[發明專利]一種基于深度稀疏遷移學習的帕金森語音分類方法

有效

• 申請號: 202110568802.2
• 申請日: 2021-05-25
• 公開（公告）號: CN113284512B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 張小恒;李勇明;劉書君
• 申請（專利權）人: 重慶大學
• 主分類號: G10L25/51
• 分類號: G10L25/51;G10L25/66;G10L25/27
• 代理公司: 重慶敏創專利代理事務所(普通合伙) 50253
• 代理人: 陳千

1.一種基于深度稀疏遷移學習的帕金森語音分類方法，其特征在于，包括步驟：

S1：對帕金森公共語音數據集基于中間集的稀疏遷移學習方法生成最優卷積核組

S2：對帕金森目標數據集A采用聚類方法生成對應的深度樣本空間dA＝[dA₀,dA₁,…,dA_N]，其中dA₀表示第0層的數據集即原始目標集A，dA₁至dA_N表示第1層至第N層的數據集；

S3：基于最優卷積核組對深度樣本空間dA進行卷積稀疏編碼，并生成對應的深度特征映射空間dE＝[dE₀,dE₁,…,dE_N]，dE₀至dE_N表示第0層至第N層的特征映射；

S4：將深度特征映射空間dE向量化擴展為dG，并按不同受試者編號將dG劃分為第一訓練集dG_train和第一測試集dG_test；

S5：在第一訓練集dG_train上計算對應特征的權重向量并根據權重大小篩選第一訓練集dG_train和第一測試集dG_test的特征，留下Q個最大權重所對應的特征構建第二訓練集與第二測試集

S6：采用第二訓練集訓練分類模型，并預測得到第二測試集第0層至第N層的預測標簽向量L₀,L₁,…,L_N，其中第n層的標簽向量L_n＝[L_n1,L_n2,…,L_nM]，即編號1至M的受試者在該層對應的分類標簽分別為L_n1至L_nM；

S7：對同一編號受試者進行投票操作，得到其二分類結果；所述步驟S7具體為：

將屬于帕金森和不屬于帕金森的預測標簽分別用數值1和數值0表示，根據編號為m的受試者的來自N+1層的N+1個預測標簽L_0m,L_1m,…,L_Nm計算該受試者的投票預測標簽并根據計算編號M₁+1至M受試者的測試分類準確率，其中符號⊙為同或運算符，為編號為m的受試者的固有標簽。

2.根據權利要求1所述的一種基于深度稀疏遷移學習的帕金森語音分類方法，其特征在于，所述步驟S1具體包括步驟：

S11：提取帕金森公共語音數據集S的多類型特征形成源域特征集

S12：基于源域特征集利用卷積稀疏編碼算法，隨機初始化由K個卷積核組成的卷積核組并重復訓練得到R組卷積核

S13：構建中間特征集并基于已訓練好的R組卷積核中不同組對中間特征集進行卷積稀疏編碼得到特征映射集B′，并計算得到R個不同的分類準確率，最后選擇最高準確率對應的卷積核組作為最優卷積核組

3.根據權利要求2所述的一種基于深度稀疏遷移學習的帕金森語音分類方法，其特征在于，所述步驟S11具體包括步驟：

S111：對帕金森公共語音數據集提取不同類型的特征，構建初始特征集其中，L為帕金森公共語音數據集中語音段的個數，為編號為l的語音段；特征列向量ξ_f(·)為第f個特征提取函數，F為特征類型總數；

S112：以同一組的特征向量組成一個矩陣作為一個特征樣本，對初始特征集Y中的特征向量進行分組，從而構造由G個特征樣本組成的源域特征集其中，第g個特征樣本是H₀×F分塊矩陣，表示L除以G再取整，為一個特征樣本包含的特征向量數。

4.根據權利要求3所述的一種基于深度稀疏遷移學習的帕金森語音分類方法，其特征在于，所述步驟S12中，卷積稀疏編碼算法的目標式為：

其中，e_g,k是H₀×F特征映射矩陣，與對應的卷積核d_k進行卷積運算逼近符號*表示二維卷積運算，η是大于0的正則化因子。