一种帕金森症的智能识别方法技术

本发明专利技术公开了一种帕金森症的智能识别方法，包括：S1，获取待识别人的声音数据；S2，对所述声音数据进行预处理；S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；S4，动态收敛微分神经网络模型输出相应的结果。而动态收敛微分神经网络模型使用神经动力学公式进行参数矩阵的更新，且整个神经网络只包含一层隐藏层，本发明专利技术基于神经动力学的动态收敛微分神经网络具有比传统的BP神经网络更好的收敛结果与收敛速度。

【技术实现步骤摘要】
一种帕金森症的智能识别方法
本专利技术涉及神经网络模型识别
，具体涉及一种帕金森症的智能识别方法。
技术介绍
帕金森的早期识别目前依然是一个难题，传统的根据临床症状来进行诊断的方法诊断时间长且准确率不高，而利用示踪剂的方式则成本太高无法普及，且帕金森症的患者人数众多，因此一种低成本、高准确、早诊断的方法急需提出。声音上细微的变化是帕金森症的一个早期表现，已有研究证明可将其用于帕金森症的识别，但是直接分析的缺点是工作量大，识别时间长，且有可能因为人为的原因导致出错，因此声音特征用于帕金森的识别目前没有得到实际应用。
技术实现思路
本专利技术的目的是为了克服以上现有技术存在的不足，提供了一种识别速度快且准确率高的帕金森症的智能识别方法。本专利技术的目的通过以下的技术方案实现：一种帕金森症的智能识别方法，包括：S1，获取待识别人的声音数据；S2，对所述声音数据进行预处理；S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；S4，动态收敛微分神经网络模型输出相应的结果。优选地，步骤S3中的动态收敛微分神经网络模型的训练包括：S31，获取帕金森数据集，并将帕金森数据集分为训练集和测试集；具体操作是将帕金森数据集中70％作为训练集，30％作为测试集，且正负类均匀分布。S32，将划分后的帕金森数据集进行预处理；S33，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数，得到训练好的动态收敛微分神经网络模型。优选地，步骤S31包括：将帕金森数据集以正负类均匀分布分为训练集和测试集；帕金森数据集的44个声学属性分为八组，分别是基频扰动、振幅扰动、谐波噪声比、基于梅尔倒谱系数的0到12阶谱测度及其导数、复发周期密度熵、去趋势波动分析、基频周期熵、声门噪声激发比。优选地，将划分后的帕金森数据集进行预处理包括：将帕金森数据集进行零均值标准化处理(Z-score方法)，其中均值为0，方差为1，利用统计池技术中的统计特征对标准化后的帕金森数据集进行特征增强处理；特征增强后的帕金森数据集使用主成分分析技术以80％贡献率提取出关键特征，其中统计特征包括平均值、标准差、能量、熵、自相关、绝对平均值、峰度、偏度、中值、最小值、最大值、变异系数、均方根、形状因子、峰值因子、裕度因子、脉冲因子、最大值与最小值之差、最大值与平均值之差。优选地，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数包括：S331，根据神经动力学公式利用误差的导数信息得到关于神经网络待更新参数的隐动力学公式；其中λ和分别为网络学习率和误差激活函数，f'为输出层激活函数的导数，o(k)和y分别为输出层实际输出与训练集的标签，w(k)和b(k)分别表示隐含层到输出层的权重和偏置，隐含层输出h(k)＝g(v(k)x+a(k))，其中v(k)和a(k)分别为输入层到隐含层的权重和偏置，x为训练数据(训练集)；S332，在隐动力学公式中，固定隐含层输出h(k)，使得则得到隐含层到输出层权重w(k)和偏置b(k)的更新公式其中H(k)＝[h(k)；1]，H+(k)为H(k)的广义逆；S333，在隐动力学公式中，固定隐含层到输出层的参数w(k)和b(k)，使得则得到反馈传播时隐含层输出h(k)的更新公式S334，根据隐含层输出h(k)的更新公式，结合前馈传播时隐含层输出h(k)＝g(v(k)x+a(k))，其导数为其中X＝[x；1]、W1(k)＝[v(k),a(k)]，g'为隐含层激活函数的导数，则得到输入层到隐含层的权重v(k)与偏置a(k)的更新公式。优选地，步骤S4包括：根据预先的二分类神经网络的分类阈值，动态收敛微分神经网络模型输出相应的结果。举例：预先的二分类神经网络的分类阈值为0。若步骤S4中动态收敛微分神经网络模型输出为1，则判定待识别人患有帕金森症。若步骤S4中动态收敛微分神经网络模型输出为-1，则判定待识别人为正常，没有患有帕金森症。优选地，步骤S33之后还包括：将处理好的测试集输入动态收敛微分神经网络模型对网络进行训练，不断调整参数测试集，动态收敛微分神经网络模型输出识别结果，将所述识别结果和测试集的已知帕金森症结论进行对比，判断所述动态收敛微分神经网络模型的准确性。优选地，所述帕金森数据集来自Naranjo在UCI数据库。所述帕金森数据集包含帕金森患者和正常人的声音信号。本专利技术相对于现有技术具有如下优点：本专利技术将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；而动态收敛微分神经网络模型使用神经动力学公式进行参数矩阵的更新，且整个神经网络只包含一层隐藏层，本专利技术基于神经动力学的动态收敛微分神经网络具有比传统的BP神经网络更好的收敛结果与收敛速度。针对Naranjo在UCI数据库中给出的帕金森数据集，实现了97.22％的准确率，而现有的基于机器学习的帕金森识别准确率最高91.25％，相比于现有的方法有很大的提升。附图说明构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术的帕金森症的智能识别方法的流程示意图。图2为本专利技术的帕金森症的智能识别方法的网络结构图；图3为本专利技术的训练动态收敛微分神经网络模型的具体流程图；图4为本专利技术的帕金森症的智能识别方法的统计池部分流程图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明。参见图1，一种帕金森症的智能识别方法，包括：S1，获取待识别人的声音数据；S2，对所述声音数据进行预处理；S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；S4，动态收敛微分神经网络模型输出相应的结果。其中，动态收敛微分神经网络模型的推导过程如下：第一步，假设神经网络的输入为样本向量x(训练集)。对于输入层和隐含层，定义权重矩阵为v(k)，偏置为a(k)。此时隐含层的输出为h(k)＝g(v(k)x+a(k))(1)设输入样本向量的维数为m，隐含层节点数为n，则v(k)为一个n×m的矩阵，a(k)为一个n×1的向量。g(·)为softsign激活函数。具体公式如下：此处选用softsign作为激活函数，预设动态收敛微分神经网络模型的输出结果为-1和1。对于隐含层和输出层，定义权重矩阵为w(k),偏置为b(k)，则此时输出层的输出为o(k)＝f(w(k)h(k)+b(k))(3)设输出节点个数为p，则w(k)为一个p×n的矩阵，b(k)为一个p×1的向量，f(·)为激活函数，此处依然选用softsign函数。接着给出网络更新的步骤，第一步定义一个误差函数ε(k)＝f(w(k)h(k)+b(k))-y本文档来自技高网...

