智能保健监测系统中音频信号的分类算法研究

针对Mel频率倒谱系数(MFCCs)信息在区分音频信号时的局限性,提出一种基于不同特征提取技术的两级分类策略,对智能保健监测系统的9种音频信号进行分类。分类的第一级采用MFCCs及其变化率(ΔMFCCs)作为隐马尔可夫模型(HMM)的输入。在第二级,将不同频段的功率谱密度的一阶差分均值和标准差作为分类的特征。实验结果表明,功率谱密度的一阶差分包含了MFCCs所不含有的重要分类信息,该方法使得实时保健监测系统的平均分类准确度高达97.37%,具有较好的鲁棒性和分类准确性。     

数据挖掘中分类算法综述

对分类算法中需要解决的关键问题进行了分析;综述了不同分类算法的思想和特性,决策树分类算法能够很好地处理噪声数据,但只对规模较小训练样本集有效;贝叶斯分类算法精度高、速度快,错误率低,但分类不够准确;传统的基于关联规则算法分类准确率高,但容易受硬件内存的制约;支持向量机算法分类准确率高、复杂度低,但速度慢.针对各种分类算...     

家庭保健监测系统中环境声音事件的识别

用于音乐和语音的识别方法不适用于非结构化环境声音事件的识别。提出一种基于隐马尔可夫模型（HMM）和支持向量机（SVM）的二层分类策略，对家庭保健监测系统中的语音、警报声、电话铃声、笑声、尖叫声和咳嗽声等6种声音事件进行识别。首先，提取Mel频率倒谱系数（MFCCs）来分析环境声音信号。其次，以提取的MFCC特征为输入，依次采用HMM和SVM构造二级分类模型，通过识别和确认两个过程来对家庭保健监测系统中的环境声音事件进行识别。实验证明，该技术能提高家庭保健监测系统中易混淆环境声音的识别率。