【技術實現步驟摘要】
本公開涉及數據處理，尤其涉及一種基于多漢語音節的阿爾茲海默癥預警分析方法及系統。
技術介紹
1、阿爾茨海默癥（alzheimer’s?disease,?ad）是一種逐漸惡化的神經系統疾病，主要表現為進行性認知功能障礙。它會導致大腦中神經元的死亡和連接的斷裂，從而影響記憶、思考、語言和行為等方面。患者可能會失去記憶、迷路、無法認出親人、語言能力下降等癥狀，最終導致嚴重的認知障礙和失去獨立生活能力。
2、當前，阿爾茨海默癥的評估診斷方法雖然數量較多，且綜合應用可以準確地診斷患者的認知障礙情況，并為后續的治療提供有力的依據。但是，上述手段存在受到受試者文化水平、情緒狀態等因素的影響，且成本較高、操作復雜、不適合作為常規篩查手段，而且部分手段存在一定的創傷性，無法適應如今的阿爾茲海默癥的診斷實踐。
3、而基于語音分析的阿爾茨海默癥早期預警具有非侵入性和便捷性、成本低、客觀性等優勢，因此，提供一種基于語音數據的阿爾茲海默癥的診斷與預測的方法及對應的系統是目前亟需的。
技術實現思路
1、本公開提供一種基于多漢語音節的阿爾茲海默癥預警分析方法及系統，通過采用簡潔的漢語音節進行患者數據采集，并結合多音節融合分析方法，解決了現有技術無法有效準確診斷患者認知且針對患者語音數據影響因素多導致的預測效果差的技術問題。
2、根據本公開的第一方面，提供一種基于多漢語音節的阿爾茲海默癥預警分析方法，包括以下步驟：
3、收集阿爾茲海默病人語音數據并進行數據感知，構建
4、采用多級圖嵌入稀疏特征學習方法對所述多音節樣本進行數據預處理，構建得到多音節語音輸出特征；
5、構建分類器，采用所述分類器中的代價敏感隨機配置網絡對所述多音節語音輸出特征進行特征優化處理，輸出得到代價敏感矩陣；
6、基于所述代價敏感矩陣構建得到基于代價敏感加權目標函數，分別計算得到不同分類器的多音節融合分析診斷結果，并根據所述診斷結果預測阿爾茲海默癥概率；
7、根據所述阿爾茲海默癥概率預測結果對病人進行指導與建議。
8、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述收集阿爾茲海默病人語音數據并進行數據感知，構建得到多音節樣本的過程為：
9、制作錄音樣本，并根據漢語音節對錄音樣本進行漢字、漢語音節、國際音標以及發音提示的標注，根據所述標注的結果收集阿爾茲海默病人語音數據，得到多音節樣本，其中，所述多音節樣本包括音節發音數據。
10、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述采用多級圖嵌入稀疏特征學習方法對所述多音節樣本進行數據預處理，構建得到多音節語音輸出特征的過程為：
11、對所述音節發音數據進行特征提取，得到梅爾倒普系數、時基誤差以及振幅微擾語音特征，并進行歸一化處理，得到處理后的語音特征；
12、構建基于隨機配置的圖隨機稀疏自編碼器，采用所述圖隨機稀疏自編碼器提取所述處理后的語音特征，得到多音節語音輸出特征。
13、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述構建圖隨機稀疏自編碼器，采用所述圖隨機稀疏自編碼器提取所述處理后的語音特征，得到多音節語音輸出特征的過程為：
14、獲取處理后的語音特征，采用所述圖隨機稀疏自編碼器提取所述處理后的語音特征，得到圖所述圖隨機稀疏自編碼器隱含層節點輸出矩陣；
15、定義圖隨機稀疏自編碼器權重目標函數，并將所述隱含層節點輸出矩陣作為所述權重目標函數的輸入，輸出得到圖隨機稀疏自編碼器權重值；
16、結合所述隱含層節點輸出矩陣以及所述權重值，構建得到多音節語音輸出特征。
17、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述構建分類器，采用所述分類器中的代價敏感隨機配置網絡對所述多音節語音輸出特征進行特征優化處理，輸出得到代價敏感矩陣的過程為：
18、基于所述多音節語音輸出特征初始化代價敏感矩陣；
19、采用基于目標函數的代價敏感隨機配置網絡構建得到分類器，利用所述分類器及智能優化方法對所述初始化代價敏感矩陣進行更新輸出得到最大化目標函數；
20、將所述最大化目標函數對應的代價敏感矩陣作為輸出結果。
21、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述最大化目標函數具體為：
22、；
23、其中，表示分類器i的目標函數，為分類器i的隱含層輸出，表示分類標簽，表示分類器正則化參數，為代價敏感矩陣，為分類器個數，為代價敏感矩陣個數。
24、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述基于所述代價敏感矩陣構建得到基于代價敏感加權目標函數，分別計算得到不同分類器的多音節融合分析診斷結果，并根據所述診斷結果預測阿爾茲海默癥概率的過程為：
25、根據所述代價敏感矩陣及所述隱含層節點輸出矩陣構建得到加權輸出矩陣；
26、根據所述加權輸出矩陣及所述最大化目標函數構建得到基于代價敏感加權的目標函數，根據所述基于代價敏感加權的目標函數計算得到融合輸出矩陣；