【技术保护点】
1.一种帕金森症的智能识别方法，其特征在于，包括：/nS1，获取待识别人的声音数据；/nS2，对所述声音数据进行预处理；/nS3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；/nS4，动态收敛微分神经网络模型输出相应的结果。/n

【技术特征摘要】
1.一种帕金森症的智能识别方法，其特征在于，包括：
S1，获取待识别人的声音数据；
S2，对所述声音数据进行预处理；
S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；
S4，动态收敛微分神经网络模型输出相应的结果。


2.根据权利要求1所述的帕金森症的智能识别方法，其特征在于，步骤S3中的动态收敛微分神经网络模型的训练包括：
S31，获取帕金森数据集，并将帕金森数据集分为训练集和测试集；
S32，将划分后的帕金森数据集进行预处理；
S33，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数，得到训练好的动态收敛微分神经网络模型。


3.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，步骤S31包括：
将帕金森数据集以正负类均匀分布分为训练集和测试集；帕金森数据集的44个声学属性分为八组，分别是基频扰动、振幅扰动、谐波噪声比、基于梅尔倒谱系数的0到12阶谱测度及其导数、复发周期密度熵、去趋势波动分析、基频周期熵、声门噪声激发比。


4.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，将划分后的帕金森数据集进行预处理包括：
将帕金森数据集进行零均值标准化处理，利用统计池技术中的统计特征对标准化后的帕金森数据集进行特征增强处理，特征增强后的帕金森数据集使用主成分分析技术以预设的贡献率提取出关键特征，其中统计特征包括平均值、标准差、能量、熵、自相关、绝对平均值、峰度、偏度、中值、最小值、最大值、变异系数、均方根、形状因子、峰值因子、裕度因子、脉冲因子、最大值与最小值之差、最大值与平均值之差。


5.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，将处理好的训练集输入动态收敛微分神经网络对网络进行训练...

【专利技术属性】
技术研发人员：张智军，孙健声，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44