變換來(lái)實(shí)現(xiàn),即用SVM模型中核函數(shù)k(x,y)取代x和y的內(nèi)積。

核函數(shù)的選取對(duì)咳嗽聲的識(shí)別效果起關(guān)鍵性作用,目前常用的核函數(shù)及其表達(dá)式如表1。

表1 SVM常用核函數(shù)

3 實(shí)驗(yàn)方法與結(jié)果

本文實(shí)驗(yàn)數(shù)據(jù)主要來(lái)源于醫(yī)院門(mén)診和住院部,包含不同呼吸道疾病患者咳嗽錄音和各種環(huán)境音(哭聲、尖叫聲)。經(jīng)過(guò)醫(yī)師和病人同意,使用索尼PCM-D100錄音筆對(duì)患者咳嗽聲進(jìn)行連續(xù)時(shí)間的單聲道采樣,采樣頻率設(shè)為44.1 kHZ。對(duì)每個(gè)文件的咳嗽類(lèi)型進(jìn)行標(biāo)記,利用Audacity軟件截取清晰的咳嗽和非咳嗽片段,將每段音頻保存為WAV格式數(shù)據(jù),保存在數(shù)據(jù)庫(kù)中。最終得到400個(gè)咳嗽樣本和350個(gè)非咳嗽樣本。

針對(duì)兩類(lèi)數(shù)據(jù)樣本以一定比例劃分訓(xùn)練集和測(cè)試集,用于后續(xù)咳嗽識(shí)別實(shí)驗(yàn)。隨機(jī)抽取2/3的數(shù)據(jù)作為訓(xùn)練樣本集,1/3作為測(cè)試樣本。

本實(shí)驗(yàn)大致流程為:首先對(duì)咳嗽樣本進(jìn)行預(yù)處理操作;再對(duì)咳嗽信號(hào)和非咳嗽信號(hào)進(jìn)行特征參數(shù)提取[16];最后構(gòu)建SVM分類(lèi)系統(tǒng)完成咳嗽音自動(dòng)識(shí)別。本文咳嗽識(shí)別系統(tǒng)框架如圖1。

圖1 咳嗽識(shí)別系統(tǒng)框架圖

3.1 預(yù)處理

3.1.1 去噪技術(shù)

由于采集的部分咳嗽聲包含噪聲干擾,需要利用去噪技術(shù)消除信號(hào)間的一系列噪音,改進(jìn)語(yǔ)音質(zhì)量[17]。本研究采用基于小波分解的語(yǔ)音去噪技術(shù),實(shí)現(xiàn)多分辨率解析,提高了時(shí)域和頻域表征局部信息的能力。

信號(hào)f(x)的連續(xù)小波變換定義如下:

(7)

(8)

其中:參數(shù)a為非零實(shí)數(shù),稱(chēng)為伸縮因子;b為平移因子。

咳嗽音的小波去噪具體處理過(guò)程如下。

首先,將含噪咳嗽聲信號(hào)在不同尺度下進(jìn)行小波分解,選擇小波分解層次N=6,計(jì)算信號(hào)每層的分解系數(shù)。

其次,從1～N的每一層,設(shè)定一個(gè)閾值,幅值低于該閾值的小波系數(shù)置為0,高于閾值的信號(hào)完全保留。

最后,對(duì)處理后的小波系數(shù)進(jìn)行重構(gòu),根據(jù)小波分解的低頻系數(shù)和修改后的1～N層高頻系數(shù),計(jì)算咳嗽信號(hào)的小波重構(gòu)。

采用本節(jié)小波去噪方法進(jìn)行實(shí)驗(yàn),去噪后的咳嗽效果如圖2。利用此方法有效地去除了咳嗽聲以外的噪音干擾,為后續(xù)特征提取做準(zhǔn)備。

