عنوان پایان‌نامه
مدلسازی وتحلیل ارتعاشات تارهای صوتی
- رشته تحصیلی
- مهندسی مکانیک طراحی کاربردی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1326;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37062
- تاریخ دفاع
- ۱۳ اسفند ۱۳۸۶
- دانشجو
- حسین خدیوی هریس
- چکیده
- دراین تحقیق دستگاه تولید صوت از لحاظ رفتار دینامیکی غیرخطی مورد تجزیه و تحلیل قرار گرفته است. قضایا و مفاهیم دینامیک غیرخطی و آشوب به عنوان ابزارهای تحلیلی در دو بخش متفاوت استفاده شده است. ابتدا یک مدل غیرخطی از دستگاه تولید صوت ارائه می شود. این مدل توانائی نشان دادن رفتارهای غیرخطی صوت همچون دو شاخگی هپف را بخوبی داراست. این دو شاخگی که خود عامل اساسی شکل گیری صوت است به صورت مشخص در اثر تغییر پارامترهای موثر بر رفتار دینامیکی سیستم ایجاد می گردد. مهمترین پارامتر موثر در تغییر رفتار سیستم، پیش فشار مجرای حنجره می باشد که با افزایش مقدار خود تا یک مقدار حدی باعث تغییر وضعیت حالت سیستم از تعادل پایدار به یک چرخه ی حدی می شود. به صورت مشابه، با کاهش ناگهانی مقدار پیش فشار تا یک مقدار حدی دیگر که کمتراز فشار لازم برای تولید صوت می باشد این چرخه ی حدی ناپایدار شده وبه حالت تعادل پایدار خود جذب می شود. علاوه بر دوشاخگی هپف، دو شاخگی های دیگری نیز در سیستم صوتی انسان پدید می آید. دو شاخگی هپف ثانویه یکی دیگر ازپدیده های غیر خطی است که در سیستم صوتی افراد بیمار مشاهده می شود این دو شاخگی در اثر ارتعاش ناهماهنگ تارهای صوتی چپ و راست صورت می پذیرد. با تغییر پارامترتقارن در مدل ارائه شده وجود تورس در صوت نشان داده شده است. تغییر رفتار سیستم نامتقارن و شکل گیری بی نظمی در سیستم صوتی بوسیله ی مفاهیمی از تئوری آنالیز غیرخطی مورد بررسی قرار گرفته است. مفاهیمی چون آنتروپی تقریبی و بعد همبستگی برای اندازه گیری و مقایسه ی نظم و پیچیدگی در مدل استفاده شده است. این پارامتر ها می توانند تغییر میزان پیچیدگی رفتار مدل در سیستم صوتی افراد و توانائی تمایز بین افراد سالم و بیمار را نشان دهند. در بخش دیگر این تحقیق ازنتایج بخش اول در کاربردهای کلینیکی استفاده شده است. از آنجا که سیگنال صوتی ترکیبی از سیگنال اولیه تولید شده در حنجره و فیلتر شدن آن در مجاری صوتی است، می تواند حاوی اطلاعات خوبی از رفتار تارهای صوتی در حنجره باشد. تغییر فیزیولوژیکی در حنجره که منجر به تغییر پارامترهای سیستم صوتی می شود در شکل گیری بیماری های صوتی موثرترین عامل می باشد. ارتباط مستقیم بین مدل و سیگنال صوتی عامل اساسی استفاده از آنالیز غیرخطی برای تحلیل بیماری های صوتی می باشد. در بخش دوم تحقیق با استفاده از سیگنال صوتی روش غیر مخربی برای تشخیص بیماری های صوتی از روی سیگنال مربوطه و استفاده از پارامترهای خطی و غیرخطی ارائه شده است. نتایج بیانگر توانائی ولزوم استفاده از پارامترهای غیرخطی درتشخیص های کلینیکی می باشد.
- Abstract
- This work investigates nonlinearity in voice production system using nonlinear modeling. Moreover, nonlinear analysis of voice signals has been used to analyze and classify vocal fold disorders. Firstly, a nonlinear model of vocal fold osscilation has been presented. Hopf bifurcation and stable limit cycle have been analyzed in the phase plane. Having changed the parameters of the model, an analysis of the dynamics of a bidimensional asymmetric oscillator has been presented, which has been proposed as a nonlinear model for the unilateral vocal fold paralysis (UVFP). This model provided an effective description of irregular vibrations of asymmetric vocal fold. Correlation dimension and approximate entropy were used to describe chaotic vibrations in the vocal fold model. The existence of biphonation in asymmetric model has been investigated using continuous wavelet transform. Moreover, the results were evaluated using experimental data. Having shown the ability of parameters from chaos theory to assess the disorder in voice production system, nonlinear parameters have been used to analyze voice signlas. First part of the third chapter suggests a way to investigate pathological voice signals from nonlinear time series analysis for clinical applications. Primarily, self similar characteristics of vocal signals have been obtained by means of a discrete wavelet analysis. Moreover, the approximate entropy of the signals has been calculated as tools for classification. Furthermore, fuzzy c-means clustering has been employed for voice signal classification. Fuzzy membership function has been proposed as a way of quantifying the amount of disorder. The results show that proposed feature vector and classification method are reliable for voice signal analysis and disorder measurement. Second part of the third chapter explores the use of hierarchical structure for diagnosis of vocal fold disorders. The hierarchical structure is initially used to train different second-level classifiers. In the hierarchical case, a model is learned to distinguish a second-level category from other categories within the same top level. We have used support vector machine (SVM) classifiers, which have been shown to be efficient and effective for pathological voice signal classification, but not previously explored in the context of hierarchical classification. At the first level normal and pathological signals have been distinguished. Next, Pathological signals have been classified into neurogenic and organic vocal fold disorders. At the final level, vocal fold nodules have been distinguished from polyps in organic disorders category. For feature selection at each level of hierarchy, the reconstructed signal at each wavelet packet decomposition sub-band in 5 levels of decomposition with mother wavelet of (db10) is used to extract the nonlinear features of self-similarity and approximate entropy. Also, wavelet packet coefficients are used to measure energy and Shannon entropy features at different spectral sub-bands. Davies-Bouldin criterion has been employed to find the most discriminant features. Finally, support vector machines have been adopted as classifiers at each level of hierarchy resulting in the diagnosis accuracy of 92%.
