【技术实现步骤摘要】
基于集成流形降维的帕金森语音识别系统
本专利技术涉及智慧医疗技术，具体地说，是一种基于集成流形降维的帕金森语音识别系统。
技术介绍
帕金森氏病(PD)是仅次于阿尔茨海默氏病的第二大神经退行性疾病，并且患者人数逐年增加。PD给患者带来极大的不便，给患者的家庭和社会带来沉重的经济负担。帕金森氏病尚无永久性治愈方法，因此，PD的早期诊断尤为重要。声音性能下降是PD患者的常见症状，已被广泛用于PD的诊断。但是，现有的帕金森语音数据集具有冗余度高，噪声大和样本少的特点。如何提高PD诊断的准确性已成为相关领域学者或研究人员面临的科学问题。降维(DR)可以有效地处理PD语音数据，提高PD的诊断准确性和模型的泛化能力。目前，根据所选择的特征子集是否为原始特征空间的子集，用于PD语音数据集的DR方法可以分为特征选择和特征提取。PD语音数据集最早的DR方法主要集中在特征选择上，因为特征选择的特征子集是原始特征空间的子集，具有较高的可解释性，并且不会丢失单个特征与标签之间的重要信息。帕金森氏症诊断常用的特征选择算法是：最小绝对收缩和选择算...
【技术保护点】
1.一种基于集成流形降维的帕金森病语音识别系统，其特征在于包括：/n数据采集器：用于采集和存储训练数据、验证数据和测试数据，所述训练数据、验证数据和测试数据均为帕金森语音数据，且训练数据和验证数据中包括了代表帕金森病况的标签数据；/n分类器模块；通过所述训练数据和验证数据训练所得，并用于对所述测试数据进行分类识别，确定所述测试数据的标签类型；/n输出模块，用于输出最终的识别结果；/n所述分类器模块在训练时，先从所述训练数据中随机抽取E个子数据集X
【技术特征摘要】
1.一种基于集成流形降维的帕金森病语音识别系统，其特征在于包括：
数据采集器：用于采集和存储训练数据、验证数据和测试数据，所述训练数据、验证数据和测试数据均为帕金森语音数据，且训练数据和验证数据中包括了代表帕金森病况的标签数据；
分类器模块；通过所述训练数据和验证数据训练所得，并用于对所述测试数据进行分类识别，确定所述测试数据的标签类型；
输出模块，用于输出最终的识别结果；
所述分类器模块在训练时，先从所述训练数据中随机抽取E个子数据集X1～XE，利用流形学习降维算法对第一个训练子集X1进行映射，得到映射矩阵P1，利用经过映射矩阵P1映射后的训练子集X1训练一个分类器，并使用所述验证数据对该分类器进行测试，得到其分类误差率为e1，并将其错分的验证样本添加到训练子集X2中，然后继续对训练子集X2进行处理，并将其错分的验证样本添加到训练子集X3中，直到训练子集XE，错分的验证样本将不再被处理，从而得到E个分类器，每一个分类器对验证数据的分类误差e1～eE以及对应于每一个训练子集的映射矩阵P1～PE，然后，根据AdaBoost方法原理，计算出每一个分类器的权重α1～αE，基于映射矩阵P1～PE和每一个分类器的权重α1～αE得到加权映射矩阵P；最后使用经过加权映射矩阵P映射后的训练数据训练最终分类器，并使用经过加权映射矩阵P映射后的测试数据进行测试，将最终分类器的测试结果由所述输出模块输出。
2.根据权利要求1所述的基于集成流形降维的帕金森语音识别系统，其特征在于：所述流形学习方法通过构建映射矩阵Pi,i＝1～E使其在优先最小化局部类内散度矩阵的情况下，同时保留样本的局部性和最大化类间散射矩阵来降低各个子数据集X1～XE的维度。
3.根据权利要求1所述的基于集成流形降维的帕金森语音识别系统，其特征在于：
设训练数据矩阵X＝[x1,x2,...,xN]T＝[X1,X2,...,XC]T∈RN×D，D代表维度,是训练数据样本的数量，C是类别数；
y＝[y1,y2,…,yN]T∈RN为数据的标签；
通过映射矩阵P＝(p1,p2,…,pk)∈RD×d将数据从RN×D高维空间映射...
【专利技术属性】
技术研发人员：李勇明，刘玉川，王品，谭晓衡，颜芳，李新科，黄智勇，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。