• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于語(yǔ)音停頓度和平坦度的注意缺陷與多動(dòng)障礙自動(dòng)檢測(cè)算法

      2022-09-25 08:43:12李國(guó)中崔婭俄木依欣何凌李元媛熊熙
      計(jì)算機(jī)應(yīng)用 2022年9期
      關(guān)鍵詞:自動(dòng)檢測(cè)正確率語(yǔ)音

      李國(guó)中,崔婭,俄木依欣,何凌,李元媛,熊熙

      (1.四川大學(xué)電氣工程學(xué)院,成都 610065;2.四川大學(xué)華西醫(yī)院心理衛(wèi)生中心,成都 610065;3.成都信息工程大學(xué)網(wǎng)絡(luò)空間安全學(xué)院,成都 610225)

      0 引言

      注意缺陷與多動(dòng)障礙(Attention Deficit/Hyperactivity Disorder,ADHD)簡(jiǎn)稱多動(dòng)癥,是一種神經(jīng)發(fā)育問題,在兒童和青少年時(shí)期最為常見。研究[1-2]表明,國(guó)際上的平均患病率估計(jì)為7.2%,我國(guó)兒童和青少年ADHD 總體患病率達(dá)到6.26%。在成長(zhǎng)過程中,ADHD 患兒可能會(huì)有多種共患病問題,如人格障礙、孤獨(dú)癥譜系障礙、焦慮障礙、雙相情感障礙等[3],面臨各種人格發(fā)展不正常的風(fēng)險(xiǎn)[4],對(duì)自己和社會(huì)都有傷害[5-6]。

      目前,ADHD 檢測(cè)主要依靠臨床醫(yī)生通過臨床訪談、行為及功能評(píng)估進(jìn)行綜合診斷,該診斷方式需要依靠相應(yīng)的評(píng)定量表。臨床上應(yīng)用最多的評(píng)定量表有Conner 評(píng)定量表(父母癥狀問卷(Parent Symptom Questionnaire,PSQ)、教師評(píng)定量 表(Teacher Rating Scale,TRS))、Swanson,Nolan and Pelham Rating Scale(SNAP)評(píng)定量表(SNAP-Ⅲ-R、SNAP-Ⅳ)和精神障礙診斷與統(tǒng)計(jì)手冊(cè)(Diagnostic and Statistical Manual of Mental Disorders,DSM)評(píng)定量表(DSM-Ⅲ-R、DSM-Ⅳ)[7]等,國(guó)內(nèi)ADHD 常用評(píng)定量表種類有限,經(jīng)過心理測(cè)量學(xué)分析的量表少,評(píng)估共患疾病和功能損害的量表稀缺[8],且這種診斷方式幾乎全部依賴于醫(yī)生的評(píng)估,受主觀影響大,缺乏客觀的評(píng)判指標(biāo),而首次評(píng)估需0.5~2 h 不等,診斷的耗時(shí)長(zhǎng)、效率低。全球均存在兒童精神專業(yè)醫(yī)生從業(yè)人數(shù)嚴(yán)重不足和分布集中在發(fā)達(dá)城市的狀況,需要智能的輔助診斷方法,提高醫(yī)生的工作效率。

      目前有基于腦部信息、身體動(dòng)作及眼球運(yùn)動(dòng)的ADHD 輔助診斷方法。

      基于腦部信息的ADHD 輔助診斷 ADHD 患者大腦額葉區(qū)、基底節(jié)等部位結(jié)構(gòu)異常,腦電圖顯示ADHD 患者θ 或σ慢波增強(qiáng),慢波增強(qiáng)可能與神經(jīng)代謝緩慢或大腦的延遲發(fā)育有關(guān),Khaleghi 等[9]通過比較五種特征在ADHD 診斷中的功效,證實(shí)了腦電非線性分析是檢測(cè)ADHD 患者腦電活動(dòng)異常的良好定量工具,Tang 等[10]使用大腦功能連接作為ADHD 特征分析的材料,基于能量的比較診斷ADHD 患者。

      基于身體動(dòng)作的ADHD 輔助診斷 ADHD 患者多動(dòng)是其主要癥狀,Munoz-Organero 等[11]基于腕關(guān)節(jié)和踝關(guān)節(jié)加速度信號(hào)用遞歸神經(jīng)網(wǎng)絡(luò)比較ADHD 患兒和正常兒童的運(yùn)動(dòng)模式,結(jié)果顯示ADHD 患兒與正常兒童的運(yùn)動(dòng)模式顯示出較大差異,Nakatani 等[12]使用視頻成像研究患有和不患有ADHD 的兒童睡眠期間的身體運(yùn)動(dòng),發(fā)現(xiàn)兩者身體運(yùn)動(dòng)存在差異,研究表明可以使用視頻圖像處理診斷患有多動(dòng)癥的兒童。

      基于眼球運(yùn)動(dòng)的ADHD 輔助診斷 注意力不集中是ADHD 患者的主要臨床癥狀,眼球會(huì)隨注意力的改變而相應(yīng)運(yùn)動(dòng),Levantini 等[13]通過眼睛跟蹤方法證明ADHD 患者花更多的時(shí)間注視不相關(guān)的感興趣區(qū)域,眼動(dòng)跟蹤為臨床醫(yī)生識(shí)別特定的生物標(biāo)志提供了潛在的有效支持;Jayawardena等[14]利用實(shí)時(shí)高級(jí)眼動(dòng)分析管道(Real-time Advanced Eye Movements Analysis Pipeline,RAEMAP)實(shí)時(shí)提供計(jì)算出的眼睛凝視度量、熱圖來診斷ADHD,證明了其有效性。

      基于腦部信息差異、身體動(dòng)作和眼睛動(dòng)作的方法,能輔助醫(yī)生診斷ADHD 患者,但數(shù)據(jù)采集時(shí)需要專業(yè)人員使用專業(yè)設(shè)備,設(shè)備操作難度高且耗時(shí)多,相對(duì)而言語(yǔ)音數(shù)據(jù)采集時(shí)設(shè)備簡(jiǎn)單易操作且所需時(shí)間少。