圖2 降噪前后效果圖Figure 2 Before and after noise reduction renderings

3.1.2 分幀加窗

在短時(shí)分析的基礎(chǔ)上對(duì)咳嗽音進(jìn)行短時(shí)處理。將聲音片段分割為幀信號(hào),分割后的每一小段稱(chēng)為一幀,幀長(zhǎng)取30 ms。使用交疊分段的方法,使得幀與幀之間平滑連續(xù),前一幀和后一幀的交疊部分為幀移,一般為窗長(zhǎng)的1/2[18]。該技術(shù)通過(guò)窗函數(shù)間的平滑移動(dòng)來(lái)實(shí)現(xiàn),本文選取漢明窗,能夠避免波形丟失和遺漏現(xiàn)象,反映咳嗽信號(hào)間的幅度變化規(guī)律。

漢明窗表達(dá)式如下:

(9)

3.2 特征提取

3.2.1 NMF特征提取

NMF算法實(shí)現(xiàn)了咳嗽信號(hào)的頻譜分解。通過(guò)NMF矩陣分解,一方面將描述咳嗽信號(hào)的矩陣維數(shù)進(jìn)行削減,另一方面也可以對(duì)大量的數(shù)據(jù)特征進(jìn)行壓縮和概括,經(jīng)過(guò)預(yù)處理后的咳嗽特征具有良好的抗噪性能。從數(shù)據(jù)樣本中劃分的訓(xùn)練集和測(cè)試集進(jìn)行實(shí)驗(yàn),測(cè)試樣本不包含訓(xùn)練樣本。

利用所述NMF特征提取方法,對(duì)每幀咳嗽信號(hào)的特征參數(shù)進(jìn)行提取,特征參數(shù)的計(jì)算流程如圖3。

圖3 NMF特征提取流程圖

計(jì)算過(guò)程具體為以下步驟。

步驟1:預(yù)處理后的咳嗽信號(hào)X(n)通過(guò)快速傅里葉變換得到頻域數(shù)據(jù)X(k)。

步驟2:求取譜線(xiàn)能量E(k),計(jì)算方法為取模的平方。

步驟3:對(duì)能量譜矩陣進(jìn)行NMF矩陣分解,得到非負(fù)基向量矩陣W和系數(shù)矩陣H。以系數(shù)矩陣H代替原始矩陣,形成所需要的12維特征參數(shù)。

3.2.2 短時(shí)能量特征提取

短時(shí)能量大小可以有效反映信號(hào)能量的變化規(guī)律且具有代表性?；诳人远虝盒?、突發(fā)性的特點(diǎn)[19],短時(shí)能量能夠描述音頻信號(hào)隨時(shí)間的變化情況。短時(shí)能量的計(jì)算公式為下式:

(10)

式(10)中,x(m)為輸入的咳嗽聲信號(hào),ω(n)為所選漢明窗。

圖4為咳嗽信號(hào)與普通語(yǔ)音信號(hào)的短時(shí)能量對(duì)比圖。

圖4 短時(shí)能量對(duì)比圖

3.2.3 特征參數(shù)組合

為了構(gòu)造更有效的咳嗽特征參數(shù),本文提出一種新的特征參數(shù)組合方式:將NMF算法分解的咳嗽特征與短時(shí)能量進(jìn)行參數(shù)組合作為模型輸入。兩者組合之后從不同的角度反映了咳嗽音與其他音頻信號(hào)的特征差異。另外,特征維數(shù)方面不會(huì)明顯增加,運(yùn)算復(fù)雜度大大降低。

實(shí)驗(yàn)選取NMF特征參數(shù)12維,短時(shí)能量特征1維,前后組合連接成13維特征參數(shù)。最后將組合的特征參數(shù)作為非線(xiàn)性SVM模型的輸入進(jìn)行訓(xùn)練與識(shí)別。

3.3 咳嗽分類(lèi)識(shí)別實(shí)驗(yàn)

3.3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)以pycharm為開(kāi)發(fā)環(huán)境,在相同實(shí)驗(yàn)條件下,將本文實(shí)驗(yàn)結(jié)果分別與隱馬爾可夫、MLP模型識(shí)別結(jié)果進(jìn)行對(duì)比。其次,特征提取方面,將本文提出的NMF+E特征組合方式與最新文獻(xiàn)方法進(jìn)行比較實(shí)驗(yàn),以驗(yàn)證本文算法的優(yōu)越性。

