[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

本發明涉及帕金森語音數據集分類技術領域，具體公開了一種基于深度稀疏遷移學習的帕金森語音分類方法，該方法首先采用基于中間集的稀疏遷移學習方法對帕金森公共語音數據集生成最優卷積核(步驟S1)，進一步采用聚類方法聚類生成帕金森目標數據集A的深度樣本空間(步驟S2)，進一步采用卷積稀疏編碼基于最優卷積核組生成深度樣本空間dA的深度特征映射空間(步驟S3)，進一步將深度特征映射空間dE向量化擴展為dG并劃分為訓練集和測試集(步驟S4)。本發明遷移適用于帕金森目標數據集A的最優結構表達并挖掘其復雜結構信息(步驟S1～S4)，從而提高最終的分類準確率，LOSO交叉驗證下準確率高達99.5％，優于目前的最優方法(準確率97.5％)。

技術領域

本發明涉及帕金森語音數據集分類技術領域，尤其涉及一種基于深度稀疏遷移學習的帕金森語音分類方法。

背景技術

帕金森癥是退行性神經疾病，具有長周期、起病隱匿不可逆等特點，早期診斷和長期監控是提升評估效果和監控管理的主要手段。近年來，語音技術能無創獲取構音障礙信息，成為了研究的熱點，也涌現了大量基于語音的分類診斷方法。這些方法大都是直接針對當前帕金森語音數據集進行建模分類，沒有考慮帕金森語音樣本集普遍存在小樣本的特點，因此分類準確率及泛化性能難以進一步提高。遷移學習相關方法可以有效解決小樣本問題，也有研究證實其在疾病診斷中的有效性，且目前應用于疾病診斷的遷移學習方法都只涉及從源域到目標域的一階段遷移，且源域到目標域的相似度較低會影響正遷移的效果。此外，當前所有相關發明分類算法都僅僅考慮了原始樣本，沒有考慮樣本之間的結構關系。

發明內容

本發明提供一種基于深度稀疏遷移學習的帕金森語音分類方法，解決的技術問題在于：如何從帕金森公共語音數據集中提取最優結構表達，并將其遷移到帕金森語音目標集中從而更有利于分類；如何挖掘帕金森語音目標集的復雜結構信息，從而更有利于小樣本數據集分類。

為解決以上技術問題，本發明提供一種基于深度稀疏遷移學習的帕金森語音分類方法，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。