基于混合核函数支持向量机模型的帕金森疾病诊断方法技术

本发明专利技术揭示了一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，首先是对帕金森患者和健康人进行语音信号的采集；其次是对语音信号进行特征提取；之后是构造支持向量机模型的混合核函数；然后是利用智能优化算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型；最后是利用最优支持向量机模型对待测语音进行分类预测，实现帕金森疾病的诊断。本发明专利技术为帕金森症诊断提供了新的思路，降低了医疗成本，提高了诊断效率，另外本发明专利技术提高了帕金森疾病诊断的准确率。

【技术实现步骤摘要】
基于混合核函数支持向量机模型的帕金森疾病诊断方法
本专利技术涉及一种帕金森疾病诊断方法，尤其涉及一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，属于模式识别

技术介绍
帕金森病是一种常见的慢性神经系统疾病，在神经退行性疾病变中发病率非常高。患有帕金森症会损害运动、语言和其他功能，如情绪、行为、思维和感觉。帕金森病是对运动系统产生影响的中枢神经系统长期慢性疾病，一般随着时间的流逝，慢慢显现出来。在生病的初期，最明显的是颤抖、刚性、运动的延迟和步行困难，而后思考和行动问题也会发生。研究表明，由于帕金森患者缺乏控制身体运动的物质——多巴胺，所以引起包括发音运动障碍在内的一些身体运动障碍。90％的帕金森患者伴随着不同程度的声带受损，表现为在音量级别、语音发音难度等方面出现语音障碍，如气较粗糙、声音嘶哑、响度降低、气息声增多以及较大的声音震颤等，这些异于健康人的语音障碍可以通过提取患者语音信息里的具体特征来衡量。通过这些声带损伤可以用来评估早期的帕金森诊断。使用语音信号的远程监控系统可以实现对帕金森病患者的远程监控，对目标人群进行分类，达到降低医疗成本的目的。通过语音信号处理算法来对语音信号进行分析，可提取临床有用的特征信息。目前，研究人员已经研究出许多语音特征提取的方法，主要可以分为线性语音特征提取和非线性语音特征提取，常用的用于检查语音障碍的特征有：谐噪比(HNR)、频率微扰(jitter)及规范化噪声程度(NNE)，除此之外还有频率微扰的变种Jitter(Abs)，Jitter(％)，Jitter:RAP，Jitter:DDP，振幅微振(Shimmer)，噪声谐波比(NHR)，趋势波动分析(DFA)，循环周期密度熵(RPDE)和基音周期熵(PPE)，这些都是语音信号分析中重要的特征，可以通过这些特征综合全面的反应了一个人的语音情况。通过语音信号处理算法得出语音特征后，便可采取机器学习领域相关技术对帕金森疾病进行诊断。对于通常来说机器学习中的训练样本都是线性不可分的，即样本集并不能被一个超平面正确分类。为了解决这个问题，可以通过映射函数将样本从原始空间映射到高维空间，从而在高维空间变得线性可分。如果把低维样本直接映射为高维的话，维度的数目会呈现爆炸性增长，甚至可能多至无穷维，所以直接计算非常困难。为了防止出现这个问题，在这里引入核函数(kernalfunction)，即在高维样本空间中通过函数计算的结果等于在低维空间中计算的结果，这样就避开了直接在高维空间进行计算。核函数的种类有很多，特性也各不相同，而且核函数的类型决定了支持向量机的很多特性。在支持向量机的构造过程中，学习机的泛化能力与学习能力是两个相互制衡的量。在实际应用中，通常训练样本在高维特征空间会呈现出不均匀分布，采用单一核函数进行非线性变换得到的结果时常会不太理想，因此要兼顾学习机的泛化能力与学习能力，就需要利用不同核函数的不同性质并将不同性质组合得到混合函数支持向量机模型中。综上所述，如何提供一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，就成为本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是为了解决现有技术的上述缺陷，提供一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，该基于混合核函数支持向量机模型可兼顾全局性核函数与局部性核函数，提高在帕金森疾病诊断中的准确率。本专利技术的技术解决方案是：一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，包括如下步骤：S1：对帕金森患者和健康人进行语音信号的采集；S2：对语音信号进行特征提取；S3：构造支持向量机模型的混合核函数；S4：利用智能优化算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型；S5：利用步骤S4中的最优支持向量机模型对待测语音进行分类预测，实现帕金森疾病的诊断。优选地，所述步骤S2中对语音信号进行特征提取是利用语音信号处理算法提取语音特征。优选地，所述步骤S2中的特征包括平均基频F0_ave、最小基频F0_min、最大基频F0_max、五个衡量基频变化的特征Jitter、Jitter(Abs)、RAP、PPQ、DDP，六个衡量振幅变化的特征Shimmer、Shimmer(dB)、APQ3、APQ5、APQ、DDA，噪声谐波比NHR、谐波噪声比HNR、循环周期密度熵RPDE、相关度D2、趋势波动分析DFA、以及三个非线性的基频变化特征spread1、spread2、PPE。优选地，所述步骤S3中的混合核函数包括全局性核函数与局部性核函数；构造支持向量机模型的混合核函数包括如下步骤：S31：构造高斯径向基核函数，高斯径向基核函数的表达式为：令则上式简化为：K(xi,xj)＝exp(-g||xi-xj||2)；S32：构造Sigmoid核函数，Sigmoid核函数的表达式为：S33：构造混合核函数，其混合核函数的表达式为：其中，t是权值，代表的是所对应核函数在混合核函数种所占的权重，Ki(xi,xj),i＝1,2,....,m是m个不同的核函数；S34：以步骤S31中的高斯径向基核函数及步骤S32中的Sigmoid核函数，构造混合核函数支持向量机模型，混合核函数的表达式为：其中，t，1-t分别为高斯核函数和Sigmoid核函数在混合核函数中所占的权值，β的值为N是输入数据的维度，h的取值范围为-3～0之间。优选地，所述步骤S4中的智能优化算法包括遗传算法、粒子群算法或萤火虫算法。优选地，采用所述遗传算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型的过程包括如下步骤：步骤A：种群的初始化和个体编码：设定权重系数t、Sigmoid参数h、核函数参数g、惩罚因子C的取值范围，然后随机初始化一定数量的种群，并采用二进制将种群中的个体进行编码，染色体的编码信息代表的是权重系数t、Sigmoid参数h、核函数参数g、惩罚因子C的一个组合；步骤B：个体适应度的计算：以支持向量机分类器的分类交叉验证准确度作为个体的适应度；步骤C：进行选择、交叉、变异操作：在遗传算法中，根据适者生存的思想，对环境适应度高低决定了个体参与选择操作概率的大小，然后按照概率Pc随机的选择父辈染色体进行交叉操作；最后对交叉过的种群按概率Pm进行变异操作，使得染色体的某个基因片段或者基因点发生突变；步骤D：不断更新：在不断更新的每代种群中记录适应度值最好的个体，将这个适应度值记为Fbest，把与Fbest对应的t、h、C和g记为tbest、hbest、Cbest和gbest；步骤E：终止条件判断：当迭代次数达到最大次数时，达到终止条件，并把最后的Cbest、gbest、tbest和hbest作为最好的参数组合。优选地，采用所述粒子群算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型的过程包括如下步骤：步骤a:粒子种群的初始化：设定权重系数t、Sigmoid参数h、核函数参数g、惩罚本文档来自技高网...

