基于运动疲劳下语音参数变化的研究

付建梅，任国凤，张雪英

基于运动疲劳下语音参数变化的研究

付建梅1，任国凤1，张雪英2

（1. 忻州师范学院 电子系，山西 忻州 034000；2. 太原理工大学 信息与计算机学院，山西 太原 030024）

运动疲劳的检测在运动科学界有着非常重要的意义，若没有科学的运动体系作为指导，运动过量对运动员的身体会造成严重伤害．基于语音的运动疲劳程度检测，研究了基于短时平均能量、短时平均幅度函数、短时过零率、短时自相关函数和梅尔倒谱系数５个语音特征参数在运动疲劳下变化的规律．实验结果显示，随着运动疲劳程度的加深，时域和频域语音参数的幅值均呈现不同程度的上升，其中语音信号中短时平均幅度升高得最明显，短时过零率最缓慢．2种不同程度运动之间，短时过零率的增长率最快，短时平均能量的增长率最缓慢．

语音参数；运动疲劳；特征选择；梅尔倒谱系数

运动性疲劳是大家在日常运动训练时都会产生的一种正常机体反应，若没有达到一定疲劳程度运动训练效果不佳[1-2]，而运动过量，对身体有损害．长久以来，运动训练学界中人体运动疲劳产生的机制及其检测和恢复办法，是该领域所关心和研究的重点以及难点[3-4]．因此，本文对不同运动程度下的语音信号的参数变化进行分析研究．

1 运动疲劳语音信号的采集

本设计的受试者为8名在校大学生．其中4名男生，年龄均值+标准差：22+0.72岁；4名女生，年龄均值+标准差：21+1.24岁，被测试者身体状况良好．

设计的运动采用跑步的方式，分别对受试者运动前、运动10 min后和运动30 min后的疲劳程度下进行录音，录音时间为3~5 s，录制的语音信息统一为“健康，平安，幸福”．本设计在Matlab软件平台下进行数据分析处理，提前在格式转换软件下将语音信号转换为WAV格式[5]．

2 语音特征参数的提取与分析

语音信号采集经过加窗分帧的预处理后，提取其特征参数[6-7]．实验选取的时域参数包括短时平均能量、短时平均幅度函数、短时自相关函数和短时平均过零率．频域参数选择了梅尔倒谱参数．

语音信号特征提取的过程见图1．

图1 语音信号的特征提取

2.1 运动疲劳语音信号短时平均能量的提取与分析

语音信号的短时平均能量反映了语音信号的强度，其实现框图见图2．

图2 短时平均能量实现框图

3种疲劳状态下全部8个样本短时平均能量的平均数据见表1．从表1可以看出，随着运动时长的增长，语音信号的短时平均能量也随之增加．相较于运动前，运动10 min后增长了51.6%，运动30 min后增长了60.5%．

图3 样本1的3种运动疲劳下的短时平均能量

注：average是每个运动疲劳状态的短时平均能量的平均值

表1 8个样本3种运动疲劳状态下短时平均能量的平均值

2.2 运动疲劳语音信号短时平均幅度的提取与分析

短时平均幅度的实现框图见图4．

3种疲劳状态下8个样本短时平均幅度的平均数据见表2．从表2可以看出，随着运动时长的增长，语音信号的短时平均幅度也随之增加．相较于运动前，运动10 min后增长了103%，运动30 min后增长了202%．

图4 短时平均幅度的实现框图

表2 8个样本3种运动疲劳状态下短时平均幅度的平均值

2.3 运动疲劳语音信号短时平均过零率的提取与分析

分别提取运动前、运动10 min后及运动30 min后3种运动疲劳下样本的短时过零率（见图5）．图5中的average是每个运动疲劳状态的短时过零率的平均值．

3种疲劳状态下8个样本短时平均过零率的平均数据见表3．从表3中可以看出，随着运动时长的增长，语音信号的短时过零率也随之增加．相较于运动前，运动10 min后增长了14%，运动30 min后增长了30.9%．

图5 样本1的3种运动疲劳状态下的短时过零率

表3 8个样本3种运动疲劳状态下短时平均过零率的平均值

2.4 运动疲劳语音信号短时自相关函数的提取与分析

分别提取运动前、运动10 min后及运动30 min后3种运动疲劳下样本的短时自相关函数，其自相关函数的数值见图6（average是每个运动疲劳状态的短时自相关的平均值）．

