[发明专利]基于语音上下文动态特征的帕金森病检测方法

权利要求书

1.一种基于语音上下文动态特征的帕金森病检测方法，其特征在于，所述基于语音上下文动态特征的帕金森病检测方法包括以下步骤:

语音样本采集：在安静的环境下，对帕金森患者的声音进行采集，获得语音样本；

语音信号预处理：对采集的语音样本的频率进行重新采样；

语音特征的提取：对所采集的语音样本进行特征提取，包括发音特征和调音特征的提取；

建立语音检测模型：以双向长短时记忆循环神经网络为基础，结合语音特征建立帕金森语音检测模型；

利用帕金森语音检测模型对帕金森病的快速检测。

2.根据权利要求1所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，在对语音信号的预处理过程中，对采集的语音样本的频率重新采样到48-96kHZ区间并保存。

3.根据权利要求1所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，在对语音特征的提取步骤中，主要采用发音特征和调音特征进行提取，发音特征包括基音频率、基音频率的一次微分和二次微分，基频微扰，振幅微扰、振幅摄动商和对数能量；调音特征包括Bark带能量、梅尔倒谱系数、梅尔倒谱系数的一次微分和二次微分、第一共振峰频率和第二共振峰频率，第一共振峰的一次微分和二次微分以及第二共振峰频率的一次微分和二次微分。

4.根据权利要求3所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，对所获取的语音信息进行分析，获得基音频率(F0),同时对基音频率进行一次微分(dF0)和二次微分(d²F0),基频微扰(Jitter)采用公式

进行计算，其中N是语音发声的帧数，M_f是基音频率的最大值，F₀(k)为对应在第k帧上计算的基频。

5.根据权利要求3所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，振幅微扰(Shimmer)采用公式进行计算，其中Ma是信号的最大振幅，A(k)对应于第k帧的振幅。

6.根据权利要求3所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，振幅设动商(APQ)采用公式进行计算，其中M是振幅周期序列的长度，k是移动平均值的长度，L＝M-(k-1)，m＝(k-1)/2，A(i)是振幅周期序列；音调摄动商(PPQ)采用公式

进行计算，其中P是音调周期序列的长度，k是移动平均值的长度，L＝M-(k-1)，m＝(k-1)/2，D(i)是音调周期序列。

7.根据权利要求1所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，语音特征的提取是采用连续的发言特征和调音特征形成动态发音矩阵和动态调音矩阵；动态发音矩阵由帧数和发音特征组成，动态调音矩阵由帧数和调音特征组成。

8.根据权利要求1所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，对一段语音输入信号进行拆分处理，从而获得多个分段语音信号，将每一段语音信号拆分为发音特征和调音特征，然后采用双向长短时记忆循环神经网络建立帕金森语音检测模型。

9.根据权利要求1所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，双向长短时记忆循环神经网络包括动态特征、向前隐含层、向后隐含层和LSTM循环神经网络输出层，向前隐含层和向后隐含层对动态特征进行计算，最后通过LSTM循环神经网络输出层得到相关的信息，从而判断是否为帕金森患者。

10.根据权利要求1所述的基于语音上下文动态特征的帕金森病检测方法，其特征在于，双向长短时记忆循环神经网络中的相关计算公式为

其中W为权矩阵，b为偏置向量，S为向量每个元素的隐含层函数。