[发明专利]基于深度学习的阿尔茨海默症语音信号的筛查方法

说明书

基于深度学习的阿尔茨海默症语音信号的筛查方法，涉及语音处理技术，包括步骤：训练深度置信网络模型备用；使被检测者进行不同口语产出任务并采集被检测者的语音；对所采集语音进行预处理；提取预处理后的语音中和阿尔茨海默症相关的病理特征并将其输入训练好的深度置信网络模型进行训练得到优化特征；将优化特征输入训练好的SVM分类器进行分类，分类结果即为筛查结果。本发明的基于深度学习的阿尔茨海默症语音信号的筛查方法，利用深度学习实现了AD快速筛查，只通过被试者语音即可做出初步判断，方法简单，智能化程度高。

技术领域

本发明涉处语音信号处理技术，具体涉及基于深度学习的阿尔茨海默症语音信号的筛查方法。

背景技术

阿尔茨海默症(Alzheimer’s disease,AD)，成为老龄社会关注热点之一。全国流行病学调查则显示我国65岁以上人口的阿尔茨海默症患病率达4.8％；目前临床AD诊断需经历2-3小时的标准神经心理评估和可获得性低且昂贵的基PET或创伤性脊髓穿刺的神经标记物检查，应用这种常规途径去筛查动辄近千万潜在的痴呆患者是非常困难的。

早有研究观察到AD患者口语产出的障碍并发现语言功能的异常可以作为AD评估和诊断的重要依据，因此通过对被测者语音信号特征的分析，利用深度神经网络算法训练病理特征模型，寻找AD患者的有效病理特征，通过SVM分类器实现对AD患者以非侵入式的方式进行快速筛查，为AD的临床诊断提供一种低成本，可行性高，结构简单，智能化的客观测量方法。

发明内容

本发明的目的是提供一种基于深度置信网络特征优化的阿尔茨海默症的快速筛查技术，通过对被试者语音信号的处理分析，提取相关病理特征，包括基频、基频微扰(jitter)、振幅微扰(shimmer)、谐噪比(HNR)、信噪比(SNR)、短时过零率、短时能量、共振峰、MFCC、LPC、语音停顿、语速。对提取的病理特征进行分析，建立并训练用于特征优化的深度置信网络模型以及用于分类的SVM分类模型，从而实现对阿尔茨海默症患者的快速筛查。

为实现以上发明目的，本发明的技术方案如下：

基于深度学习的阿尔茨海默症语音信号的筛查方法，包括步骤：

S1：训练深度置信网络模型备用；

S2：使被检测者进行不同口语产出任务并采集被检测者的语音；

S3：对所采集语音进行预处理；

S4：提取预处理后的语音中和阿尔茨海默症相关的病理特征并将其输入训练好的深度置信网络模型进行训练得到优化特征；

S5：将优化特征输入训练好的SVM分类器进行分类，分类结果即为筛查结果。

作为本发明进一步改进的技术方案，所述步骤S2具体包括：测量现场噪音，排除噪声源，在噪声符合要求之后进行语音采集；语音采集过程中，对被测者进行不同口语产出任务，对语音进行标记整理。

作为本发明进一步改进的技术方案，所述步骤S2具体包括：测量现场噪音，排除噪声源，在噪声符合要求之后进行语音采集；语音采集过程中，对被测者进行不同口语产出任务，口语产出任务包括自我介绍、言语流畅性测试、图画描述、连续发元音，对语音进行标记整理。

作为本发明进一步改进的技术方案，所述步骤S3具体包括：对采集到的语音数据进行去噪，参数规整，预加重，加窗和分帧处理，获取语音帧序列。

作为本发明进一步改进的技术方案，所述步骤S3具体包括：对采集到的语音数据进行去噪，参数规整，预加重，加窗和分帧处理，获取语音帧序列，其中预加重，加窗，分帧通过openSMILE进行预处理。