本研究探讨了运用GRBAS量表结合多维度声学分析方法，在语音质量评估中发挥的作用及其效果，为临床诊断和治疗提供科学依据。
尽管语音质量的感知评估被认为是检查正常与病理性语音的标准方法，但不同听众之间的差异性仍然很高。这种变异性源于多种因素，例如个人主观偏见、经验以及评分表的选择等。目前，自动客观评估为诊断病理性声音提供了非常有用的工具。声学分析可以作为确定烦躁症严重程度的补充手段。
本研究旨在通过使用基于GRBAS量表（包含粗糙度、呼吸音、紧张度、振幅异常和声音强度异常五个维度）的多维声学测量，开发一种语音质量评估系统。该方法利用了包括梅尔频率倒谱系数(MFCCs)在内的65个不同特征来描述语音信号，并通过三种不同的特征提取技术减少冗余信息。
分类结果是使用径向基函数(RBF)核支持向量机(SVM)进行多类别的，结果显示与GRBAS严重性等级有中等程度的相关性。最高准确率约为70%。这表明这种基于声学的分析方法可以作为评估语音障碍存在和严重性的合适工具。
### 基于GRBAS量表的多维声学分析用于语音质量评估
#### 概述
在语音科学领域，对语音质量进行客观、准确地评估至关重要，尤其是在区分健康与病理性声音时。传统方法主要依赖专业人员主观判断，尽管这种方法被广泛认为是“黄金标准”，但由于个体差异和主观性的影响，结果可能具有不确定性。
#### 研究背景及目标
为了解决上述问题，本研究提出了一种基于GRBAS量表的多维声学分析方法。该方法旨在开发一种辅助评估语音质量的自动化系统，并通过客观数据弥补传统感知评估中的不足。
#### 方法
采用多种声学参数作为特征来构建评估模型，包括但不限于：
- **梅尔频率倒谱系数（MFCCs）**：用于捕捉语音信号的时间和频谱特性。
- **声门噪声激励比（GNE）** 和 **声带褶皱激励比（VFER）**：分别用来衡量呼吸音异常及振动模式。
除了上述特征外，还收集了共计65个维度的测量值作为特征集的一部分。为了进一步提高评估系统的准确性，研究团队应用了三种不同的特征提取技术以减少冗余信息。具体来说，这些技术可能包括主成分分析（PCA）、线性判别分析（LDA）或其他形式的数据降维方法。
#### 分类与评估
本研究采用径向基函数(RBF)核支持向量机(SVM)进行多类别分类，将收集到的特征转换为对语音质量的评估结果。通过这种方式建立了能够根据GRBAS量表自动评估语音障碍程度的系统。
#### 结果与讨论
实验结果显示该系统的识别准确率达到了约70%，并且与GRBAS量表严重性等级存在中等的相关性，表明多维声学分析方法可以有效辅助医生和其他专业人士更精准地评估患者的语音质量，并据此制定更为有效的治疗方案。
#### 结论
本研究提出的基于GRBAS量表的多维度声学分析提供了新的视角。通过结合多种特征和先进的机器学习技术，不仅提高了评估的客观性和准确性也为临床实践中语音障碍诊断提供了有力支持。未来的研究可以进一步探索更多类型的特征及算法以提高系统的性能。
5星