作為對(duì)比的隱馬爾可夫模型包括3個(gè)隱含狀態(tài),每個(gè)狀態(tài)包含3個(gè)高斯元,通過(guò)自左向右的HMM模型實(shí)現(xiàn)。采用K均值算法實(shí)現(xiàn)高斯混合模型參數(shù)初始化,咳嗽訓(xùn)練算法采用Baum-Welch,識(shí)別過(guò)程則使用Viterbi算法。

多層感知機(jī)(MLP)則分別通過(guò)輸入層、隱藏層和輸出層進(jìn)行咳嗽識(shí)別。首先隨機(jī)初始化所有參數(shù),然后進(jìn)行迭代訓(xùn)練,計(jì)算梯度值并更新參數(shù),直到滿(mǎn)足某個(gè)條件為止(比如誤差足夠小、迭代次數(shù)足夠多)。

3.3.2 實(shí)驗(yàn)結(jié)果分析

運(yùn)用本文算法進(jìn)行咳嗽識(shí)別,分類(lèi)模型采取支持向量機(jī),選用適應(yīng)性強(qiáng)的徑向基核函數(shù),根據(jù)實(shí)驗(yàn)確定最優(yōu)參數(shù)。訓(xùn)練樣本選取150個(gè)咳嗽信號(hào)和150個(gè)非咳嗽信號(hào)訓(xùn)練最佳分類(lèi)模型,測(cè)試集選擇100個(gè)咳嗽信號(hào)和130個(gè)非咳嗽信號(hào)完成測(cè)試。實(shí)驗(yàn)結(jié)果如表2。其中,咳嗽識(shí)別準(zhǔn)確率=正確識(shí)別的咳嗽個(gè)數(shù)/咳嗽總數(shù)×100%,非咳嗽的識(shí)別準(zhǔn)確率=正確識(shí)別的非咳嗽個(gè)數(shù)/非咳嗽總數(shù)×100%。

由表2可知,該分類(lèi)系統(tǒng)對(duì)于咳嗽聲的識(shí)別率達(dá)到93.75%,誤識(shí)別率僅為7.3%,獲得良好的分類(lèi)效果。本文算法能夠準(zhǔn)確地將咳嗽音從其它音頻信號(hào)中分離,反映了算法的可適用性。

表2 識(shí)別結(jié)果

以咳嗽識(shí)別準(zhǔn)確率作為指標(biāo),得到本文評(píng)估曲線(xiàn)如圖5。由評(píng)估曲線(xiàn)可以看出,采用SVM分類(lèi)的咳嗽識(shí)別準(zhǔn)確率和模型可擴(kuò)展性均表現(xiàn)出較好的效果。因此,SVM分類(lèi)器在小樣本數(shù)據(jù)集情況下的泛化能力較強(qiáng)[20],能夠有效提高系統(tǒng)的性能。

圖5 SVM模型性能評(píng)估曲線(xiàn)

為驗(yàn)證本文特征提取方法的有效性,將所述NMF+E特征提取算法分別與傳統(tǒng)MFCC、MFCC+E進(jìn)行對(duì)比實(shí)驗(yàn)。以特異性、靈敏度、準(zhǔn)確度作為評(píng)估指標(biāo),模型均采用非線(xiàn)性SVM,實(shí)驗(yàn)結(jié)果如圖6,其中,特異性=正確識(shí)別的非咳嗽聲個(gè)數(shù)/非咳嗽聲總數(shù)×100%,靈敏度=正確識(shí)別的咳嗽聲個(gè)數(shù)/咳嗽聲總數(shù)×100%。

