[发明专利]一种基于聚类的使用语音判断帕金森严重程度检测方法

说明书

本发明公开了一种基于聚类的使用语音判断帕金森严重程度检测方法，包括如下步骤：1、语音信号的采集；2、语音信号的预处理；3、提取所有的语音特征，包括基频特征Pitch、基频扰动Jitter、振幅扰动Shimmer、信噪比特征、非线性特征；4、模型及计算；5、进行预测：对于聚类的每个分类，载入分类及回归模型；得到分类结果；通过标记值进行患病者的严重程度推测。最后，将预测的结果通过接口，反馈回前端，展示给用户。本发明是使用计算机软件分析完成的，解决了临床中没有固定指标确定是否患有帕金森的难题，同时也解决了临床观察帕金森周期长，费用高等问题，具有实时，高效又低成本的特点。

技术领域

本发明涉及机器学习、人工智能、语音诊断、数据挖掘，更具体地说，涉 及一种基于聚类的使用语音判断帕金森严重程度检测方法。

背景技术

SVM(SupportVectorMachine)是目前使用最广泛的分类器之一。SVM可以 解决的基本问题是二分类问题。它的根本思想是通过凸优化算法从训练数据中 找到一个或者一组可以将两类数据分开的超平面。这样，在预测时，就可以通 过这组超平面来判断预测数据属于哪一类。目前已有的基于机器学习的帕金森 诊断技术只是将帕金森进行诊断分类，判定疑似患者是否患有帕金森病。而帕 金森病是一种不可逆转的疾病，所以在实际的生活中不能起到本质解决病人问 题的效果。支持向量回归(SupportVectorRegression，SVR)，是根据SVM的基 本思想改良成的一种回归算法，其主要思想是寻找一个超平面对样本进行映射， 与其它的回归算法不同的是其映射与真实值之间的差的绝对值如果小于一个具 体的范围，就不计入损失。但是已有技术中还存在的一些缺陷或问题，比如说 只能进行是否患有帕金森分类，不能给出患病程度。虽然有专利是通过UPDRS (统一帕金森病评定量表)对帕金森病人评估患病严重程度，但是是进行整体 计算与预测，不能根据帕金森患者的情况进行个性化预测。加快了诊断的效率。

发明内容

本发明给出一种基于聚类的使用语音判断帕金森严重程度检测方法。

为了达到上述目的，本发明提供一种基于聚类的使用语音判断帕金森严重 程度检测方法，包括如下步骤：

S1、语音信号的采集

选择元音，通过采集设备，采集如下内容：病人编号、姓名、年龄、性别、 是否确诊为帕金森、是否有其他导致语音障碍的疾病、患病时间、UPDRS(运动)、 UPDRS(整体)、采集日期及时间、当天第几次采集；

S2、语音信号的预处理

对语音进行语音信号的预处理，包括格式转换，采样频率转换，预加重， 加窗和分帧，去除无声部分，进行基频提取；

S3、提取所有的语音特征

包括基频特征Pitch、基频扰动Jitter、振幅扰动Shimmer、信噪比特征、非 线性特征；

S4、模型及计算

基于支持向量机的分类算法，利用线性可分SVM分类器，以及非线性模型， SVM通过引入核函数建立模型；将S3所得特征数据以及医生给出的信息进行 一一对应，行成数据集；使用k-means进行聚类，对于每一个聚类的类别，将数 据集按3:1的比例分为训练集和测试集；针对每一个聚类行程的类别，训练集使 用支持向量机的分类算法及SVM模型进行分类模型训练，使用支持向量回归 SVR方法进行回归模型训练，使用网格搜索方法进行优化模型，将训练好的， 每一类别的模型参数进行保存。

S5、进行预测