[发明专利]一种基于声学指标的构音障碍分级评估方法

权利要求书

1.一种基于声学指标的构音障碍分级评估方法，其特征在于，包括下述步骤：

采集脑卒中后构音障碍患者的语音数据；

提取所述语音数据的客观声学特征听懂度，通过采访级录音笔收集A例临床确诊为构音障碍患者的每人B个音节，所述音节包括单元音、复合元音、辅音和声调，通过软件剪辑成B个独立音频文件，通过Matlab软件编程随机提取独立音频文件，听辩者根据随机听到的声音进行记录，完成与目标音的差异度分析，并计算声学特征听懂度，所述声学特征听懂度，是在国内外认可度高、灵敏度好的病理语音分析指标；评判客观声学特征听懂度，采用两女一男分别进行客观声学特征听懂度的评判，随后将3人的听懂度结果进行一致性检验后取其平均值，最终得出被试者的客观声学特征听懂度；对两女一男共3人听懂度的结果进行一致性检验，客观评判该声学特征听懂度结果的准确性；

将所得的声学特征听懂度基于人工智能的自动聚类法算法K-means确定语音轻度异常、中度异常、重度异常的临界值；具体为：

8.1、每个患者N个独立语音音频，其量化听懂度值在0-164之间；

8.2、每名患者有各自A个量化值，构成数据集，X＝{X₁,X₂,X₃,...,X_m}

8.3、通过误差平方和sum of the squared errors确定最优的分类数，即通过K-means法最终希望将构音障碍分为几级严重程度；

其中，C_i是第i个簇，p是C_i中的样本点，m_i是C_i的质心、 C_i中所有样本的均值，SSE是所有样本的聚类误差，计算中，如果随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度越来越高，误差平方和会逐渐变小，因此计算过程中由小到大调试k值，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，此时SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，这个趋于平缓的转折点就是最终确定的k值，也就是分类数；

8.4、在Matlab2013b中输入数据集，设定k值，最大迭代次数N_迭代由自动收敛决定，Matlab2013b输出是簇划分C＝{C₁,C₂,...C_k}；具体为：

1)从数据集X中随机选择k个样本作为初始的k个质心向量：

2)对于n＝1,2,...,N_迭代，按照下述步骤a)-e)进行迭代；

a)将簇划分C初始化为

b)对于i＝1,2...m，计算样本X_i和各个质心向量μ_j的距离，j＝1,2,...k，具体如下：

将X_i标记为最小d_ij所对应的类别λ_i，此时更新

c)对于j＝1,2,...,k,对C_j中所有的样本点重新计算新的质心

e)如果所有的k个质心向量都没有发生变化，则转到步骤3)；

3)输出簇划分C＝{C₁,C₂,...C_k}；

8.5根据步骤8.4计算出k的取值，即轻度、中度和重度构音障碍的数据集、质心值、边界值，轻度与中度障碍的边界值，重度与中度障碍的边界值即为确定的临界值；

使用该确定的临界值，用于临床评定被试者构音障碍的严重等级。

2.根据权利要求1所述基于声学指标的构音障碍分级评估方法，其特征在于，采集脑卒中后构音障碍患者的语音数据采用的是《中国构音障碍语音评估系统词表》，所述《中国构音障碍语音评估系统词表》由82个目标音组成；所述A取值为100，B取值为82。