[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

摘要

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。

主权项

1.一种基于聚类的使用语音判断帕金森严重程度检测方法，其特征在于，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、进行预测对于聚类的每个分类，载入以上训练过程中得到的分类及回归模型；输入需要判断和预测的数据，计算距离判断所属类别，使用该类别对应的模型对数据进行分类计算，得到分类结果。将分类结果再进行处理，对于预测是未患有帕金森病的测试者，将标记值置设为0，对于预测患有帕金森病的测试者，再使用SVR进行回归预测，得到计算出的标记值，通过标记值进行患病者的严重程度推测，结束进程；S6、反馈结果将预测的结果通过接口，反馈回前端，展示给用户。