【技术实现步骤摘要】
本专利技术属于图像识别，具体涉及一种基于样本扩充的帕金森病图谱分类方法。
技术介绍
1、目前，机器学习方法已广泛应用于帕金森病的早期检测中。但使用机器学习技术分析声纹特征参数，存在丢失语音信号非线性信息、特征冗余和特征参数选择复杂等问题。此外，机器学习分类器(如支持向量机、随机森林等)容易发生过拟合、调参困难且计算量大等问题。近年来，深度学习在病理检测中的成功应用，为利用声纹差异进行帕金森病识别奠定了坚实的基础。语音作为一种新型的非侵入式生物标志物，包含着丰富的信息。人耳的能力在区分健康语音和病理语音方面可能有局限性，但可以应用人工智能和深度学习技术来分析语音中的细微变化，从而实现对帕金森病的早期诊断和病情监测。
2、训练深度学习模型依赖大量的样本，样本数量少容易导致过拟合，因此在使用深度学习模型进行帕金森病识别时，样本扩充是一个亟待解决的问题。生成对抗网络提出以来，衍生许多变体并广泛应用于医学领域的图像处理和合成工作中，医学图像数据集稀缺问题得到改善。然而，在生成高分辨率图像时，生成对抗网络容易出现模型特征提取能力不足、训练不稳定和梯度消失等问题。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于样本扩充的帕金森病图谱分类方法，包括以下步骤：
2、s1：获取临床帕金森病患者的声纹谐波信号作为原始的语音信号，将原始的语音信号先后经过预加重、分帧、加窗、短时傅里叶变换、取短时功率谱操作，将原始语音信号的时域信息和频域信息同时转化到时频域，实现语音信
3、s2：建立深度卷积对抗生成对抗网络，并对深度卷积对抗生成对抗网络进行训练；
4、s3：将原始语谱图输入训练后的深度卷积对抗生成对抗网络，生成扩充样本；
5、s4：使用评价指标对扩充样本进行评估，并挑选出质量较高的语谱图；
6、s5：将原始语谱图与挑选出来的语谱图进行合并，输入convnext模型进行图谱分类。
7、本专利技术的有益效果：
8、本专利技术通过将语音信号转换为语谱图，最大程度地保留语音信号中的信息，语谱图能展示不同频段的语音信号强度随时间变化的情况，可以直观展现语音信号振幅相对变化和频谱能量的分布差异；
9、本专利技术通过将语谱图输入到深度卷积生成对抗网络模型，生成出高质量扩充样本，解决了样本不足情况下导致深度学习模型训练出现过拟合的问题；
10、本专利技术通过使用梯度惩罚、频谱规一化优化策略使深度卷积生成网络在训练过程变得更加稳定，使得深度卷积生成网络生成图像质量更好，生成样本更加多样化等优点；
11、本专利技术通过在深度卷积生成网络中嵌入双自注意力机制，以分析两个注意力图之间的相互关系，建立像素之间的远距离关系，并生成详细的特征位置线索信息，可以帮助模型提高纹理细节特征和全局特征的能力，从而提高生成样本的质量。
本文档来自技高网...【技术保护点】
1.一种基于样本扩充的帕金森病图谱分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，建立深度卷积对抗生成对抗网络，并对深度卷积对抗生成对抗网络进行训练，包括：
3.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，通过双自注意力模块建立像素之间的远距离依赖关系，包括：
4.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述深度卷积对抗生成对抗网络的损失函数，包括：
5.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，生成器G和判别器D中各层均使用频谱规一化，通过频谱规一化使训练过程变得更加稳定，包括：
6.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，通过梯度惩罚技术使训练过程变得更加稳定，包括：
7.根据权利要求6所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述带梯度惩罚WGAN的最终目标函数，包括：
8.根据权利要求1所述的一种
9.根据权利要求8所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，弗雷谢起始距离FID，包括：
10.根据权利要求8所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述灰度方差函数，包括：
...【技术特征摘要】
1.一种基于样本扩充的帕金森病图谱分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，建立深度卷积对抗生成对抗网络，并对深度卷积对抗生成对抗网络进行训练，包括：
3.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，通过双自注意力模块建立像素之间的远距离依赖关系，包括：
4.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述深度卷积对抗生成对抗网络的损失函数，包括：
5.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，生成器g和判别器d中各层均使用频谱规一化，通过频谱规一化使训练过程变得更加稳定，包括：
【专利技术属性】
技术研发人员：赵德春，张子豪，喻致宽，刘奇，王鹏程，张汇泉，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。