      研究表明,精神類疾病的病理學(xué)指標(biāo)與語(yǔ)音參數(shù)密切關(guān)聯(lián),語(yǔ)音參數(shù)可以作為客觀有效的臨床評(píng)估指標(biāo)[15],語(yǔ)音作為有效的生物學(xué)指標(biāo),為抑郁癥、精神分裂癥、雙相情感障礙等精神類疾病的自動(dòng)診斷提供了重要依據(jù)[16],ADHD 患者語(yǔ)言表達(dá)執(zhí)行功能存在缺陷[17],語(yǔ)音回路損傷,語(yǔ)音可作為ADHD 識(shí)別的有效生物學(xué)指標(biāo)。ADHD 患兒在轉(zhuǎn)化任務(wù)中右側(cè)下額葉的功能顯著受損,以及左側(cè)基底節(jié)和扣帶回的特異性功能異常[18],任務(wù)轉(zhuǎn)換時(shí)有停滯現(xiàn)象,朗讀文章時(shí)字句轉(zhuǎn)換之間出現(xiàn)長(zhǎng)時(shí)間的停頓;持久性任務(wù)中ADHD 患兒注意力缺乏持久性[19],容易受外界或自己干擾而分心,讀文章時(shí)因分心會(huì)打斷自己閱讀過程,出現(xiàn)異于正常兒童的停頓;語(yǔ)言內(nèi)化過程中ADHD 患兒語(yǔ)言內(nèi)化的執(zhí)行功能缺損[20],還會(huì)伴隨著發(fā)育性語(yǔ)言障礙,將腦中文字轉(zhuǎn)換成語(yǔ)音說出過程受到抑制,故說話時(shí)語(yǔ)音頻率變化與正常兒童存在差異。

      本文基于ADHD 患兒語(yǔ)音停頓異常和頻率變化異常特點(diǎn),提取語(yǔ)音停頓度表征語(yǔ)音停頓異常;提取倍頻率平坦度特表征語(yǔ)音頻率變化異常,結(jié)合支持向量機(jī)(Support Vector Machine,SVM)分類器實(shí)現(xiàn)ADHD 的自動(dòng)檢測(cè)。本文提出的基于語(yǔ)音停頓度和音調(diào)平坦度的ADHD 自動(dòng)檢測(cè)算法,為臨床醫(yī)生提供客觀的輔助診斷方法。

      1 本文算法

      ADHD 的核心癥狀包括注意缺陷、活動(dòng)過多,與行為沖動(dòng)。ADHD 的3 個(gè)核心癥狀中活動(dòng)過多和行沖動(dòng)兩種癥狀會(huì)隨著患兒成長(zhǎng)而減弱甚至消失,但約30%的ADHD 患兒到成年后注意缺陷癥狀也依然存在[21],注意缺陷癥狀的長(zhǎng)期監(jiān)測(cè)與輔助監(jiān)測(cè)具有重要臨床意義。注意缺陷癥狀在臨床上的主要表現(xiàn)為注意力不集中和語(yǔ)言內(nèi)化功能缺損:注意力不集中表現(xiàn)為難以集中精力在閱讀文本上,朗讀時(shí)出現(xiàn)停頓異常;語(yǔ)言內(nèi)化功能缺損表現(xiàn)為腦中文字轉(zhuǎn)化語(yǔ)音過程受損,語(yǔ)音上表現(xiàn)出語(yǔ)音頻率異常。

      本文基于ADHD 患兒語(yǔ)音停頓和音調(diào)異常的臨床特征表現(xiàn),提出語(yǔ)音停頓度和音調(diào)平坦度特征參數(shù),結(jié)合分類器,實(shí)現(xiàn)基于語(yǔ)音的ADHD 自動(dòng)檢測(cè),其算法流程如圖1 所示。該算法由三部分組成:首先,提出頻帶差能熵積(Frequency band Difference Energy Entropy Product,F(xiàn)DEEP)參數(shù),實(shí)現(xiàn)有話區(qū)間的自動(dòng)定位,并提取停頓度聲學(xué)特征;然后,提出變換平均幅度平方差(Transform Average Amplitude Squared Difference,TAASD)參數(shù),計(jì)算語(yǔ)音信號(hào)倍頻率,并提取平坦度聲學(xué)特征;最后,將提取的停頓度特征與平坦度特征參數(shù)融合,結(jié)合SVM 分類器,實(shí)現(xiàn)基于語(yǔ)音的ADHD 自動(dòng)檢測(cè)。

      圖1 基于語(yǔ)音停頓度和倍頻率平坦度的注意缺陷與多動(dòng)障礙自動(dòng)識(shí)別算法流程Fig.1 Flowchart of automatic recognition algorithm for attention deficit/hyperactivity disorder based on speech pause and multi-frequency flatness

      1.1 基于頻帶差能熵積參數(shù)的停頓度聲學(xué)特征提取

      注意力不集中是ADHD 注意缺陷癥狀的主要臨床特征之一。ADHD 患兒不僅容易因?yàn)橥饨绛h(huán)境而分心,也會(huì)因?yàn)樽约簝?nèi)心的想法而分心[22],語(yǔ)音上表現(xiàn)出停頓時(shí)間長(zhǎng)和停頓次數(shù)多的特點(diǎn)。本文基于此臨床聲學(xué)特征,提出基于語(yǔ)音頻帶差能熵積FDEEP 參數(shù)的停頓度聲學(xué)特征提取,其算法流程如圖2 所示。

      圖2 基于語(yǔ)音FDEEP參數(shù)的停頓度聲學(xué)特征提取算法流程Fig.2 Flowchart of acoustic pause feature extraction algorithm based on speech FDEEP parameter

      1.1.1 基于頻帶差能熵積參數(shù)FDEEP 的有話區(qū)間自動(dòng)定位算法

      頻譜域中語(yǔ)音有話區(qū)間能量數(shù)值大,能量隨頻帶起伏變化大;無話區(qū)間能量數(shù)值小,能量在頻帶內(nèi)均勻分布。最大離散熵定量表明,當(dāng)熵函數(shù)等概分布時(shí),熵達(dá)到極大值,無話區(qū)間歸一化譜概率密度函數(shù)分布均勻,故其譜熵值大;有話區(qū)間頻譜具有共振峰特性,歸一化普概率密度函數(shù)分布不均勻,其譜熵值小于無話區(qū)間。頻帶幅值標(biāo)準(zhǔn)差參數(shù)反映能量隨頻帶變化的起伏程度;子帶能熵比表示有話區(qū)間和無話區(qū)間能量和譜熵比值的差異,結(jié)合頻帶幅值標(biāo)準(zhǔn)差和子帶能熵比,本文提出頻帶差能熵積特征參數(shù),再結(jié)合雙門限閾值法,實(shí)現(xiàn)語(yǔ)音有話區(qū)間的自動(dòng)定位。