27、基于所述加權輸出矩陣及所述融合輸出矩陣計算得到診斷結果；
28、采用投票法對所述診斷結果進行分析，得到融合分析診斷結果。
29、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述基于代價敏感加權的目標函數具體為：
30、；
31、其中，表示分類器k的原始輸出權重，為加權輸出矩陣，具體為，為分類器k的加權輸出矩陣，為分類器k的隱含層輸出，表示融合目標函數的正則化參數，k為分類器個數，為代價敏感矩陣，b為融合輸出矩陣，具體為，為基于代價敏感加權目標函數值。
32、如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述采用投票法對所述診斷結果進行分析，得到融合分析診斷結果的過程為：
33、分別計算得到所述診斷結果的概率值，其中，所述概率值包括阿爾茲海默癥概率值、非阿爾茲海默癥概率值兩個分類；
34、判斷每一個診斷結果的概率值中阿爾茲海默癥、非阿爾茲海默癥概率值的大小，并對概率值大的分類進行投票；
35、統計投票票數，將投票票數多的分類作為輸出融合分析診斷結果輸出值。
36、根據本公開的第二方面，提供一種基于多漢語音節的阿爾茲海默癥預警分析系統，用于實現如第一方面實施例所述的基于多漢語音節的阿爾茲海默癥預警分析方法，所述系統包括：數據感知模塊、數據預處理模塊、分類器模塊、多音節融合診斷模塊以及預警篩查與指導建議模塊；
37、所述數據感知模塊用于收集阿爾茲海默病人語音數據并進行數據感知，構建得到多音節樣本；
38、所述數據預處理模塊用于采用多級圖嵌入稀疏特征學習方法對多音節樣本進行數據預處理，構建得到本文檔來自技高網...
【技術保護點】
1.一種基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述收集阿爾茲海默病人語音數據并進行數據感知，構建得到多音節樣本的過程為：
3.根據權利要求2所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述采用多級圖嵌入稀疏特征學習方法對所述多音節樣本進行數據預處理，構建得到多音節語音輸出特征的過程為：
4.根據權利要求3所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述構建圖隨機稀疏自編碼器，采用所述圖隨機稀疏自編碼器提取所述處理后的語音特征，得到多音節語音輸出特征的過程為：
5.根據權利要求1所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述構建分類器，采用所述分類器中的代價敏感隨機配置網絡對所述多音節語音輸出特征進行特征優化處理，輸出得到代價敏感矩陣的過程為：
6.根據權利要求5所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述最大化目標函數具體為：
7.
8.根據權利要求7所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述基于代價敏感加權的目標函數具體為：
9.根據權利要求7所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述采用投票法對所述診斷結果進行分析，得到融合分析診斷結果的過程為：
10.一種基于多漢語音節的阿爾茲海默癥預警分析系統，用于實現如權利要求1-9任一項所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述系統包括：數據感知模塊（1）、數據預處理模塊（2）、分類器模塊（3）、多音節融合診斷模塊（4）以及預警篩查與指導建議模塊（5）；
...【技術特征摘要】
1.一種基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述收集阿爾茲海默病人語音數據并進行數據感知，構建得到多音節樣本的過程為：
3.根據權利要求2所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述采用多級圖嵌入稀疏特征學習方法對所述多音節樣本進行數據預處理，構建得到多音節語音輸出特征的過程為：
4.根據權利要求3所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述構建圖隨機稀疏自編碼器，采用所述圖隨機稀疏自編碼器提取所述處理后的語音特征，得到多音節語音輸出特征的過程為：
5.根據權利要求1所述的基于多漢語音節的阿爾茲海默癥預警分析方法，其特征在于，所述構建分類器，采用所述分類器中的代價敏感隨機配置網絡對所述多音節語音輸出特征進行特征優化處理，輸出得到代價敏感矩陣的過程為：
6.根據權利要求5所述的基于...
【專利技術屬性】
技術研發人員：張成龍，張大鵬，程大為，廖怡寧，郭超勛，
申請(專利權)人：香港中文大學深圳，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。