[發明專利]基于深度學習的阿爾茨海默癥語音信號的篩查方法

在審

• 申請號: 201811464595.0
• 申請日: 2018-12-03
• 公開（公告）號: CN109584861A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 周青;顧明亮;馬勇;朱祖德
• 申請（專利權）人: 江蘇師范大學
• 主分類號: G10L15/16
• 分類號: G10L15/16;G10L15/06;G10L15/08;G10L21/0208;G10L25/03;G10L25/24
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 周敏

基于深度學習的阿爾茨海默癥語音信號的篩查方法，涉及語音處理技術，包括步驟：訓練深度置信網絡模型備用；使被檢測者進行不同口語產出任務并采集被檢測者的語音；對所采集語音進行預處理；提取預處理后的語音中和阿爾茨海默癥相關的病理特征并將其輸入訓練好的深度置信網絡模型進行訓練得到優化特征；將優化特征輸入訓練好的SVM分類器進行分類，分類結果即為篩查結果。本發明的基于深度學習的阿爾茨海默癥語音信號的篩查方法，利用深度學習實現了AD快速篩查，只通過被試者語音即可做出初步判斷，方法簡單，智能化程度高。

技術領域

本發明涉處語音信號處理技術，具體涉及基于深度學習的阿爾茨海默癥語音信號的篩查方法。

背景技術

阿爾茨海默癥(Alzheimer’s disease,AD)，成為老齡社會關注熱點之一。全國流行病學調查則顯示我國65歲以上人口的阿爾茨海默癥患病率達4.8％；目前臨床AD診斷需經歷2-3小時的標準神經心理評估和可獲得性低且昂貴的基PET或創傷性脊髓穿刺的神經標記物檢查，應用這種常規途徑去篩查動輒近千萬潛在的癡呆患者是非常困難的。

早有研究觀察到AD患者口語產出的障礙并發現語言功能的異常可以作為AD評估和診斷的重要依據，因此通過對被測者語音信號特征的分析，利用深度神經網絡算法訓練病理特征模型，尋找AD患者的有效病理特征，通過SVM分類器實現對AD患者以非侵入式的方式進行快速篩查，為AD的臨床診斷提供一種低成本，可行性高，結構簡單，智能化的客觀測量方法。

發明內容

本發明的目的是提供一種基于深度置信網絡特征優化的阿爾茨海默癥的快速篩查技術，通過對被試者語音信號的處理分析，提取相關病理特征，包括基頻、基頻微擾(jitter)、振幅微擾(shimmer)、諧噪比(HNR)、信噪比(SNR)、短時過零率、短時能量、共振峰、MFCC、LPC、語音停頓、語速。對提取的病理特征進行分析，建立并訓練用于特征優化的深度置信網絡模型以及用于分類的SVM分類模型，從而實現對阿爾茨海默癥患者的快速篩查。

為實現以上發明目的，本發明的技術方案如下：

基于深度學習的阿爾茨海默癥語音信號的篩查方法，包括步驟：

S1：訓練深度置信網絡模型備用；

S2：使被檢測者進行不同口語產出任務并采集被檢測者的語音；

S3：對所采集語音進行預處理；

S4：提取預處理后的語音中和阿爾茨海默癥相關的病理特征并將其輸入訓練好的深度置信網絡模型進行訓練得到優化特征；

S5：將優化特征輸入訓練好的SVM分類器進行分類，分類結果即為篩查結果。

作為本發明進一步改進的技術方案，所述步驟S2具體包括：測量現場噪音，排除噪聲源，在噪聲符合要求之后進行語音采集；語音采集過程中，對被測者進行不同口語產出任務，對語音進行標記整理。

作為本發明進一步改進的技術方案，所述步驟S2具體包括：測量現場噪音，排除噪聲源，在噪聲符合要求之后進行語音采集；語音采集過程中，對被測者進行不同口語產出任務，口語產出任務包括自我介紹、言語流暢性測試、圖畫描述、連續發元音，對語音進行標記整理。

作為本發明進一步改進的技術方案，所述步驟S3具體包括：對采集到的語音數據進行去噪，參數規整，預加重，加窗和分幀處理，獲取語音幀序列。

作為本發明進一步改進的技術方案，所述步驟S3具體包括：對采集到的語音數據進行去噪，參數規整，預加重，加窗和分幀處理，獲取語音幀序列，其中預加重，加窗，分幀通過openSMILE進行預處理。