      1)頻帶幅值標(biāo)準(zhǔn)差參數(shù)提取。

      設(shè)語(yǔ)音時(shí)域信號(hào)為x(n),加窗分幀處理后的第i幀語(yǔ)音信號(hào)為xi(n),離散傅里葉變換后得其頻譜為:

      式中:0 ≤k≤N-1,N為分幀后幀長(zhǎng)。

      頻譜幅值的均值Ei為:

      得到第i幀語(yǔ)音信號(hào)xi(n)頻帶幅值標(biāo)準(zhǔn)差σi為:

      2)子帶能熵比參數(shù)提取。

      頻譜域中第i幀語(yǔ)音信號(hào)為Xi(k),其能量為:

      正頻率部分歸一化譜概率密度函數(shù)為:

      式中:N為幀長(zhǎng),k=0,1,…,N/2。

      每幀信號(hào)正頻率部分譜熵為:

      子帶化思想是將一幀信號(hào)分成若干個(gè)子帶,這樣能消除每一條譜線幅值受噪聲的影響。設(shè)每幀信號(hào)分割成q個(gè)子帶,每個(gè)子帶有p條譜線,第i幀信號(hào)中第m個(gè)子帶的能量為:

      子帶能量的歸一化譜概密度函數(shù)為:

      式中:K取正實(shí)數(shù),引入K后語(yǔ)音信號(hào)和噪聲信號(hào)區(qū)分度能得以提高。

      由子帶能量的概率密度計(jì)算得到子帶譜熵:

      由式(7)和式(9)計(jì)算得到子帶能熵比:

      3)FDEEP 參數(shù)提取。

      頻帶幅值標(biāo)準(zhǔn)差表征有話區(qū)間和無話區(qū)間能量隨頻帶變化差異;子帶能熵比表征有話區(qū)間和無話區(qū)間能量與譜熵比值的差異。頻帶差能熵積參數(shù)是頻帶標(biāo)準(zhǔn)差與子帶能熵比的乘積,計(jì)算如式(11)所示:

      頻帶能熵積參數(shù)結(jié)合頻帶幅值變化和能熵比在有話區(qū)間和無話區(qū)間的特征,進(jìn)一步增加有話區(qū)間能量隨頻帶變化程度和擴(kuò)大有話區(qū)間與無話區(qū)間能量與譜熵比值的差異性,準(zhǔn)確定位語(yǔ)音有話區(qū)間。

      4)基于FDEEP 參數(shù)與自適應(yīng)雙門限閾值法的語(yǔ)音有話區(qū)間自動(dòng)定位。

      先計(jì)算濾波平滑處理后FDEEP 參數(shù)的均值Mse和前導(dǎo)無話幀均值A(chǔ)se:

      式中NIS為前導(dǎo)無話幀數(shù)。

      再設(shè)置自適應(yīng)動(dòng)態(tài)閾值,其計(jì)算公式如下:

      式中:α、β均為正實(shí)數(shù)且α>β。

      自適應(yīng)閾值T1和T2由每段語(yǔ)音的FDEEP 參數(shù)求出,具有自適應(yīng)能力,能提高有話區(qū)間提取魯棒性。

      最后使用雙門限法實(shí)現(xiàn)有話區(qū)間自動(dòng)定位,當(dāng)FDEEP參數(shù)值大于閾值T1為有話區(qū)間,在FDEEP 參數(shù)與閾值T1交點(diǎn)處向左、右尋找至FDEEP 參數(shù)與閾值T2交點(diǎn)處,確定有話區(qū)間起始位置,即可自動(dòng)定位有話區(qū)間。

      1.1.2 停頓度聲學(xué)特征提取算法

      本文提取停頓度特征參數(shù)集表征ADHD 患兒注意力不集中的臨床癥狀。該特征參數(shù)集包括最大停頓時(shí)長(zhǎng)、平均停頓時(shí)長(zhǎng)和停頓時(shí)間占比。

      1)最大停頓時(shí)長(zhǎng):ADHD 患兒在認(rèn)知轉(zhuǎn)換任務(wù)中左側(cè)額下回、雙側(cè)前腦島、殼核和蒼白球的激活降低[23],ADHD 患兒往往會(huì)在一個(gè)任務(wù)上停留一段時(shí)間,無法轉(zhuǎn)移到下一個(gè)任務(wù),出現(xiàn)較長(zhǎng)時(shí)間的停頓,提取最大停頓時(shí)長(zhǎng)表示該特點(diǎn)。

      最大停頓時(shí)長(zhǎng)是所有停頓時(shí)長(zhǎng)的最大值,計(jì)算公式如下:

      式中:Ts1,Ts2,…,Tsn是語(yǔ)音中n個(gè)檢停頓區(qū)間的時(shí)長(zhǎng)。

      2)平均停頓時(shí)長(zhǎng):ADHD 患兒注意缺乏持久性容易分心,出現(xiàn)多次停頓,提取平均停頓時(shí)長(zhǎng)表示該特征。

      平均停頓時(shí)長(zhǎng)為總停頓時(shí)間Tstop與語(yǔ)音停頓區(qū)間個(gè)數(shù)n的比值,計(jì)算公式如下:

      3)停頓時(shí)間占比:ADHD 患兒停頓時(shí)間長(zhǎng)和停頓次數(shù)多,語(yǔ)音停頓時(shí)間與語(yǔ)音總時(shí)間的比值與正常兒童存在差異,提取停頓時(shí)間占比表示該差異性。

      停頓時(shí)間占比為語(yǔ)音總停頓時(shí)間與語(yǔ)音總時(shí)長(zhǎng)的比值,如式(19)所示:

      式中Ttotal為語(yǔ)音時(shí)長(zhǎng)。

      4)停頓度聲學(xué)特征參數(shù)集:

      1.2 基于TAASD參數(shù)的倍頻率平坦度聲學(xué)特征提取算法

      語(yǔ)言內(nèi)化功能缺損是ADHD 注意缺陷癥狀主要臨床特征之一,ADHD 患兒伴隨著發(fā)育性語(yǔ)言障礙[24],其語(yǔ)音頻率變化異常。本文基于此臨床特征,提出基于語(yǔ)音TAASD 參數(shù)的倍頻率平坦度聲學(xué)特征提取算法,其流程如圖3 所示。

      圖3 基于語(yǔ)音TAASD參數(shù)的平坦度聲學(xué)特征提取算法流程Fig.3 Flowchart of acoustic flatness feature extraction algorithm based on speech TAASD parameters