【技术保护点】
1.一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于，包括如下步骤：S1：对帕金森患者和健康人进行语音信号的采集；S2：对语音信号进行特征提取；S3：构造支持向量机模型的混合核函数；S4：利用智能优化算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型；S5：利用步骤S4中的最优支持向量机模型对待测语音进行分类预测，实现帕金森疾病的诊断。

【技术特征摘要】
1.一种基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于，包括如下步骤：S1：对帕金森患者和健康人进行语音信号的采集；S2：对语音信号进行特征提取；S3：构造支持向量机模型的混合核函数；S4：利用智能优化算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型；S5：利用步骤S4中的最优支持向量机模型对待测语音进行分类预测，实现帕金森疾病的诊断。2.根据权利要求1所述的基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于：所述步骤S2中对语音信号进行特征提取是利用语音信号处理算法提取语音特征。3.根据权利要求2所述的基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于：所述步骤S2中的特征包括平均基频F0_ave、最小基频F0_min、最大基频F0_max、五个衡量基频变化的特征Jitter、Jitter(Abs)、RAP、PPQ、DDP，六个衡量振幅变化的特征Shimmer、Shimmer(dB)、APQ3、APQ5、APQ、DDA，噪声谐波比NHR、谐波噪声比HNR、循环周期密度熵RPDE、相关度D2、趋势波动分析DFA、以及三个非线性的基频变化特征spread1、spread2、PPE。4.根据权利要求1所述的基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于：所述步骤S3中的混合核函数包括全局性核函数与局部性核函数；构造支持向量机模型的混合核函数包括如下步骤：S31：构造高斯径向基核函数，高斯径向基核函数的表达式为：令则上式简化为：K(xi,xj)＝exp(-g||xi-xj||2)；S32：构造Sigmoid核函数，Sigmoid核函数的表达式为：S33：构造混合核函数，其混合核函数的表达式为：其中，t是权值，代表的是所对应核函数在混合核函数种所占的权重，Ki(xi,xj),i＝1,2,....,m是m个不同的核函数；S34：以步骤S31中的高斯径向基核函数及步骤S32中的Sigmoid核函数，构造混合核函数支持向量机模型，混合核函数的表达式为：其中，t，1-t分别为高斯核函数和Sigmoid核函数在混合核函数中所占的权值，β的值为N是输入数据的维度，h的取值范围为-3～0之间。5.根据权利要求1所述的基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于：所述步骤S4中的智能优化算法包括遗传算法、粒子群算法或萤火虫算法。6.根据权利要求5所述的基于混合核函数支持向量机模型的帕金森疾病诊断方法，其特征在于：采用所述遗传算法优化支持向量机模型建立过程中的惩罚参数C、混合核函数中高斯核函数参数g、Sigmoid核函数参数h及比例参数t，并根据优化的结果建立最优支持向量机模型的过程包括如下步骤：步骤A：种群的初始化和个体编码：设定权重系数t、Sigmoid参数h、核函数参数g、惩罚因子C的取值范围，然后随机初始化一定数量的种群，并采用二进制将种群中的个体进行编码，染色体的编码信息代表的是权重系数t、Sigmoid参数h、核函数参数g、惩罚因子C的一个组合；步骤B：个体适应度的计算：以支持向量机分类器的分类交叉验证准确度作为个体的适应度；...

【专利技术属性】
技术研发人员：季薇，张锦博，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32