圖6 不同特征參數(shù)結(jié)果對(duì)比

由圖6可以看出,四種特征提取方式中,采用本文特征提取算法的實(shí)驗(yàn)效果最佳,SVM模型各方面咳嗽識(shí)別性能最好,準(zhǔn)確度最高達(dá)93.75%。相比其他三種特征提取方式,本文咳嗽識(shí)別效果更顯著,而采用傳統(tǒng)MFCC識(shí)別效果最低,咳嗽識(shí)別準(zhǔn)確度僅為83%。由此,采用本文特征組合的方式更能增強(qiáng)特征提取的表達(dá)能力。

為了選取咳嗽識(shí)別系統(tǒng)的最佳識(shí)別算法及其特征組合,我們將采集的咳嗽數(shù)據(jù)集用于特征選擇和模型評(píng)估。實(shí)驗(yàn)采用五折交叉驗(yàn)證的方法分別使用非線(xiàn)性SVM、隱馬爾可夫(HMM)、隨機(jī)森林(random forest, RF)和多層感知機(jī)(multi-Layer perceptron, MLP)四種模型進(jìn)行咳嗽識(shí)別實(shí)驗(yàn)。特征參數(shù)同樣選取不同的方法進(jìn)行,在測(cè)試集上對(duì)咳嗽識(shí)別性能進(jìn)行測(cè)試,得到如表3所示的評(píng)估結(jié)果對(duì)比。咳嗽識(shí)別算法分別選用本文方法、文獻(xiàn)[21]、文獻(xiàn)[22]和研究者常用的幾種參數(shù)結(jié)合方式,由表3可以看出,非線(xiàn)性SVM模型在特異性、靈敏度、準(zhǔn)確度方面都表現(xiàn)出明顯的優(yōu)勢(shì)。測(cè)試集下的咳嗽識(shí)別準(zhǔn)確度最高達(dá)到94.75%,錯(cuò)誤率僅為4.9%,相對(duì)于HMM、隨機(jī)森林、MLP等分類(lèi)模型咳嗽識(shí)別性能更為優(yōu)越,這表明SVM能使數(shù)據(jù)樣本可分性更強(qiáng)。

表3 不同算法咳嗽識(shí)別結(jié)果

將表3不同特征提取算法和模型的咳嗽識(shí)別結(jié)果進(jìn)行對(duì)比,可以發(fā)現(xiàn),采用本文NMF+E的特征參數(shù)組合方法和SVM模型識(shí)別效果最突出,準(zhǔn)確率達(dá)到93.4%。此外,采用MFCC+ZCR+E的特征組合方法識(shí)別效果較好,但特征維數(shù)較高,而本文識(shí)別算法實(shí)現(xiàn)了特征向量的降維運(yùn)算。綜上所述,本文咳嗽識(shí)別系統(tǒng)能夠?qū)人月曔M(jìn)行準(zhǔn)確計(jì)數(shù)和自動(dòng)識(shí)別,從而改善分類(lèi)器的各項(xiàng)性能。

4 結(jié) 語(yǔ)

為了提高咳嗽信號(hào)的識(shí)別率,本文提出了一種非負(fù)矩陣分解(NMF)和短時(shí)能量(E)特征參數(shù)結(jié)合的方法。該識(shí)別算法綜合考慮了咳嗽音的各方面特性,提取的咳嗽特征更加全面且具有代表性?？紤]到咳嗽音識(shí)別過(guò)程中特征參數(shù)維數(shù)高的特點(diǎn),對(duì)初始特征矩陣進(jìn)行降維分解,從而減少系統(tǒng)開(kāi)銷(xiāo)。以特異度、準(zhǔn)確度和靈敏度作為衡量指標(biāo)判別其識(shí)別性能,由實(shí)驗(yàn)結(jié)果可知,采用NMF+E的特征提取算法和傳統(tǒng)方法相比效果得到進(jìn)一步提升,咳嗽識(shí)別準(zhǔn)確度由89.87%提高到93.75%。下一步的研究重點(diǎn)是進(jìn)一步擴(kuò)大咳嗽樣本,研究如何更好地消除數(shù)據(jù)中的噪聲干擾,進(jìn)一步提高特征魯棒性和模型分類(lèi)性能。