[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

摘要

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。

主权项

1.一种基于语音特征非负矩阵分解的阿尔茨海默症初筛方法，其特征在于，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。