疾病语音数据集 WAV格式音频

2 数据集与预处理

2.1 数据集概述

为解决疾病语音识别领域多疾病覆盖不足、缺乏统一对比基准的问题，本文整合了28个跨疾病类型的语音数据集，构建多疾病语音识别基准库。基准库覆盖**言语障碍、神经系统疾病、呼吸系统疾病、罕见病、心理疾病（抑郁症）**等多个医学与心理学领域，既包含帕金森、阿尔茨海默氏症等常见神经系统疾病，也覆盖唇腭裂、肌萎缩侧索硬化症（ALS）等罕见病，还纳入抑郁症这类心理疾病的语音表型。各疾病类别与对应数据集数量为：言语障碍（5个）、构音障碍（4个）、阿尔茨海默氏症（3个）、呼吸音（3个）、帕金森（3个）、心肺音（3个）、抑郁症（3个）、COVID - 19（2个）、唇腭裂（1个）、肌萎缩侧索硬化症（ALS）（1个），另含“(空白)（8个数据集）”作为健康人群匹配对照（采集任务与疾病组一致，用于基线构建）。

2.2 各疾病类别数据集明细

按医学/心理学领域分类，明确每个类别下的数据集名称、采集年份、格式等关键信息：

• 言语障碍类（5个数据集）：
  包含“SLI.zip捷克数据集（2013年）”“UGAkan（2025年）”“Spanish_logrado（2025年，格式无特殊标注）”“UltraPhonix - 20（2019年）”“Ultrax Speech Sound Disorders（2019年）”。数据源于临床言语治疗记录、标准化言语评估任务（如单音节发音、句子朗读），采集场景覆盖医院诊室、专业语音实验室；其中“UGAkan”“Spanish_logrado”为近年更新资源，支持不同语种言语障碍的研究。

• 构音障碍类（4个数据集）：
  包含“TORGO Dataset（2010年）”“RAWDysPech（2024年）”“UASPEECH（2025年）”“EasyCall（无明确年份）”。数据来自构音障碍患者日常交流、指定语音任务（如词语复述、短文朗读）记录；“RAWDysPech”“UASPEECH”为近期发布数据集，可捕捉构音障碍的精细声学特征。

• 神经系统疾病 - 阿尔茨海默氏症类（3个数据集）：
  包含“NCMMSC2021_AD_Competition（2021年）”“Pitt（无明确年份）”“ADReSS-M_2023（2023年）”。数据采集自患者临床随访对话、认知评估语言任务；“ADReSS-M_2023”聚焦阿尔茨海默氏症不同进展阶段的语音变化，支持疾病分期识别研究。

• 呼吸系统疾病 - 呼吸音类（3个数据集）：
  包含“ICBHI 2017挑战赛（2017年，规模1.8GB）”“Coswara_Data（2022年）”“哮喘检测综合（2022年）”。数据类型为肺部呼吸音（如哮鸣音、湿啰音）、哮喘患者呼吸相关语音，采集设备为高灵敏度麦克风、医用听诊器，场景涉及临床检查、家庭监测等。

• 神经系统疾病 - 帕金森类（3个数据集）：
  包含“Parkinson 2017 KCL（2017年）”“Italian_Parkinsons_Voice_and_Speech（2022年）”“Parkinson_ 3700（无明确年份）”。数据来自患者日常对话、标准化语音任务（如元音持续发音、文本朗读），涵盖英语、意大利语等多语种帕金森患者语音，支持跨语言疾病语音研究。

• 呼吸系统与心肺疾病 - 心肺音类（3个数据集）：
  包含“HLS-CMDS（2025年）”“印度肺部音（2021年）”“肺音3200（2021年）”。数据为心肺听诊音（如心音异常、肺部病理性呼吸音），采集于医院病床旁、体检中心，可用于心肺疾病联合声学表型分析。

• 心理疾病 - 抑郁症类（3个数据集）：
  包含“EATD（2022年）”“DAIC-WOZ（2014年）”“E-DAIC（2014年）”。数据来自抑郁症患者与健康对照的对话记录（如临床访谈、标准化心理评估对话），通过语音韵律、情感倾向等特征反映抑郁状态；“DAIC-WOZ”“E-DAIC”为经典抑郁症语音数据集，“EATD”为近年更新资源，丰富了样本多样性。

