王小晨 朱明星 杨子健 汪 鑫 黄剑平 陈世雄 李光林

1(中国科学院深圳先进技术研究院 深圳 518055)

2(中国科学院大学深圳先进技术学院 深圳 518055)

1 引 言

说话是人类特有的表达情感、传递信息、参与社会活动的交流方式[1]，是人类正常生活中最重要的技能之一。无论是在生活还是在工作中，都不可避免地需要通过说话与他人交流。说话是一个非常复杂的面颈部多块肌肉在中枢神经系统的控制下协同收缩运动的过程，这伴随着肌肉电信号的产生[2-3]。发不同的音时，发音肌肉的收缩模式、收缩力量和协同方式是不同的，对应的肌肉电信号特征也会不同[4]。表面肌电图法(Surface Electromyography，sEMG)是目前采集肌电信号的常用方法，能通过无创、简单、稳定的操作，检测到可靠的肌肉电生理信息[5]，因此被广泛用于肌电语音识别研究。

早在 1985 年，第一个使用肌电信号进行语音识别的研究就在 Sugie 和 Tsunoda[6]的实验室展开，他们采集口腔附近的肌电信号对 5 种日语元音字母进行分类。1989 年，Morse 等[7]提取sEMG 信号幅值、方差等特征值分类 10 个英文单词，分类精度达到了 60%。2018 年，Srisuwan等[8]在受试者的面颈部共 6 个位置贴上肌电电极，以评估 14 个特征评估标准及 4 种分类器对单个泰语单词进行分类时的性能，并找到一种接近最佳的标准和分类算法。Janke 等[9]对从受试者发音时面颈部 6 个位置采集到的肌电数据进行研究，捕捉到从发音肌肉运动时产生的 sEMG 信号到语音波形的映射。Jong 和 Phukpattaranont[10]招募 7 名健康受试者和 5 名构音障碍受试者开发了一个语音识别系统。……