基于人工智能的早期阿尔茨海默病诊断系统技术方案

本发明专利技术公开了一种基于人工智能的早期阿尔茨海默病诊断方法，获取文字朗读录音后通过ASR程序自动翻译成文本；然后将文本按照如下的NLP处理新算法判断用户是否患有AD。与传统NLP算法相比，新算法分别求取AD组和健康人组的特征集，对特征集进行集合运算，实现了特征的有效降维，不仅提高了模型的识别正确率，而且降低了算法对内存空间的需求，加快了运算速度。该方法可应用于电脑终端，也可以用于移动终端，用户只需要按照提示讲几分钟的话，无需专业医生的介入分析，机器通过人工智能就能给出用户是否患有AD的判断。该方法不对人体产生创伤，费用低廉，诊断速度快，简便易用，是一种对早期AD进行大规模筛选的有效技术手段。

【技术实现步骤摘要】
基于人工智能的早期阿尔茨海默病诊断系统
本专利技术属于人工智能领域，更具体的涉及一种基于人工智能的早期阿尔茨海默病诊断方法。
技术介绍
阿尔茨海默病(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病。2017年，仅美国就有570万人患有该疾病，相关医疗费用支出高达2320亿美元。随着老龄化社会的到来，阿尔茨海默病的发病趋势呈现快速增长的态势。目前，尚无治疗阿尔茨海默病的特效药物。早发现，早干预，早治疗是诊治AD的唯一手段。诊断AD的医学手段有1、神经心理学测验(简易精神量表(MMSE))，2、神经影像学检查(CT、MRI、PET)3、脑脊液检测(β淀粉样蛋白、Tau蛋白检测)，4、基因检测(淀粉样蛋白前体蛋白基因、早老素1、2基因、载脂蛋白APOE4基因)。技术手段2、3、4不仅对人体有创伤，而且花费不菲，不适用于早期AD的普筛。技术手段1也存在需要专业医生介入评判的缺点。专利CN108200492A公开了一种语音控制优化方法、装置以及集成入耳式麦克风的耳机和穿戴设备，提供了一种语音控制优化方法、装置以及集成入耳式麦克风的耳机和穿戴设备，涉及智能穿戴设备
其中，语音控制优化方法包括：接收音频信号，在音频信号进入语音识别系统(ASR)之前，对音频信号进行声学滤波，获取预处理音频；预处理音频被麦克风采集，经过模拟电路滤波后通过模数转换生成数字音频；数字音频经由语音识别系统(ASR)被处理为有效语音指令；根据有效语音指令触发智能设备的相应功能。本专利技术采用一种新型的NLP技术，相对于上述专利将文本分成不同的指令类型，本专利技术是将文本分成两类：患者、健康人，采用新型的NLP算法，在诊断阿尔茨海默病(AD)中具有显著的效果。
技术实现思路
1、专利技术目的。本专利技术提出了一种基于人工智能的早期阿尔茨海默病诊断方法。2、本专利技术所采用的技术方案。本专利技术公开了一种基于人工智能的早期阿尔茨海默病诊断方法，获取文字朗读录音后通过ASR程序自动翻译成文本；然后将文本按照如下的NLP处理方法判断患者是否患有AD，具体为：步骤1、采集预设数量的学习样本，按照AD患者和健康人的标签分类成AD组和健康人组；步骤2、将文本中的词汇按照出现频率高低排序，对AD患者组抽取前n个高频词，构成集合A；对健康人组抽取前m个高频词，构成集合B；步骤3、C＝(A∪B)-(A∩B)，按照上述公式得到新的集合C；步骤4、根据新集合C重新选择文本；步骤5、采用线性线性分类器，得到学习模型；步骤6、将学到的模型用于系统，判断用户是否患有AD。更进一步，所述的步骤5中，线性分类时，将两个样本合并，并随机抽取n％做训练样本，剩余(100-n)％为测试样本。更进一步，线性线性分类器包括支持向量机、朴素贝叶斯、决策树、随机森林对样本进行分类学习，得到学习模型。本专利技术公开了一种基于人工智能的早期阿尔茨海默病诊断系统，包括朗读文字获取模块，获取文字朗读录音后通过人工智能ASR程序自动翻译成文本；NLP判断AD模块，将文本按照如下的NLP处理方法判断患者是否患有AD具体为：采集预设数量的学习样本，按照AD患者和健康人的标签分类成AD组和健康人组；将文本中的词汇按照出现频率高低排序，对AD患者组抽取前n个高频词，构成集合A；对健康人组抽取前m个高频词，构成集合B；C＝(A∪B)-(A∩B)，按照上述公式得到新的集合C；根据新集合C重新选择文本；采用线性线性分类器，得到学习模型；将学到的模型用于测试，给出用户是否患有AD的判断。更进一步，采用线性线性分类器进行线性分类时，将两个样本合并，并随机抽取n％做训练样本，剩余(100-n)％为测试样本。更进一步，线性线性分类器包括支持向量机、朴素贝叶斯、决策树、随机森林对样本进行分类学习，得到学习模型。3、本专利技术所产生的技术效果。(1)本专利技术提出的新型NLP处理系统，根据美国的DementiaBank语音库测试，可实现早期阿尔茨海默病(AD)的诊断，模型正确率为87.5％，召回值R为92.16％，准确率P为85.45％，F值为88.68％，分类效果最优。(2)与传统NLP算法相比，新算法分别求取AD组和健康人组的特征，采用特征集的集合运算，实现了对传统NLP算法特征的有效降维，不仅提高了识别的正确率，而且降低了内存空间的需求，加快了运算速度。(3)本专利技术可用于电脑终端，也可以用于移动终端，使用者只需要按照提示说几分钟的话，无需专业医生的介入分析，机器通过人工智能就能给出用户是否患有AD的判断。该方法不对人体产生创伤，费用低廉，诊断速度快，简便易用，是一种对早期AD进行大规模筛选的有效技术手段。附图说明图1早期AD筛选诊断技术原理图。具体实施方式实施例首先，使用者讲述一段文字，该段文字录音后通过ASR程序自动翻译成文本。然后将文本送入NLP处理程序，该程序会自动给出患者是否患有AD的判断。整个系统可以在电脑上完成，也可以移植到智能手机上，全程不需要专业医生参与，诊断快捷，费用低廉，适合对大规模人群进行AD筛选。整个系统的核心技术是NLP，其判断原理如下。1、找到足够数量的学习样本，按照AD患者和健康人的标签分类成AD组和健康人组；2、将文本中的词汇按照出现频率高低排序，对AD患者组抽取前n个高频词，构成集合A；对健康人组抽取前m个高频词，构成集合B；3、C＝(A∪B)-(A∩B)，按照上述公式得到新的集合C；4、根据新集合C重新选择文本(即将原文本中的不存在在C集合中的词汇删除，形成新的词汇文本)；5、采用线性线性分类器(支持向量机(SVM)、朴素贝叶斯(NB)、决策树(DT)、随机森林(RF)等)对样本进行分类学习，得到学习模型；6、将学到的模型用于系统，判断用户是否患有AD。这里采用的是美国的DementiaBank语音库，选取242个健康样本和237个AD样本。(因为是实验测试，所以在第4步，线性分类时，会随机抽取80％做训练样本，剩余20％为测试样本来评价模型。在实际系统中，用户的输入就是测试样本。)1、对242个健康样本组，采用n＝125(经验值，一般设置为全体文本的总词汇量(本测试是1092个词汇)的1/10左右)，得到词汇集合A；2、对237个AD样本组，采用m＝126(经验值)，得到词汇集合B；3、根据公式求得集合C，其大小为57；4、将健康样本组与AD样本组混合后，根据集合C，将文本转换成[479,57]的矩阵，随机抽取80％的样本训练；5、采用开源的Python工具TPOT,智能自动化选择线性分类器(支持向量机(SVM)、朴素贝叶斯(NB)、决策树(DT)、随机森林(RF)等)，得到模型；6、用剩余20％的测试样本对模型进行测试，得出：模型正确率为87.5％，召回值R为92.16％，准确率P为85.45％，F值为88.68％。分类效果最优。与传统NLP算法相比，新算法分别求取AD组合健康人组的特征，实质上实现了特征的降维处理(从[479,1092]降到了[479,57])，不仅提高了识别的正确率，而且降低了内存空间的需求，加快了运算速度。本专利技术可用于电脑终端，也可以用于移动终端，使用者只需要按照提示说几分钟的话，通过人工智能，无需专业医生的介入分析，机器就能给出用户是否患有AD的判断。该方法不对人体产生创本文档来自技高网...

