[發明專利]一種基于聚類的使用語音判斷帕金森嚴重程度檢測方法

在審

• 申請號: 201811032625.0
• 申請日: 2018-09-05
• 公開（公告）號: CN109192221A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 寶顏鵬;金博;魏小鵬
• 申請（專利權）人: 大連理工大學
• 主分類號: G10L25/03
• 分類號: G10L25/03;G10L25/48;G10L25/66;G16H50/20;G16H50/30;G06K9/62;A61B5/00
• 代理公司: 大連格智知識產權代理有限公司 21238
• 代理人: 劉琦

1.一種基于聚類的使用語音判斷帕金森嚴重程度檢測方法，其特征在于，包括如下步驟：

S1、語音信號的采集

選擇元音，通過采集設備，采集如下內容：病人編號、姓名、年齡、性別、是否確診為帕金森、是否有其他導致語音障礙的疾病、患病時間、UPDRS(運動)、UPDRS(整體)、采集日期及時間、當天第幾次采集；

S2、語音信號的預處理

對語音進行語音信號的預處理，包括格式轉換，采樣頻率轉換，預加重，加窗和分幀，去除無聲部分，進行基頻提取；

S3、提取所有的語音特征

包括基頻特征Pitch、基頻擾動Jitter、振幅擾動Shimmer、信噪比特征、非線性特征；

S4、模型及計算

基于支持向量機的分類算法，利用線性可分SVM分類器，以及非線性模型，SVM通過引入核函數建立模型；將S3所得特征數據以及醫生給出的信息進行一一對應，行成數據集；使用k-means進行聚類，對于每一個聚類的類別，將數據集按3:1的比例分為訓練集和測試集；針對每一個聚類行程的類別，訓練集使用支持向量機的分類算法及SVM模型進行分類模型訓練，使用支持向量回歸SVR方法進行回歸模型訓練，使用網格搜索方法進行優化模型，將訓練好的，每一類別的模型參數進行保存。

S5、進行預測

對于聚類的每個分類，載入以上訓練過程中得到的分類及回歸模型；輸入需要判斷和預測的數據，計算距離判斷所屬類別，使用該類別對應的模型對數據進行分類計算，得到分類結果。將分類結果再進行處理，對于預測是未患有帕金森病的測試者，將標記值置設為0，對于預測患有帕金森病的測試者，再使用SVR進行回歸預測，得到計算出的標記值，通過標記值進行患病者的嚴重程度推測，結束進程；

S6、反饋結果

將預測的結果通過接口，反饋回前端，展示給用戶。

2.根據權利要求1所述基于聚類的使用語音判斷帕金森嚴重程度檢測方法，其特征在于，步驟S3中基頻特征Pitch采用自相關法來進行基頻的提取；

對于確定性的信號，短時自相關函數的定義為：

然后對于每一幀的自相關函數，需要找到其第一個過零點之后最大的峰值，其對應的下標k值就是該幀語音對應的基音周期，對k取倒數就是基頻；

一般基頻用來表示，由于在語音預處理的時候對語音信號進行了分幀處理，所以每一幀都會有一個對應的，這樣就可以得到一個基頻序列。

而基頻特征就是在提取出的基頻序列基礎上，計算一些簡單的統計學的參數。

3.根據權利要求1所述基于聚類的使用語音判斷帕金森嚴重程度檢測方法，其特征在于，步驟S3中，Jitter用來表示基頻的擾動，即基音周期偏離周期的程度，由于音頻采用的是持續發音法，且發長元音，可以排除元輔音交替的基頻擾動；

Jitter計算的時候使用的不是基頻，而是基音周期，基音周期定義如下：

其中，n表示幀，N代表了幀的總數，指的是第n幀的基頻，指的就是第n幀的基音周期；

(1)Jitter：即基音周期的相對擾動，是相鄰基音周期的差的平均絕對值，與基音周期的平均值的比值，反映了整體受試者對聲帶振動的相對控制能力；其公式為：

(2)Jitter_abs：即基音周期的絕對擾動，就是相鄰基音周期的差的平均絕對值，反映了整體受試者對聲帶振動的絕對控制能力；其公式為：

(3)Jitter_PPQ5：即基音周期相鄰5點擾動，是某一幀基音周期與其相鄰5幀的平均基音周期之差的平均絕對值，一定程度反映了一段時間受試者對聲帶振動的控制能力；其公式為：

(4)Jitter_rap：即基音周期相鄰3點擾動，是某一幀基音周期與其相鄰3幀的平均基音周期之差的平均絕對值，一定程度反映了一段時間受試者對聲帶振動的控制能力；其公式為：

(5)Jitter_ddp：即基音周期相鄰3點擾動之差，是相鄰3幀基音周期之間的差的的差值，再求平均絕對值，一定程度反映了一小段時間內受試者對聲帶振動的控制能力的差值；其公式為：