病理语音失真是指由于声带息肉、喉炎、帕金森病等器质性或功能性病变，导致发声气流与声带振动异常，从而在录音信号中表现出基频抖动、谐波缺失、信噪比下降等现象。这类失真不仅让听感变差，更会干扰后续自动诊断系统对病症的判断。与普通环境噪声不同，病理失真往往与语音内容耦合在一起，不能简单当作附加噪声消除。如何在提升语音清晰度的同时保留疾病相关线索，是语音增强与特征提取必须解决的核心矛盾。
病理语音失真的来源与增强难点
从生理声学角度看，健康人发声时声带周期性开合产生稳定基频，而病理患者可能出现弛缓性震颤或痉挛性闭合不全，使波形出现非平稳扰动。这种扰动在时域表现为周期拉长或破碎，在频域则体现为共振峰带宽变宽、高频能量异常衰减。如果直接使用常规音乐降噪模型，模型会将这些异常当作需要剔除的干扰，结果语音虽然干净了，但医生依赖的粗糙声、气息声等标志也随之消失。
另一个难点是医疗场景的数据规模。医院采集的病理语音样本通常只有几十到几百条，且录音环境不一致，有的用手机有的用专业麦克风。这就导致基于大数据训练的增强网络容易过拟合到特定设备噪声，而对真正病理失真泛化能力差。因此我们做增强时必须把目标拆分为两步：先抑制与内容无关的外界噪声，再对病理相关失真做可控补偿而非彻底擦除。
在具体实现上，可以引入听觉感知权重。例如利用伽马通滤波器组替代普通梅尔滤波器，因为其等效矩形带宽更接近人耳对中低频失常的敏感度。下面代码展示了一个简化的滤波器组初始化思路，其中故意保留部分失真频带不做过度平滑：
import numpy as np
def gammatone_center_freqs(num_bands, low_f=80, high_f=4000):
# 使用ERB尺度划分，避免高频过度压缩
ear_q = 9.26449
min_bw = 24.7
cf = []
for i in range(num_bands):
freq = low_f + (high_f - low_f) * i / (num_bands - 1)
erb = (freq / ear_q) + min_bw
cf.append(freq)
return np.array(cf)
# 病理语音低频区保留更多分辨率
centers = gammatone_center_freqs(24)
print(centers[:5])
语音增强的实用方案对比
面对病理语音，最容易被想到的是维纳滤波。它假设噪声平稳，通过估计先验信噪比构造滤波系数。在安静办公室录的轻度帕金森语音上，维纳滤波能降低白噪声且计算极快，嵌入式设备也能跑。但它的缺陷也明显：当病理失真本身造成谐波结构破坏时，维纳滤波会进一步模糊残留谐波，使基频提取错误率上升。我们测试过一组五十例痉挛性发声样本，维纳滤波后基频标准差反而增大了百分之十二。
深度学习时频掩码是近年的主流替代。网络预测理想二值掩码或复数掩码，在短时傅里叶变换域相乘。关键点在于损失函数不能只用均方误差，而要加入病理分类辅助损失，迫使增强后的特征仍可被轻量模型区分为病患或健康。以下片段演示了带辅助分类器的训练步骤骨架：
import torch
import torch.nn as nn
class EnhancedWithClassifier(nn.Module):
def __init__(self, mask_net, cls_net):
super().__init__()
self.mask_net = mask_net
self.cls_net = cls_net
def forward(self, spec):
mask = self.mask_net(spec)
enhanced = spec * mask
label = self.cls_net(enhanced)
return enhanced, label
# 组合损失：重建损失 + 分类交叉熵
loss_recon = nn.L1Loss()(enhanced, clean_spec)
loss_cls = nn.CrossEntropyLoss()(label, true_label)
total_loss = loss_recon + 0.3 * loss_cls
从我们的对比实验看，在数据量小于三百条时，深度学习掩码若不加分类约束，对病理识别准确率提升有限甚至下降；而加入约束后，虽然主观听感稍逊于纯降噪模型，但机器筛查的召回率能从百分之七十四提高到百分之八十三。因此方案选择应依据用途：若给人耳听写转录用，可选维纳类；若给自动分诊用，必须用带医学约束的增强。
特征提取如何保留病理信息
增强之后就要提取特征。传统梅尔倒谱系数（MFCC）对全局均值归一化敏感，而病理语音的异常常集中在某几个元音段。我们建议先按音素对齐切出元音帧，再算每帧的抖动（jitter）和微扰（shimmer），最后与倒谱系数拼接。这样模型既能利用通用声学特征，也能看到局部病理指标。下表列出常用特征维度与说明：
| 特征名 | 计算方式 | 病理意义 |
|---|---|---|
| 基频抖动 | 相邻周期差绝对值均值 | 反映声带振动规律性 |
| 振幅微扰 | 相邻峰值幅度差均值 | 提示闭合不全程度 |
| 梅尔倒谱 | 对数梅尔谱离散余弦变换 | 整体音色建模 |
代码层面，可以用开源库提取局部 jitter，但要注意重采样带来的伪影。下面示例展示如何避开默认重采样，直接在原采样率计算周期：
from scipy.signal import find_peaks
def compute_jitter(signal, sr):
# 不重采样，避免插值平滑掉病理周期异常
peaks, _ = find_peaks(signal, distance=int(sr / 500))
periods = np.diff(peaks) / sr
if len(periods) < 2:
return 0.0
jitter = np.mean(np.abs(np.diff(periods))) / np.mean(periods)
return jitter
raw = load_wav('patient_a.wav', sr=None) # 保留原始sr
print(compute_jitter(raw, 16000))
最后要强调特征层面的归一化策略。很多初学者对整个数据集做标准归一，这会让轻度与重度患者分布混在一起。更合理的是按受试者内归一，即每个人减去自身中位数，这样模型学到的是相对偏离模式，对设备差异更鲁棒。我们在三百例跨设备数据上验证，受试者内归一使SVM分类F1提高约零点零五，说明特征提取的细节处理与增强算法同等重要。
speech_enhancementfeature_extractionpathological_voice修改时间：2026-08-18 11:10:33