      1.2.1 語(yǔ)音信號(hào)倍頻率參數(shù)提取算法

      ADHD 患兒語(yǔ)音加工技能受損[25],語(yǔ)音基音頻率變化速率弱于正常兒童,本文提出語(yǔ)音信號(hào)倍頻率參數(shù),表征ADHD 患兒此臨床特征。

      時(shí)域語(yǔ)音信號(hào)x(n)加窗分幀處理后第i幀語(yǔ)音信號(hào)是xi(n),幀長(zhǎng)為N,其平均幅度平方差函數(shù)計(jì)算公式為:

      式中k=0,1,…,N-1。

      對(duì)平均幅度平方差參數(shù)做線性變換得到變換平均幅度平方差參數(shù)TAASD,變換公式如下:

      式中:AASDi,max和ni,max是平均幅度平方差參數(shù)的最大值和最大值所對(duì)應(yīng)位置樣點(diǎn)值。

      尋找濾波平滑處理后的TAASD 參數(shù)極大值點(diǎn)位置,即可確定語(yǔ)音信號(hào)倍頻率,如圖4 所示是某男性ADHD 患兒和某男性正常對(duì)照兒童的語(yǔ)音信號(hào)倍頻率示意圖。

      圖4 ADHD患兒與正常對(duì)照組的語(yǔ)音信號(hào)倍頻率Fig.4 Speech signal multi-frequency of ADHD patient and normal control

      時(shí)域語(yǔ)音信號(hào)波形在時(shí)間軸上下波動(dòng)呈一定的周期變化,TAASD 參數(shù)取語(yǔ)音信號(hào)加延遲量平方與語(yǔ)音信號(hào)平方差計(jì)算語(yǔ)音信號(hào)倍頻率,信號(hào)平方后幅值均為正,信號(hào)波形在時(shí)間軸上方變化,故信號(hào)周期減小,頻率與周期成反比,則信號(hào)頻率增大,ADHD 患兒語(yǔ)音加工過程抑制,其頻率變化與正常兒童間存在差異,倍頻率參數(shù)可實(shí)現(xiàn)語(yǔ)音信號(hào)頻率變化檢測(cè),可由圖4 可以看出,ADHD 患兒語(yǔ)音倍頻率變化波動(dòng)弱于正常對(duì)照組兒童,故倍頻率參數(shù)可實(shí)現(xiàn)ADHD 患兒和正常對(duì)照組兒童區(qū)分。

      1.2.2 提出的平坦度聲學(xué)特征提取算法

      本文提取平坦度特征參數(shù)集表征ADHD 患兒語(yǔ)言內(nèi)化功能缺損的臨床癥狀。ADHD 患兒語(yǔ)音信號(hào)倍頻率值的平均高度和峰值處平均變化率都低于正常兒童,平坦度參數(shù)反映語(yǔ)音信號(hào)倍頻率起伏變化,該特征參數(shù)集包括倍頻率標(biāo)準(zhǔn)差、倍頻率離散系數(shù)和倍頻率峰度。

      1)語(yǔ)音倍頻率標(biāo)準(zhǔn)差。該特征表示語(yǔ)音信號(hào)倍頻率參數(shù)的起伏程度,計(jì)算公式為:

      式中:n為語(yǔ)音總幀數(shù),F(xiàn)ˉ0為語(yǔ)音倍頻率參數(shù)均值。

      2)語(yǔ)音倍頻率離散系數(shù)。該特征表示語(yǔ)音信號(hào)倍頻率參數(shù)的離散程度,其計(jì)算公式為:

      3)語(yǔ)音倍頻率峰度。該特征反映語(yǔ)音信號(hào)倍頻率參數(shù)分布曲線的峰尖度,度量倍頻率參數(shù)分布的陡峭程度,其計(jì)算公式為:

      4)平坦度聲學(xué)特征參數(shù)集:

      1.3 SVM分類器

      基于音語(yǔ)音信號(hào)分析的ADHD 患兒和正常對(duì)照組檢測(cè)問題,是典型的二分類問題。支持向量機(jī)處理二分類問題時(shí),在特征空間中不斷改變超平面的位置,直到某個(gè)超平面使兩個(gè)類別間有最大間隔,實(shí)現(xiàn)兩類樣本的分離,具有良好的魯棒性,故本文使用SVM 分類器來實(shí)現(xiàn)ADHD 患兒與正常對(duì)照組的識(shí)別。

      2 實(shí)驗(yàn)結(jié)果與分析

      2.1 實(shí)驗(yàn)數(shù)據(jù)

      本實(shí)驗(yàn)病理語(yǔ)音數(shù)據(jù)來自四川大學(xué)華西心理衛(wèi)生中心,華西生理衛(wèi)生中心具有權(quán)威的ADHD 診斷治療專家,對(duì)ADHD 患者的治療在我國(guó)西南地區(qū)處于領(lǐng)先地位。本文共采集54 位兒童語(yǔ)音樣本,每人3 段不同的語(yǔ)音,采樣頻率為44 100 Hz。采集語(yǔ)音時(shí)受試者均在安靜無外部干擾的環(huán)境中,且所有采集語(yǔ)音數(shù)據(jù)的兒童年齡在6~10 歲,無任何軀體疾病,智力正常。

      54 位兒童中有17 位正常兒童和37 位確診為ADHD 的患兒,37 位確診ADHD 患兒中包含21 位服用多動(dòng)癥藥物進(jìn)行治療和16 位未開始服用多動(dòng)癥藥物的兒童。所有ADHD 患兒的診斷均是根據(jù)國(guó)際通用的DSM-V 精神疾病診斷標(biāo)準(zhǔn),結(jié)合患者病史、軀體和神經(jīng)檢查、精神檢查、輔助檢查給予診斷。

      為探究本文提取語(yǔ)音停頓度和倍頻率平坦度特征在識(shí)別不同兒童中的作用,將收集的54 位兒童語(yǔ)音樣本分為4 個(gè)子數(shù)據(jù)集,每個(gè)子數(shù)據(jù)集具體數(shù)據(jù)如表1 所示,其中NM 為正常對(duì)照組、NADHD 為未接受藥物治療的ADHD 患兒、RADHD 為接受藥物治療的ADHD 患兒。

      表1 ADHD患者與正常對(duì)照組的語(yǔ)音樣本子數(shù)據(jù)集Tab.1 Speech sample sub datasets of ADHD patients and normal controls