• 传染病 - COVID - 19类（2个数据集）：
  包含“COVID-19 CNN 咳嗽（2022年）”“COUGHVID V3（规模2.2GB，标注为COUGHVID）”。数据核心为COVID - 19患者咳嗽声，辅以说话声等，采集场景涉及家庭隔离、临床观察，可用于基于咳嗽声学特征的COVID - 19筛查。

• 罕见病类：

  • 唇腭裂（1个数据集）：“Cleft数据集（2020年）”，数据来自唇腭裂患者术后的言语、呼吸声音记录，采集于专科口腔医院，用于研究唇腭裂对语音产生的长期影响。
  • 肌萎缩侧索硬化症（ALS）（1个数据集）：“Troparion-master.zip（2019年）”，数据为ALS患者疾病进展期的言语、呼吸相关声音，来自专科中心长期随访病例库，病理特征典型。

2.3 数据预处理：标准化与特征提取

为保证跨数据集实验的可复现性与输入一致性，对原始数据执行统一预处理流程：

• 信号处理：
  统一将所有语音信号的采样率重采样至( 16\ \text{kHz} )，消除不同数据集采样率差异对模型的影响；采用Wiener滤波进行降噪，抑制环境噪声（如诊室背景音、电子设备干扰、家庭环境噪音等），保留病理语音/生理音的关键特征。
• 特征提取：
  • 针对传统深度学习模型（MLP、CNN）：提取20维梅尔频率倒谱系数（MFCC），并计算其一阶、二阶差分，最终形成( 60 )维特征向量（( 20 + 20 + 20 )），以此捕捉语音的时频特性与动态变化，作为模型输入。
  • 针对预训练语音模型（Wav2Vec）：直接采用经“采样率统一、Wiener滤波”处理后的原始波形作为输入，利用模型自身的特征提取能力处理时域信号。

2.4 数据集划分策略

为公平评估模型在多疾病任务上的泛化能力，采用分层划分策略：

• 对样本量充足的疾病类别（如言语障碍、帕金森、抑郁症等），按( 7:1:2 )的比例将数据集划分为训练集、验证集与测试集，确保各类别下的疾病表型、样本分布在不同子集间保持一致。
• 对罕见病数据集（如唇腭裂、ALS）与小样本数据集，采用**留一法（Leave - One - Out）**进行交叉验证，避免小样本下划分导致的评估偏差。

2.3 数据预处理：标准化与特征提取

为保证跨数据集实验的可复现性与输入一致性，对原始数据执行统一预处理流程，具体如下：

• 信号处理：
  统一采用 librosa 库读取音频文件（支持 MP3、WAV 等格式），并将所有语音信号重采样至 ( 16\ \text{kHz} )（与 MFCC 特征提取的采样率保持一致），消除不同数据集采样率差异对模型的影响；采用 Wiener 滤波进行降噪，抑制环境噪声（如诊室背景音、电子设备干扰、家庭环境噪音等），保留病理语音/生理音的关键特征。

• 特征提取：

  • 针对传统深度学习模型（MLP、CNN）：
    采用 librosa 库提取梅尔频率倒谱系数（MFCC）及统计特征，具体参数严格遵循 MFCC 配置（MFCCConfig）：

    • 核心参数：提取 ( 13 ) 维 MFCC 特征（n_mfcc=13），采用快速傅里叶变换点数为 ( 2048 )（n_fft=2048），帧移为 ( 512 ) 个采样点（hop_length=512），梅尔滤波器数量为 ( 128 )（n_mels=128），频率范围限定为 ( 0 \sim 8000\ \text{Hz} )（fmin=0，fmax=8000）。
    • 统计特征融合：对提取的 13 维 MFCC 特征，按维度计算均值（mfccs_mean）、标准差（mfccs_std）、最大值（mfccs_max）、最小值（mfccs_min），并将四类统计特征串联，形成 ( 13 \times 4 = 52 ) 维特征向量，作为模型输入。
    • 鲁棒性处理：在特征提取过程中记录错误日志（如文件读取失败、格式不兼容等），最终统计有效样本占比（处理成功率）；对加载的特征与标签进行维度验证，确保数据完整性。

  • 针对预训练语音模型（Mantis、Wav2Vec）：
    直接采用经“采样率统一、Wiener 滤波”处理后的原始波形作为输入，利用模型自身的特征提取能力处理时域信号。

• 类别不平衡处理：
  为缓解部分疾病数据集（如罕见病）的类别不平衡问题，对训练集采用 SMOTE（Synthetic Minority Oversampling Technique）算法进行过采样，通过合成少数类样本平衡各类别比例，提升模型对小众疾病表型的识别能力。