3种疲劳状态下8个样本短时自相关的平均数据见表4．从表4中看出，随着运动时长的增长，语音信号的短时自相关函数也随之增加．相较于运动前，运动10 min后增长了34%，运动30 min后增长了77%．

图6 样本1的3种运动疲劳状态下的短时自相关函数

表4 8个样本3种运动疲劳状态下短时自相关函数的平均值

2.5 运动疲劳语音信号MFCC的提取与分析

分别提取运动前、运动10 min后及运动30 min后3种运动疲劳下样本的MFCC见图7（average是每个运动疲劳状态的MFCC平均值）．

3种疲劳状态下全部8个样本MFCC的平均数据见表5．从表5中可以看出，随着运动时间的增加，语音信号的MFCC值也在增加．与运动前相比，运动10 min后MFCC值增加了24.3％，运动30 min后MFCC值增加了35.6％．

图7 样本1的3种运动疲劳状态下的MFCC

表5 8个样本3种运动疲劳状态下MFCC的平均值

3 结果与结论

通过实验运动疲劳后语音的短时平均能量、短时平均幅度函数、短时过零率、短时自相关函数和梅尔倒谱系数增幅见表6．

表6 5种语音参数不同疲劳程度下的增幅 （%）

从表6可以看出，语音信号中短时平均幅度升高的最明显，短时过零率最缓慢．２种不同程度运动之间，短时过零率的增长率最快，短时平均能量的增长率最缓慢．

[1] 任志强．运动疲劳下语音参数变化的研究[D]．苏州：苏州大学，2015

[2] 李响，谭南林，李国正，等．一种应用语音多特征检测驾驶疲劳的方法[J]．仪器仪表学报，2013（10）：2231-2237

[3] 谭如坤．运动性疲劳产生机理、监测及恢复方法研究[J]．湖北师范学院学报，2013（2）：60-63

[4] 钱瑾．应用语音特征诊断疲劳驾驶的研究[D]．北京：北京交通大学，2011

[5] 汪正创．基于MFCC的声纹识别系统研究[D]．无锡：江南大学，2014

[6] 王敏，赵鹤鸣．基于多带解调分析和瞬时频率估计的耳语音话者识别[J]．声学学报，2010（4）：471-476

[7] 陈枢茜，严竞雄．基于BP神经网络的语音检测运动疲劳度的研究[J]．信息与电脑：理论版，2019（5）：156-157，161

[8] 陈枢茜．基于语音分析的疲劳度检测研究[D]．苏州：苏州大学，2017

[9] 高明信．运动疲劳过程中脑电信号特征提取仿真[J]．计算机仿真，2017（5）：277-280

[10] 侯莉娟，胡 荣光，张吉敏，等．运动疲劳状态下GPi/SNr在基底神经节信息整合中的作用[J]．北京体育大学学报，201（1）：76-80

Research on changes of speech parameters based on exercise fatigue

FU Jianmei1，REN Guofeng1，ZHANG Xueying2

（1. Department of Electronics，Xinzhou Teachers University，Xinzhou 034000，China；2. School of Information and Computer，Taiyuan University of Technology，Taiyuan 030024，China）

The detection of exercise fatigue is of great significance in the sports science community．Without a scientific athletic system as a guide，excessive exercise can cause serious injury to athletes′ bodies．Based on the detection of speech fatigue level，the changes of five speech characteristic parameters based on short-term average energy，short-term average amplitude function，short-time zero-crossing rate，short-term autocorrelation function， and Mel cepstrum coefficient were studied under sports fatigue law．The experimental results show that with the deepening of exercise fatigue，the amplitudes of time-domain and frequency-domain speech parameters have increased to varying degrees．Among them，the short-term average amplitude of speech signals increases most obviously，and the short-term zero-crossing rate is the slowest．Between two different degrees of exercise，the short-term zero-crossing rate has the fastest growth rate．The short-term average energy growth rate is the slowest．

speech parameters；exercise fatigue；feature selection；Mel cepstrum coefficient

1007-9831（2020）07-0029-04

TN912.3

A

10.3969/j.issn.1007-9831.2020.07.007

2020-03-17

忻州师范学院教学改革项目（JGYB201914）；山西省教课规划课题（GH-17053）；山西省高等学校教学改革创新项目（J2019174）；教育部“产学合作，协同育人”项目（201702091017）

付建梅（1987-），女，山西吕梁人，讲师，硕士，从事语音信号处理、数字信号处理研究．E-mail：379554284@qq.com