[发明专利]一种基于语音特征非负矩阵分解的阿尔茨海默症初筛方法

说明书

本发明公开了一种基于语音特征非负矩阵分解的阿尔茨海默症初筛方法，包括以下步骤：从阿尔茨海默症患者和正常人的语音样本中提取声学特征，包括基频、能量、谐噪比、共振峰、声门波、线性预测系数、常Q倒谱系数，并将上述特征拼接成一个特征矩阵；采用非负矩阵分解算法对上述特征矩阵进行分解，得到降维后的特征矩阵；将上述降维后的特征矩阵作为输入，训练支持向量机分类器；将测试语音样本的降维后的特征矩阵输入训练好的支持向量机分类器，判决测试语音是正常人语音还是阿尔茨海默症患者语音。本发明采用非负矩阵分解对高维输入声学特征进行降维变换处理，降维后的特征矩阵具有更好的区分性，在阿尔茨海默症初筛中可以获得更加优异的效果。

技术领域

本发明涉及音频信号处理和机器学习技术领域，具体涉及一种基于语音特征非负矩阵分解的阿尔茨海默症初筛方法。

背景技术

阿尔茨海默症是一种起病隐匿的进行性发展的神经系统退行性疾病。由于大脑皮层及皮层下语言网络结构及其联络纤维广泛受损，导致阿尔茨海默症患者出现言语障碍，并有其特殊的模式及演变过程，涉及口语表达、复述、理解、命名、阅读及书写等各个方面。阿尔茨海默症的言语障碍与痴呆严重程度呈正相关，影响正常的言语交流。

随着阿尔茨海默症病情的恶化，患者言语功能康复训练所需的时间和金钱成本也将提高。因此，及早发现患者是否出现言语功能障碍问题对于患者的康复有着重要意义。目前，国内对于言语功能障碍的评估方法主要有描记法、音标法、标准化测验法等，需要专业人员进行主观评估。我国在该领域的专业人员不足，相当一部分言语功能障碍患者得不到及时治疗。此外，主观评估方法偏差大，不同专家的诊断评估结果可能差异较大。现有的仪器评测方法，例如光纤维腭咽喉内镜检查、电视荧光放射照相术检查、喉动态描记法、舌压力传感器等。虽然评价比较客观，但是上述仪器比较昂贵，且一些诊断方法具有入侵性，给患者带来不适，阿尔茨海默症患者不乐意配合诊断。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于语音特征非负矩阵分解的阿尔茨海默症初筛方法。该方法利用非负矩阵分解算法对高维语音特征矩阵进行降维处理，得到变换后的低维基矩阵，再采用支持向量机分类器进行判决，从而判断测试语音是正常人语音或者阿尔茨海默症患者语音。

本发明的目的可以通过采取如下技术方案达到：

一种基于语音特征非负矩阵分解的阿尔茨海默症初筛方法，包括如下步骤：

S1、提取声学特征：对语音样本进行预处理，接着提取基频、能量、谐噪比、共振峰、声门波、线性预测系数、常Q倒谱系数等声学特征，并对各个特征取绝对值，得到相应的特征矩阵V＝[基频，能量，谐噪比，共振峰，声门波，线性预测系数，常Q倒谱系数]；

S2、语音特征非负矩阵分解：将语音样本的特征矩阵V作为输入，采用非负矩阵分解算法对特征矩阵V进行降维分解，得到降维后的基矩阵W和系数矩阵H，使得V＝W×H；

S3、训练支持向量机分类器：将训练语音样本的基矩阵W作为输入，采用径向基函数作为核函数，分别训练代表正常人语音和阿尔茨海默症患者语音的支持向量机分类器；

S4、阿尔茨海默症判决：将步骤S1和步骤S2提取的测试语音样本的基矩阵W输入训练好的支持向量机分类器，判断输入语音是正常人语音还是阿尔茨海默症患者语音，得到阿尔茨海默症初筛结果。

进一步地，所述的步骤S1中提取声学特征包括以下步骤：

S1.1、预加重：利用数字滤波器对输入语音进行滤波，该滤波器的传递函数为：

H(z)＝1-kz^-1，

其中k的取值为0.96；

S1.2、分帧：将预加重后的语音数据按帧长L切分成帧，帧移为S；