Automatic detection of voice pathology enables objective assessment and earlier intervention for the diagnosis. This study provides a systematic analysis of glottal source features and investigates their effectiveness in voice pathology detection. Glottal source features are extracted using glottal flows estimated with the quasi-closed phase (QCP) glottal inverse filtering method, using approximate glottal source signals computed with the zero frequency filtering (ZFF) method, and using acoustic voice signals directly. In addition, we propose to derive mel-frequency cepstral coefficients (MFCCs) from the glottal source waveforms computed by QCP and ZFF to effectively capture the variations in glottal source spectra of pathological voice. Experiments were carried out using two databases, the Hospital Universitario Príncipe de Asturias (HUPA) database and the Saarbrücken Voice Disorders (SVD) database. Analysis of features revealed that the glottal source contains information that discriminates normal and pathological voice. Pathology detection experiments were carried out using support vector machine (SVM). From the detection experiments it was observed that the performance achieved with the studied glottal source features is comparable or better than that of conventional MFCCs and perceptual linear prediction (PLP) features. The best detection performance was achieved when the glottal source features were combined with the conventional MFCCs and PLP features, which indicates the complementary nature of the features.

中文翻译：

---

基于声门源特征的病理语音分析与检测

语音病理的自动检测可实现对诊断的客观评估和早期干预。本研究提供了对声门源特征的系统分析，并研究了它们在语音病理检测中的有效性。声门源特征是使用准闭合相位（QCP）声门逆滤波方法估计的声门流，使用零频率滤波（ZFF）方法计算的近似声门源信号，并直接使用声学语音信号提取的。此外，我们建议从 QCP 和 ZFF 计算的声门源波形中导出梅尔频率倒谱系数（MFCC），以有效捕获病理声音声门源频谱的变化。使用两个数据库进行实验，阿斯图里亚斯大学医院 (HUPA) 数据库和萨尔布吕肯语音障碍 (SVD) 数据库。特征分析表明，声门源包含区分正常和病理声音的信息。使用支持向量机（SVM）进行病理检测实验。从检测实验中可以看出，使用研究的声门源特征实现的性能与传统的 MFCC 和感知线性预测 (PLP) 特征相当或更好。当声门源特征与传统的 MFCC 和 PLP 特征结合时，实现了最佳的检测性能，这表明特征的互补性。特征分析表明，声门源包含区分正常和病理声音的信息。使用支持向量机（SVM）进行病理检测实验。从检测实验中可以看出，使用研究的声门源特征实现的性能与传统的 MFCC 和感知线性预测 (PLP) 特征相当或更好。当声门源特征与传统的 MFCC 和 PLP 特征结合时，实现了最佳的检测性能，这表明特征的互补性。特征分析表明，声门源包含区分正常和病理声音的信息。使用支持向量机（SVM）进行病理检测实验。从检测实验中可以看出，使用研究的声门源特征实现的性能与传统的 MFCC 和感知线性预测 (PLP) 特征相当或更好。当声门源特征与传统的 MFCC 和 PLP 特征结合时，实现了最佳的检测性能，这表明特征的互补性。从检测实验中可以看出，使用研究的声门源特征实现的性能与传统的 MFCC 和感知线性预测 (PLP) 特征相当或更好。当声门源特征与传统的 MFCC 和 PLP 特征结合时，实现了最佳的检测性能，这表明特征的互补性。从检测实验中可以看出，使用研究的声门源特征实现的性能与传统的 MFCC 和感知线性预测 (PLP) 特征相当或更好。当声门源特征与传统的 MFCCs 和 PLP 特征相结合时，实现了最佳的检测性能，这表明特征的互补性。