      2.2 基于語(yǔ)音停頓度與倍頻率平坦度的ADHD 自動(dòng)識(shí)別結(jié)果與分析

      ADHD 患兒的核心癥狀之一是注意缺陷,執(zhí)行功能研究發(fā)現(xiàn)ADHD 患兒任務(wù)轉(zhuǎn)換能力、抑制功能等異常[26],其中任務(wù)轉(zhuǎn)換功能異常是ADHD 患兒在文字間轉(zhuǎn)換有卡頓情況,進(jìn)而閱讀時(shí)語(yǔ)音出現(xiàn)異常的停頓,提取語(yǔ)音停頓度表征語(yǔ)音異常停頓;抑制功能異常指ADHD 患兒腦中文字表達(dá)過程受到抑制作用,故其說話時(shí)語(yǔ)音頻率變化異于正常兒童,提取倍頻率平坦度表征語(yǔ)音頻率變化異常。兩個(gè)特征結(jié)合表示ADHD 患兒的注意缺陷癥狀,實(shí)現(xiàn)ADHD 患兒與正常對(duì)照組兒童區(qū)分。

      本文將提取的語(yǔ)音停頓度和倍頻率平坦度特征,融合輸入SVM 分類器,實(shí)現(xiàn)ADHD 的自動(dòng)檢測(cè)。SVM 分類器基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理,理論基礎(chǔ)完善,可以在較高維度的空間中構(gòu)造最優(yōu)分割超平面,使兩類樣本的分類誤差最小,且小樣本下SVM 分類器具有泛化能力強(qiáng)和識(shí)別性能高的優(yōu)勢(shì),被廣泛地應(yīng)用于病理語(yǔ)音的二分類識(shí)別中[27-29]。本實(shí)驗(yàn)樣本數(shù)量屬于小樣本的范疇,故本文使用SVM 分類器實(shí)現(xiàn)ADHD 的自動(dòng)檢測(cè)。實(shí)驗(yàn)中還采用交叉驗(yàn)證法尋找高斯核函數(shù)的最佳參數(shù),保證分類模型的穩(wěn)定和實(shí)驗(yàn)結(jié)果的準(zhǔn)確。在4 個(gè)子數(shù)據(jù)集上實(shí)現(xiàn)不同類別兒童的自動(dòng)識(shí)別,實(shí)驗(yàn)檢測(cè)結(jié)果均是與臨床醫(yī)生診斷的金標(biāo)準(zhǔn)對(duì)比?;谡Z(yǔ)音信號(hào)處理技術(shù)檢測(cè)精神疾病時(shí),檢測(cè)結(jié)果均是在臨床醫(yī)生診斷的金標(biāo)準(zhǔn)下驗(yàn)證[30-38],在醫(yī)學(xué)與工程結(jié)合的領(lǐng)域中,常采用與醫(yī)生注釋結(jié)果對(duì)比對(duì)算法進(jìn)行評(píng)價(jià),因此本文與華西心理衛(wèi)生專業(yè)醫(yī)生的金標(biāo)準(zhǔn)進(jìn)行對(duì)比,使用正確率、特異性和靈敏度參數(shù)評(píng)估自動(dòng)檢測(cè)算法的性能,具體識(shí)別結(jié)果如表2 所示。

      表2 本文算法的ADHD自動(dòng)檢測(cè)結(jié)果 單位:%Tab.2 ADHD automatic detection results of the proposed algorithm unit:%

      由表2 實(shí)驗(yàn)結(jié)果可以看到,本文提出的自動(dòng)檢測(cè)算法在子據(jù)集1 上正常兒童和未接受藥物治療的ADHD 患兒的識(shí)別正確率為91.38%,在子數(shù)據(jù)集2 上正常兒童和接受藥物治療的ADHD 患兒的識(shí)別正確率為74.70%,在子數(shù)據(jù)集3上未接受藥物治療的ADHD 患兒和接受藥物治療的ADHD患兒的識(shí)別正確率為90.90%,在子數(shù)據(jù)集4 上正常兒童和所有ADHD 患兒的識(shí)別正確率為80.41%。

      臨床上確診多動(dòng)癥的兒童在閱讀陌生的課外文本時(shí),往往比正常兒童出現(xiàn)更多的語(yǔ)音異常,但是已經(jīng)服藥的多動(dòng)癥兒童閱讀水平好轉(zhuǎn)率可達(dá)70%,雖不能達(dá)到正常兒童的水平,但是明顯優(yōu)于自己未服藥的狀態(tài)。在數(shù)據(jù)集3 上,接受藥物治療的ADHD 患兒與未接受藥物的ADHD 患兒之間識(shí)別正確率高達(dá)90.90%,表明接受治療后ADHD 患兒語(yǔ)音停頓度特征和平坦度特征與未接受治療的ADHD 患兒間差異增大,兩類別間距增大,能構(gòu)建出最優(yōu)超平面將兩者區(qū)分。

      由表2 結(jié)果分析可知,本文提出的自動(dòng)檢測(cè)算法對(duì)正常兒童與未接受藥物治療的ADHD 患兒識(shí)別正確率最高為91.38%,這表明本文的自動(dòng)檢測(cè)算法提取的語(yǔ)音停頓度和平坦度特征能表征ADHD 患兒的臨床注意力分散和語(yǔ)音功能受到抑制的臨床癥狀;對(duì)正常兒童與接受藥物治療的患兒識(shí)別正確率最低為74.70%,這是因?yàn)锳DHD 患兒接受治療后臨床癥狀得到改善,由臨床癥狀導(dǎo)致的語(yǔ)音異?,F(xiàn)象就會(huì)得到緩解;語(yǔ)音異常停頓減少,停頓度特征空間中兩者間距變小,語(yǔ)音頻率變化差異減弱,平坦度特征空間間距也有所減小,故兩者區(qū)分效果變差。這與臨床上正常兒童與接受藥物治療的ADHD 患兒語(yǔ)音異常差異性大,而當(dāng)ADHD 患兒接受治療后語(yǔ)音差異性就會(huì)減小相一致。

      2.2.1 基于停頓度特征的ADHD自動(dòng)識(shí)別算法結(jié)果與分析

      ADHD 患兒注意集中任務(wù)執(zhí)行網(wǎng)絡(luò)中的多巴胺能神經(jīng)元功能低下[39],不能集中注意力在閱讀的文本上,ADHD 患兒閱讀時(shí)語(yǔ)音出現(xiàn)異于正常兒童的停頓特征,本文提取停頓度表征ADHD 患兒語(yǔ)音的異常停頓。

