Лихачёв Денис Сергеевич - кандидат технических наук, доцент, доцент кафедры электронных вычислительных средств.
220013, Минск, ул. П. Бровки, 6. Тел.: +375 17 293-85-05
Likhachov Denis Sergeevich - Cand. of Sci., Associate Professor, Associate Professor at Computer Engineering De partment.
220013, Minsk, P. Brovki St., 6. Tel.: +375 17 293-85-05
Доктор технических наук, доцент, доцент кафедры электронных вычислительных средств.
220013, Минск, ул. П. Бровки, 6
Maxim I. Vashkevich - Dr. of Sci. (Tech.), Associate Professor at Computer Engineering Department.
220013, Minsk, P. Brovki St., 6
Кандидат технических наук, доцент, доцент кафедры электронных вычислительных средств.
220013, Минск, ул. П. Бровки, 6
Nick A. Petrovsky - Cand. of Sci., Associate Professor, Associate Professor at Computer Engineering De partment.
220013, Minsk, P. Brovki St., 6
Доктор технических наук, доцент, заведующий кафедрой электронных вычислительных средств.
220013, Минск, ул. П. Бровки, 6
Elias S. Azarov - Dr. of Sci. (Tech.), Associate Professor, Head of Computer Engineering Department.
220013, Minsk, P. Brovki St., 6
Задача выявления голосовых патологий отличается малым объемом доступных данных для обучения, вследствие чего системы классификации, использующие малоразмерные данные, являются наиболее актуальными. Предлагается совместное использование методов LASSO (least absolute shrinkage and selection operator) и BSS (backward stepwise selection) в отборе наиболее значимых признаков для задач определения голосовых патологий, в частности бокового амиотрофического склероза. Использованы признаки на основе мел-частотных кепстральных коэффициентов, традиционно применяемые в обработке речевых сигналов, и на основе дискретной оценки огибающей спектра авторегрессионного процесса. Вторые спектральные признаки извлекаются с помощью генеративного метода, предполагающего вычисление дискретного преобразования Фурье последовательности отчетов, сгенерированной с использованием авторегрессионной модели входного голосового сигнала. Последовательность генерируется таким образом, чтобы учесть периодическую природу преобразования Фурье. Это позволяет повысить точность оценки спектра и уменьшить эффект спектральной утечки. Отбор признаков с помощью методов LASSO и BSS позволил повысить эффективность классификации, используя меньшее число признаков, по сравнению с применением только метода LASSO.
The task of detecting vocal abnormalities is characterized by a small amount of available data for training, as a consequence of which classification systems that use low-dimensional data are the most relevant. We propose to use LASSO (least absolute shrinkage and selection operator) and BSS (backward stepwise selection) methods together to select the most significant features for the detection of vocal pathologies, in particular amyotrophic lateral sclerosis. Features based on fine-frequency cepstral coefficients, traditionally used in speech signal processing, and features based on discrete estimation of the autoregressive spectrum envelope are used. Spectral features based on the autoregressive process envelope spectrum are extracted using the generative method, which involves calculating a discrete Fourier transform of the report sequence generated using the autoregressive model of the input voice signal. The sequence is generated by the autoregressive model so as to account for the periodic nature of the Fourier transform. This improves the accuracy of the spectrum estimation and reduces the spectral leakage effect. Using LASSO in conjunction with BSS allowed us to improve the classification efficiency using a smaller number of features as compared to using the LASSO method alone.
The authors declare that there are no conflicts of interest present.