【技术保护点】
1.一种基于人工智能的早期阿尔茨海默病诊断方法，其特征在于：获取文字朗读录音后通过ASR程序自动翻译成文本；然后将文本按照如下的NLP处理方法判断患者是否患有AD，具体为：步骤1、采集预设数量的学习样本，按照AD患者和健康人的标签分类成AD组和健康人组；步骤2、将文本中的词汇按照出现频率高低排序，对AD患者组抽取前n个高频词，构成集合A；对健康人组抽取前m个高频词，构成集合B；步骤3、C＝(A∪B)‑(A∩B)，按照上述公式得到新的集合C；步骤4、根据新集合C重新选择文本；步骤5、采用线性线性分类器，得到学习模型；步骤6、将学到的模型用于系统，判断用户是否患有AD。

【技术特征摘要】
1.一种基于人工智能的早期阿尔茨海默病诊断方法，其特征在于：获取文字朗读录音后通过ASR程序自动翻译成文本；然后将文本按照如下的NLP处理方法判断患者是否患有AD，具体为：步骤1、采集预设数量的学习样本，按照AD患者和健康人的标签分类成AD组和健康人组；步骤2、将文本中的词汇按照出现频率高低排序，对AD患者组抽取前n个高频词，构成集合A；对健康人组抽取前m个高频词，构成集合B；步骤3、C＝(A∪B)-(A∩B)，按照上述公式得到新的集合C；步骤4、根据新集合C重新选择文本；步骤5、采用线性线性分类器，得到学习模型；步骤6、将学到的模型用于系统，判断用户是否患有AD。2.根据权利要求1所述的基于人工智能的早期阿尔茨海默病诊断方法，其特征在于：所述的步骤5中，线性分类时，将两个样本合并，并随机抽取n％做训练样本，剩余(100-n)％为测试样本。3.根据权利要求2所述的基于人工智能的早期阿尔茨海默病诊断方法，其特征在于：线性线性分类器包括支持向量机、朴素贝叶斯、决策树、随机森林对样本进行分类学习，得到学习模型。4....

【专利技术属性】
技术研发人员：吕岗，朱培逸，徐本连，鲁明丽，施健，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：江苏,32