      停頓度特征包含最大停頓時(shí)長(zhǎng)特征、平均停頓時(shí)長(zhǎng)特征和停頓時(shí)間占比特征。圖5 是提出的停頓度聲學(xué)特征箱線圖,圖中NM、NADHD、RADHD 分別代表正常兒童、未接受藥物治療的ADHD 患兒和經(jīng)接受藥物治療的ADHD 患兒。

      圖5 語(yǔ)音停頓度特征箱線圖Fig.5 Box plots of speech pause features

      ADHD 患兒在認(rèn)知轉(zhuǎn)換任務(wù)中左側(cè)額下回、雙側(cè)前腦島、殼核和蒼白球的激活降低,ADHD 患兒往往會(huì)在一個(gè)任務(wù)上卡住,無法轉(zhuǎn)移到下一個(gè)任務(wù),出現(xiàn)較長(zhǎng)時(shí)間的停頓,如圖5(a)所示,未接受藥物治療的ADHD 患兒最大停頓時(shí)長(zhǎng)特征的整體分布都高于正常兒童和已經(jīng)接受藥物治療的ADHD 患兒;ADHD 患兒注意缺乏持久性容易分心,出現(xiàn)多次停頓,停頓次數(shù)增加平均停頓時(shí)長(zhǎng)就越長(zhǎng),如圖5(b)所示,未接受藥物治療的ADHD 患兒的平均停頓時(shí)長(zhǎng)特征均值大于正常兒童和已經(jīng)接受藥物治療的ADHD 患兒;停頓時(shí)間占比與停頓次數(shù)和最大停頓時(shí)長(zhǎng)呈正相關(guān)性,故停頓時(shí)間占比特征會(huì)隨著前兩個(gè)特征的增大而增加,如圖5(c)所示,未接受藥物治療的ADHD 患兒停頓時(shí)間占比特征的均值和整體分布都高于另外兩類兒童。

      基于語(yǔ)音停頓度特征的ADHD 自動(dòng)識(shí)別結(jié)果如表2 所示。從表2 可以看到,停頓度特征在數(shù)據(jù)集1 正常兒童與未接受藥物治療的ADHD 患兒間識(shí)別正確率高達(dá)92.76%,表明本文提取停頓特征可以表征ADHD 患兒在任務(wù)轉(zhuǎn)換過程中出現(xiàn)的停頓,實(shí)現(xiàn)ADHD 患兒臨床癥狀的檢測(cè),進(jìn)而將其與正常對(duì)照組兒童區(qū)分;在數(shù)據(jù)集2 正常兒童與接受藥物治療的ADHD 患兒間識(shí)別正確率僅為56.36%,這是因?yàn)樗幬镏委熀驛DHD 患兒閱讀注意力能夠集中在閱讀文本上,因注意力分散出現(xiàn)的停頓次數(shù)就會(huì)減少,平均停頓時(shí)長(zhǎng)Vt和停頓時(shí)間占比Rt的值都會(huì)減?。婚喿x時(shí)語(yǔ)句間的連接轉(zhuǎn)換速度加快,因轉(zhuǎn)換停滯出現(xiàn)的最大停頓時(shí)長(zhǎng)Lt的值就會(huì)減小,ADHD 患者與正常對(duì)照組兒童間在停頓特征T空間中間距減小,難以實(shí)現(xiàn)有效分割,與臨床上接受藥物治療后ADHD患兒閱讀語(yǔ)音停頓異常減弱相一致。

      2.2.2 基于平坦度特征的ADHD自動(dòng)識(shí)別算法結(jié)果與分析

      ADHD 患兒操作任務(wù)執(zhí)行網(wǎng)絡(luò)中大腦的前額葉皮質(zhì)、前扣帶皮質(zhì)、頂顳聯(lián)合區(qū)、海馬等神經(jīng)纖維出現(xiàn)突變或損傷[40],語(yǔ)音執(zhí)行功能受到抑制,語(yǔ)音頻率變化異于正常兒童,本文提取倍頻率平坦度表征ADHD 患兒的頻率變化異常。

      平坦度特征包含倍頻率標(biāo)準(zhǔn)差特征、倍頻率離散系數(shù)特征和倍頻率峰度特征,圖6 是提出的平坦度聲學(xué)特征箱線圖。

      ADHD 患兒語(yǔ)音加工能力受損,其語(yǔ)音倍頻率均值小于正常對(duì)照組兒童,故其倍頻率標(biāo)準(zhǔn)差值和與標(biāo)準(zhǔn)差呈負(fù)相關(guān)性的倍頻率離散系數(shù)值則大于正常兒童和已經(jīng)接受藥物治療的ADHD 患兒,如圖6(a)和6(b)中所示;ADHD 患兒伴隨有發(fā)育性語(yǔ)言障礙,倍頻率的峰值處平均變化率小于正常對(duì)照組兒童,故其倍頻率峰度值整體高度和均值都要低于正常兒童和已經(jīng)接受藥物治療的ADHD 患兒,如圖6(c)中所示。

      圖6 倍頻率平坦度特征箱線圖Fig.6 Box plots of multi-frequency flatness features

      基于語(yǔ)音倍頻率平坦度特征的ADHD 自動(dòng)識(shí)別結(jié)果如表2 所示。從表2 可以看出,平坦度特征在數(shù)據(jù)集1 正常兒童與未接受藥物治療的ADHD 患兒間識(shí)別正確率為90.69%,表明本文提取的倍頻率平坦度特征能表征ADHD患兒因語(yǔ)音加工能力受到抑制而出現(xiàn)的語(yǔ)音頻率變化異常的特點(diǎn),實(shí)現(xiàn)ADHD 患兒語(yǔ)音回路異常的檢測(cè),進(jìn)而區(qū)分ADHD 患兒與正常對(duì)照組兒童;平坦度特征在數(shù)據(jù)集2 正常兒童與接受藥物治療的ADHD 患兒間識(shí)別正確率優(yōu)于停頓度特征在數(shù)據(jù)集2 上的識(shí)別效果,識(shí)別正確率達(dá)到81.82%,這是因?yàn)楸緦?shí)驗(yàn)采集數(shù)據(jù)的ADHD 患兒接受藥物時(shí)間短,臨床上ADHD 患者接受治療后短時(shí)間內(nèi)注意力不集中癥狀就能得到改善,注意力分散的停頓情況就會(huì)減少,停頓特征識(shí)別接受藥物治療后的兒童效果就差,而加工能力受損需要更長(zhǎng)的時(shí)間才能改善,故ADHD 語(yǔ)音倍頻率的均值Fˉ0依然小于正常對(duì)照組兒童,語(yǔ)音倍頻率標(biāo)準(zhǔn)差μF和倍頻率離散系數(shù)CF與Fˉ0呈負(fù)相關(guān)性依舊大于正常兒童,倍頻率峰度kF與Fˉ0呈正相關(guān)性故弱于正常對(duì)照組兒童,在平坦度特征F空間中兩者間距有所減少,因接受治療時(shí)間段,語(yǔ)音加工抑制緩解程度小,平坦度特征F空間中間距減少的量就小,故表征頻率變化異常的平坦度特征仍然能識(shí)別ADHD 患兒,這與臨床上語(yǔ)音加工過程受到抑制需要長(zhǎng)期治療相一致。

