我正在研究移动应用程序的儿童logopaedic练习（发音评估的好处）。在第一次迭代中，我们希望实现对一个孤立辅音的正确发音的评估（俄语相当于英语“sh”[ʃ]声音）。结果可能是“正确的”或“不正确的”（更好的点，例如从1到5）。
我们有约50个语言治疗师记录的样本，并以5分质量标准进行标记。每个样本包含单独的声音（0.5-2秒）。我们将来可以获得更多样本。
一般情况下，我在以下步骤：
中拆分此问题预处理声音信号（降低噪音，放大/衰减，消除静音期）;
提取与辅音发音质量相关的正确信号特征。特征是从声音块（帧）产生的数字向量。特征候选：声音的频谱，MFCC系数，幅度谱......另一个问题是特征帧大小（持续时间）。
使用一些分类算法（一般来说是“机器学习”）根据声音训练集的特征进行分类。
我遇到的主要问题缺乏方法如何提取功能。
我试图使用MFCC方法，但看起来，特征向量更多地取决于样本期间的声强变化（坦率地说，我做了那样的结论，只看了MFCC系数的图，如https://drive.google.com/file/d/0BzBavyZHrcMlS0xLQ2phbmxoRVk/view?usp=sharing，其中X值是13个MFCC系数，每行代表一个25毫秒的声音帧。
由于辅音的噪音性质，我不确定纯光谱特性。
许多论文和博客文章描述了在单词和话语语境中语音识别的问题。我的直觉说我需要采用不同的方法处理我的问题。
类似任务的良好功能示例和功能评估的一般方法将对我有用。感谢。