基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究

• 作者: 张小恒 张艳玲 承欧梅 曾孝平 李勇明 王品 颜芳
• 来源期刊: 电子与信息学报
• 学科: 医学
• 关键词: 迁移学习 帕金森病 稀疏编码 卷积稀疏编码 语音样本特征并行优选
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 论文
• 页码范围: 1641-1649
• 页数: 9页
• 分类号: TP391.42|R749
• 字数: 6818字
• 语种: 中文
• DOI: 10.11999/JEIT180792

摘要

基于语音数据分析的帕金森病(PD)诊断存在样本量小、训练与测试数据分布差异明显的问题.为了解决这些问题,需要从降维和样本扩充两个方面同时进行.因此,该文提出结合加噪加权卷积稀疏迁移学习和样本特征并行优选的PD分类算法.该算法可从源域的公共语音库中学习有利于表达PD语音特征的有效结构信息,同时完成降维和样本间接扩充.样本特征并行优选考虑到了样本和语音特征间的关系,从而有助于获取高质量的特征.首先,对公共语音库进行特征提取构造公共特征库;然后,以公共特征库对PD目标域的训练数据集及测试数据集进行稀疏编码,这里分别采用传统稀疏编码(SC)与卷积稀疏编码(CSC)两种稀疏编码方法;接着,对编码后的语音样本段和特征数据进行同时优选;最后,采用支撑向量机(SVM)进行分类.实验结果表明,该算法针对受试者的分类准确率最高值达到了95.0％,均值达到了86.0％,较相关被比较算法有较大提高.此外,研究还发现,相较于传统稀疏编码方法,卷积稀疏编码更有利于提取PD语音数据的高层特征;同样,迁移学习也有利于提高该算法性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	承欧梅	重庆医科大学附一院神经内科	58	249	8.0	12.0
2	曾孝平	重庆大学通信工程学院	177	1223	18.0	25.0
3	颜芳	重庆大学通信工程学院	19	140	6.0	11.0
4	李勇明	重庆大学通信工程学院	51	315	9.0	15.0
5	王品	重庆大学通信工程学院	19	62	5.0	6.0
6	张艳玲	陆军军医大学西南医院神经内科	7	4	1.0	2.0