      2.3 語(yǔ)音信號(hào)處理技術(shù)在精神疾病自動(dòng)檢測(cè)中的應(yīng)用

      精神疾病是指在生物、心理和生活環(huán)境等因素作用下,患者的大腦功能出現(xiàn)失調(diào),導(dǎo)致其認(rèn)知、情感和行為等方面出現(xiàn)顯著且持久的精神異常,臨床表現(xiàn)特點(diǎn)是精神活動(dòng)的完整性和統(tǒng)一性受到破壞。語(yǔ)音產(chǎn)生機(jī)理是說話者大腦形成、組織語(yǔ)言,然后發(fā)生指令到語(yǔ)音運(yùn)動(dòng)中樞,發(fā)音器官接收中樞指令通過一系列肌肉協(xié)調(diào)作用產(chǎn)生語(yǔ)音。語(yǔ)音產(chǎn)生包括大腦認(rèn)知、注意、記憶、情感等精神認(rèn)知活動(dòng),而精神疾病患者的精神活動(dòng)受到破壞,故其語(yǔ)音模式和正常人之間有差異,研究表明聲語(yǔ)音可以作為精神疾病的輔助診斷指標(biāo)[16]。

      隨著語(yǔ)音信號(hào)處理技術(shù)的發(fā)展,語(yǔ)音信號(hào)處理技術(shù)越來越多地被應(yīng)用于各類精神類疾病的檢測(cè):1)基于語(yǔ)音信號(hào)處理技術(shù)的阿爾茲海默癥自動(dòng)檢測(cè)。阿爾茲海默癥患者隨著癥狀加深會(huì)逐漸喪失語(yǔ)言能力,會(huì)出現(xiàn)語(yǔ)音遲緩和詞不達(dá)意的情況,近年來,許多研究人員使用語(yǔ)言信號(hào)處理技術(shù)提取患者的語(yǔ)音停頓特征[32-34]、頻譜特征[35-36]和語(yǔ)義特征[37],結(jié)合機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)分類器[32-37],實(shí)現(xiàn)阿爾茲海默癥的自動(dòng)檢測(cè)。2)基于語(yǔ)音信號(hào)處理技術(shù)的抑郁癥自動(dòng)檢測(cè)。抑郁癥患者神經(jīng)生理和神經(jīng)認(rèn)知發(fā)生改變,反映在日常交流中語(yǔ)音語(yǔ)速和包含情感與正常人不同,研究人員通過語(yǔ)音處理技術(shù)提取患者語(yǔ)音韻律特征[38-40]和語(yǔ)音情感特征[41-43],實(shí)現(xiàn)抑郁癥的自動(dòng)檢測(cè)[37-43]和分析抑郁癥患者的嚴(yán)重程度[38-39]。3)基于語(yǔ)音信號(hào)處理技術(shù)的精神分裂癥自動(dòng)檢測(cè)。語(yǔ)音異常是精神分裂癥譜系障礙的核心癥狀之一,語(yǔ)音信號(hào)處理技術(shù)能實(shí)現(xiàn)語(yǔ)音異常的檢測(cè),故研究人員通過提取精神分裂癥患者的語(yǔ)音停頓特征[44-47]、能量特征[44-45]和基頻特征[47-49]等聲學(xué)特征來揭示精神分裂癥患者語(yǔ)音與正常人語(yǔ)音的異常之處,實(shí)現(xiàn)精神分裂癥的自動(dòng)檢測(cè)。

      語(yǔ)音信號(hào)處理技術(shù)發(fā)展越來越完善,該技術(shù)在檢測(cè)精神類疾病時(shí)有無痛、無創(chuàng)、無副作用和經(jīng)濟(jì)便捷的巨大優(yōu)勢(shì),很多研究人員將語(yǔ)音信號(hào)處理技術(shù)應(yīng)用于各類精神類疾病的檢測(cè)中,為臨床醫(yī)生的診斷精神類疾病提供輔助依據(jù)。

      2.4 本文提取語(yǔ)音特征參數(shù)的顯著性分析

      ADHD 是青少年人群中常見的精神類疾病之一,臨床診斷標(biāo)準(zhǔn)多用DSM-V 國(guó)際通用精神疾病診斷標(biāo)準(zhǔn)。ADHD 患者有注意力不集中和執(zhí)行功能抑制等臨床癥狀,導(dǎo)致ADHD患者在說話期間語(yǔ)音不流暢,音調(diào)抑揚(yáng)頓挫變化小。Breznitz[50]通過頻率檢查、語(yǔ)音單元持續(xù)時(shí)間以及語(yǔ)音單元中發(fā)聲和停頓之間相關(guān)性來檢測(cè)ADHD 患者語(yǔ)音模式,證明語(yǔ)音指標(biāo)可以作為ADHD 診斷提供客觀輔助指標(biāo);Barona-Lleo 等[51]在語(yǔ)音實(shí)驗(yàn)室記錄和分析ADHD 患兒和正常對(duì)照組口內(nèi)壓力、經(jīng)聲門氣流和電子聲門圖,分析表明ADHD 患兒聲門壓力較高、經(jīng)聲門氣流低和聲帶行為功能亢進(jìn),ADHD 語(yǔ)音特征可以為醫(yī)生診斷提供客觀輔助依據(jù)。

      為驗(yàn)證本文提取的語(yǔ)音特征在正常兒童和ADHD 患兒間是否具有顯著性差異,利用t 檢驗(yàn)方法,對(duì)正常對(duì)照組以及ADHD 的語(yǔ)音特征進(jìn)行顯著性分析,分析結(jié)果如表3 所示。

      表3 顯著性分析Tab.3 Significance analysis

      由表3 結(jié)果知,各個(gè)語(yǔ)音特征的顯著性水平p 值均小于0.05,即本文提取的語(yǔ)音特征在正常兒童和ADHD 患兒間存在顯著性差異。

      2.5 本文提出特征與現(xiàn)有病理語(yǔ)音識(shí)別特征對(duì)比實(shí)驗(yàn)

