用于睡眠呼吸紊乱中声学事件鲁棒检测的深度学习特征
音频与语音处理
2019-04-08 v1 声音
摘要
睡眠呼吸紊乱(SDB)是一种严重且普遍的病症,通过消费级设备(如智能手机)进行声学分析为筛查该病症提供了一种低成本解决方案。我们提出了一种利用从整夜声音记录语料库中学习到的瓶颈特征来声学识别SDB声音(如打鼾)的新方法。描述了两类瓶颈特征,通过对听觉模型或短时自相关分析的输出应用深度自编码器获得。我们研究了两种用于打鼾声音检测的架构:串联系统和混合系统。在这两种情况下,均引入了“语言模型”(LM)以利用不同SDB事件序列的信息。我们的结果表明,所提出的瓶颈特征比传统的梅尔频率倒谱系数具有更好的性能,并且在给定有限标记训练数据的情况下,串联系统优于混合系统。LM对两个分类器的性能均有微小提升。
引用
@article{arxiv.1904.02992,
title = {Deep Learning Features for Robust Detection of Acoustic Events in Sleep-Disordered Breathing},
author = {Hector E. Romero and Ning Ma and Guy J. Brown and Amy V. Beeston and Madina Hasan},
journal= {arXiv preprint arXiv:1904.02992},
year = {2019}
}
备注
Accepted by IEEE ICASSP 2018