语音驱动的帕金森病多症状特征参数的小样本学习方法技术

本发明专利技术是一种语音驱动的帕金森病多症状特征参数的小样本学习方法，实现了在小规模数据集下对帕金森病患者的语音分析，将语音的初阶特征输入卷积神经网络，将得到的高阶特征进行组合，得到原型向量，再通过比较距离的方法计算原型和待测语音的差异性，并预测出待测样本在每一种症状下的概率，然后使用深度学习中的交叉熵损失函数和Adam优化器训练模型，使得原型向量接近于患者具有症状的真实分布，并将最终得到的原型向量作为关键性特征，实现帕金森病患者多种症状的同时预测分析。森病患者多种症状的同时预测分析。森病患者多种症状的同时预测分析。

【技术实现步骤摘要】
语音驱动的帕金森病多症状特征参数的小样本学习方法


[0001]本专利技术属于深度学习领域在医学方面的应用，涉及一种语音驱动的帕金森病多症状特征参数的小样本学习方法及系统。

技术介绍

[0002]帕金森病是一种常见的慢性神经性退化疾病，其症状包括运动症状和非运动症状。而根据运动障碍的不同，又可将患者分为震颤主导型(TD)和姿势/步态障碍型(PIGD)。运动症状包括震颤，冻结步态，吞咽困难，异动，开关期等。震颤主要表现为患者四肢或全身持续性或间歇性地颤抖，多见于震颤主导型；冻结步态主要表现为患者行走时步幅降低或突然中止，起步困难，迈腿受阻，难以行走，多见于姿势/步态障碍型；吞咽困难主要表现为患者在饮食过程中吞咽延迟、误吸、呛咳等，任何患者都有可能具有吞咽苦难的症状，甚至是患者的唯一症状；异动症状主要表现为患者作舞蹈样、手足徐动或简单重复的不自主运动，可累及头面部、四肢和躯干；开关期主要表现为患者运动症状接近消失，日常活动接近正常，并在未用药的情况下在短时间内重新出现运动障碍，一段时间后又自然缓解，一日当中可重复交替出现多次。异动症和开关期症状仅见于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种语音驱动的帕金森病多症状特征参数的小样本学习方法，多症状为吞咽困难症状、冻结步态症状、震颤症状、异动症状和开关期症状，其特征在于：所述小样本学习方法包括如下步骤：步骤1：采集帕金森病患者参与多语音任务的语音数据，并对所述语音数据进行多标签标注；步骤2：对步骤1中采集的帕金森患者的语音数据进行预处理，然后提取梅尔频率特征，得到能够表征语音数据的特征向量，并构造多任务数据集；步骤3：语音数据的梅尔频率特征向量输入卷积神经网络得到每一种标签的正类高层表征向量和负类高层表征向量；步骤4：由步骤3的高层表征向量计算得到每一个标签的原型向量，并计算支持集原型和查询集原型之间的距离，将距离通过softmax后得到样本具有每一种标签的概率；步骤5：定义损失函数并训练模型；步骤6：得到训练好的模型，输入新的语音样本，输出预测的5种标签值，辅助医生做出吞咽困难症状、冻结步态症状、震颤症状、异动症状和开关期症状下的评估。2.根据权利要求1所述语音驱动的帕金森病多症状特征参数的小样本学习方法，其特征在于：所述步骤2具体包括如下步骤：步骤2
‑
1：将步骤1中采集的帕金森患者的语音转换为频谱图后通过梅尔滤波器组得到语音的梅尔频谱特征；步骤2
‑
2：对于数据集中的个样本语音的梅尔频谱特征，根据语音来源的患者症状定义标签信息，组成样本对，其中代表第个样本，为第个样本的标签，是一个长度为5的one
‑
hot向量，向量中的0代表受试者没有该标签所代表的症状，反之为1；步骤2
‑
3：将整个数据集划分为多个任务集合，在每个任务集合中，对于标签，从中无放回采样个正样本，其中，即每一个样本的标签都等于1，构成标签k的正支撑集，再采样个负样本，即每一个样本的标签都等于0，构成标签k的负支撑集；步骤2
‑
4：然后再从数据集中随机采样1个样本作为查询样本，每个任务集合需包含所有的5个标签的正负支撑集，即，因此每个任务集合中包含条数据。3.根据权利要求1所述语音驱动的帕金森病多症状特征参数的小样本学习方法，其特征在于：步骤3具体为将语音数据的梅尔频谱特征向量输入Resnet34卷积神经网络以获得
语音数据的高层表征，具体包括如下步骤：步骤3
‑
1：初始化Resnet34卷积神经网络参数：采用在AudioSet音频数据集上预训练好的模型参数作为初始化参数；步骤3
‑
2：设Resnet34为函数，将每一个任务集中...

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