      目前國(guó)內(nèi)外精神疾病研究常用的語(yǔ)音聲學(xué)特征有短時(shí)能 量[44-45]、梅爾頻率 倒譜系數(shù)(Mel Frequency Cepstrum Coefficient,MFCC)[41-43]、共振峰[35-36]及基頻特征[47-49]等,為驗(yàn)證本文提取的語(yǔ)音特征能表征ADHD 患兒的臨床語(yǔ)音特點(diǎn),將本文提取的停頓度和平坦度聲學(xué)特征與現(xiàn)有的病理語(yǔ)音識(shí)別特征進(jìn)行對(duì)比分析。對(duì)比實(shí)驗(yàn)在數(shù)據(jù)集1 上進(jìn)行,識(shí)別正常兒童與未接受藥物治療的ADHD 兒童,具體對(duì)比實(shí)驗(yàn)識(shí)別結(jié)果如表4 所示。

      表4 本文提取特征與傳統(tǒng)病理語(yǔ)音特征自動(dòng)檢測(cè)ADHD的識(shí)別結(jié)果 單位:%Tab.4 Recognition results of ADHD automatic detection of features extracted in this paper and traditional pathological voice features unit:%

      由表4 數(shù)據(jù)可知,現(xiàn)有病理語(yǔ)音檢測(cè)ADHD 的識(shí)別正確率為62.50%~82.76%。短時(shí)能量特征表征語(yǔ)音能量變化,對(duì)能量變化異常的病理語(yǔ)音信號(hào)檢測(cè)效果好,ADHD 患者語(yǔ)音加工抑制能量有所減少,但能量因人而異不是ADHD 顯著特征;MFCC 特征與語(yǔ)音情感變化相關(guān),本實(shí)驗(yàn)中患兒語(yǔ)音采集均值家長(zhǎng)及專業(yè)醫(yī)生的陪同下,情感變化的差異性不大;共振峰特征可以表現(xiàn)語(yǔ)音聲調(diào)的變化,但是單獨(dú)的共振峰特征音調(diào)識(shí)別率低[40],不能表征ADHD 患者的音調(diào)變化;基頻特征識(shí)別正確率是現(xiàn)有病理語(yǔ)音特征中最高的,在一定程度上可以表征ADHD 患者語(yǔ)音音調(diào)變化。本文提出的停頓度和平坦度特征基于ADHD 患者的臨床癥狀,能表征ADHD 獨(dú)有的語(yǔ)音特點(diǎn),更好地識(shí)別ADHD 患者。

      3 結(jié)語(yǔ)

      ADHD 是兒童和青少年階段常見的精神類疾病,臨床診斷時(shí)依賴醫(yī)生與患者的交流過程中的主觀評(píng)估.本文提出基于語(yǔ)音停頓度和音調(diào)平坦度的ADHD 的自動(dòng)識(shí)別算法,為醫(yī)生臨床診斷提供客觀的輔助依據(jù)。該算法基于ADHD 語(yǔ)音停頓特點(diǎn),提出頻帶差能熵積參數(shù),提取語(yǔ)音停頓度特征;基于語(yǔ)音頻率變化,提出變換平均幅度平方差參數(shù),提取倍頻率平坦度特征,將融合后的特征輸入SVM 分類器實(shí)現(xiàn)ADHD 患兒的自動(dòng)識(shí)別,得到91.38%的識(shí)別正確率。本文還進(jìn)一步討論語(yǔ)音停頓度和倍頻率平坦度特征單獨(dú)識(shí)別ADHD 的作用,兩個(gè)特征在識(shí)別未接受藥物治療的ADHD 患兒與正常對(duì)照組識(shí)別正確率分別為92.76%和90.69%。

      本文提出的頻帶差能熵積參數(shù)和倍頻率參數(shù),實(shí)現(xiàn)了ADHD 患兒語(yǔ)音停頓和音調(diào)變化特征的提取,有助于ADHD患兒的輔助診斷識(shí)別;但是ADHD 成因不明、臨床癥狀復(fù)雜且部分患兒成年后依舊存在一些癥狀,僅靠語(yǔ)音停頓和音調(diào)變化分析相對(duì)片面,不足以涵蓋AHDH 所有臨床癥狀。在以后的研究中,可找尋其余臨床特征和成人患者語(yǔ)音特征的表征參數(shù),更全面地分析ADHD 患者的語(yǔ)音特點(diǎn),提取更多的語(yǔ)音特征,使語(yǔ)音在ADHD 患者中發(fā)揮更大的作用,為臨床醫(yī)生提供更多的客觀輔助依據(jù)。

      猜你喜歡
      自動(dòng)檢測(cè)正確率語(yǔ)音
      門診分診服務(wù)態(tài)度與正確率對(duì)護(hù)患關(guān)系的影響
      魔力語(yǔ)音
      基于MATLAB的語(yǔ)音信號(hào)處理
      電子制作(2019年14期)2019-08-20 05:43:38
      基于MQ3與MP3的價(jià)廉物美的酒駕語(yǔ)音提醒器
      電子制作(2019年9期)2019-05-30 09:42:10
      對(duì)方正在輸入……
      小說界(2018年5期)2018-11-26 12:43:42
      基于STM32的室內(nèi)有害氣體自動(dòng)檢測(cè)與排風(fēng)系統(tǒng)
      電子制作(2018年19期)2018-11-14 02:36:50
      光電傳感器在自動(dòng)檢測(cè)和分揀中的應(yīng)用
      電子制作(2018年9期)2018-08-04 03:30:58
      基于TestStand的自動(dòng)檢測(cè)程序開發(fā)
      生意
      品管圈活動(dòng)在提高介入手術(shù)安全核查正確率中的應(yīng)用
      长海县| 日喀则市| 文水县| 桃源县| 铜鼓县| 巨鹿县| 阿拉善左旗| 南溪县| 平定县| 新昌县| 玉山县| 新郑市| 上饶县| 潜山县| 巴林右旗| 文水县| 石屏县| 南和县| 化州市| 武陟县| 东山县| 齐齐哈尔市| 锡林郭勒盟| 曲靖市| 贞丰县| 云南省| 千阳县| 隆德县| 图木舒克市| 理塘县| 河源市| 固阳县| 万宁市| 潼关县| 汉川市| 四平市| 静宁县| 颍上县| 仪陇县| 铜鼓县| 敦化市|