CN105930663B - 一种基于演化模糊规则的手部震颤信号及音频信号分类方法 - Google Patents

一种基于演化模糊规则的手部震颤信号及音频信号分类方法 Download PDF

Info

Publication number
CN105930663B
CN105930663B CN201610266562.XA CN201610266562A CN105930663B CN 105930663 B CN105930663 B CN 105930663B CN 201610266562 A CN201610266562 A CN 201610266562A CN 105930663 B CN105930663 B CN 105930663B
Authority
CN
China
Prior art keywords
sample points
parkinson
time series
cluster
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610266562.XA
Other languages
English (en)
Other versions
CN105930663A (zh
Inventor
王玲
孙华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201610266562.XA priority Critical patent/CN105930663B/zh
Publication of CN105930663A publication Critical patent/CN105930663A/zh
Application granted granted Critical
Publication of CN105930663B publication Critical patent/CN105930663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于演化模糊规则的手部震颤信号及音频信号分类方法，能够提高演化模糊分类器的解释性。所述方法包括：依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；依据已构建的演化模糊分类器获取新测试者的生理数据中属于帕金森病特征样本点的数目。本发明适用于生物医药技术领域。

Description

一种基于演化模糊规则的手部震颤信号及音频信号分类方法
技术领域
本发明涉及生物医药技术领域，特别是指一种基于演化模糊规则的手部震颤信号及音频信号分类方法。
背景技术
帕金森病是一种严重威胁中老年人健康与生活质量的神经功能障碍性疾病，临床上以静止性振颤、运动迟缓、僵直、姿势不稳定、语言障碍为主要症状，现在发病率逐年升高，非常普遍，尚不能治愈，只能进行控制，所以及早诊断非常关键。在帕金森病的各种表现中，语言障碍为早期帕金森病的典型症状之一，大约90％的帕金森病人会出现某种程度的语言障碍。
现有技术中，例如，采用基于支持向量机对测试者的语音信号进行了分类，诊断正确率达到91.4％，基本上满足了对帕金森病初步诊断的要求。为了能够对分类结果进行分析，更多的研究人员开始进行特征选择的研究。例如，Sakar和Kursun基于特征选择方法(即选择和帕金森病具有最大相关性的最小语音特征子集)构建了集成SVM分类器对帕金森病进行诊断，分类准确率高达92.75％。Revett等使用粗糙集的方法对帕金森病语音信号进行特征选择与规则提取，其形成的分类结果达到100％的准确率，从而进一步证明了帕金森病通过语音数据进行自动诊断的可能性，但难以有效解释帕金森病语音特征与患病机理的关联性，导致分类模型的解释性较差，难于被人们所理解。
发明内容
本发明要解决的技术问题是提供一种基于演化模糊规则的手部震颤信号及音频信号分类方法，以解决现有技术所存在的帕金森病分类模型的解释性较差的问题。
为解决上述技术问题，本发明实施例提供一种基于演化模糊规则的手部震颤信号及音频信号分类方法，包括：
采集测试者的生理数据，并依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；
基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；
采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目；
若所述属于帕金森病样本点的数目占所述新测试者的生理数据中样本点总数的比例大于已确定的分类阈值，则将所述新测试者诊断为帕金森病患者。
进一步地，所述采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，包括：
采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病患者的时间序列模式；
对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点。
进一步地，所述采集测试者的生理数据，包括：
采集测试者的生理数据，并将采集的每个测试者的生理数据作为一组时间序列信息，每个时间序列信息包括预定个数的样本点；
所述依据采集的所述生理数据获取表征帕金森病患者的时间序列模式，包括：
对采集的每个时间序列信息进行归一化处理；
将归一化处理后的每个时间序列信息分割为预定个数的时间序列片段；
将每个时间序列片段的平均值转化成模式，形成时间序列模式；
对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式。
进一步地，所述对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，包括：
基于演化聚类的模式提取算法对形成的所述时间序列模式进行模式聚类；
判断一模式聚类中来自帕金森病患者的时间序列模式占当前模式聚类中所有时间序列模式的比例是否超过预定的第一阈值；
若超过预定的第一阈值，则将当前模式聚类中的时间序列模式标记为帕金森病患者的时间序列模式。
进一步地，所述对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点，包括：
对获取的表征帕金森病患者的时间序列模式内的所有样本点进行聚类；
若一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且当前聚类内的样本点来自多个帕金森病患者，则将当前聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点。
进一步地，所述演化模糊规则存储在预定的规则库中，所述演化模糊规则表示为：
Rulei:If x1 is Ai1 AND ... AND xp is Aip
Figure GDA0002307066010000031
其中，Rulei表示第i条演化模糊规则，x1,x2,…,xp表示特征向量
Figure GDA0002307066010000032
中的元素，p表示输入空间的维数，Ai1,…,Aip表示p个前件模糊集，
Figure GDA0002307066010000033
表示所述演化模糊规则的后件参数采用线性函数，m表示类别，yi表示第i条演化模糊规则的输出值。
进一步地，所述方法还包括：
所述规则库中的所述演化模糊规则是逐渐演化更新的；
其中，所述规则库中的所述演化模糊规则是逐渐演化更新的，包括：
若一演化模糊规则的前件没有发生变化，则采用递推最小二乘公式更新所述一演化模糊规则的后件参数，其中，所述递推最小二乘公式表示为：
Figure GDA0002307066010000034
Figure GDA0002307066010000035
式中，i表示第i条演化模糊规则；
Figure GDA0002307066010000036
表示更新后的t+1时刻的后件参数估计值；
Figure GDA0002307066010000037
表示t时刻的后件参数值；
Figure GDA0002307066010000038
表示t时刻的协方差矩阵；
Figure GDA0002307066010000041
表示t时刻的n+1个前件变量；
Figure GDA0002307066010000042
表示t时刻演化模糊规则的激励强度；w表示代价权重；Yt表示t时刻演化模糊规则输出值组成的向量；
Figure GDA0002307066010000043
表示更新后的t+1时刻的协方差矩阵。
进一步地，所述基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，包括：
基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构；
其中，所述基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构，包括：
实时读取t时刻新样本点数据zt；
获取t时刻所述新样本点数据zt的势能Pt(zt)和已有的聚类中心
Figure GDA0002307066010000044
的势能
Figure GDA0002307066010000045
若
Figure GDA0002307066010000046
l∈[1,R]且
Figure GDA0002307066010000047
则更新距离所述新样本点数据zt最近的已有的聚类；
若
Figure GDA0002307066010000048
l＝[1,R]且
Figure GDA0002307066010000049
则产生新的候选聚类
Figure GDA00023070660100000410
并确定所述候选聚类
Figure GDA00023070660100000411
的聚类密度Di，及获取已有的聚类密度中的最大聚类密度Dmax及最小聚类密度Dmin；若αDmin>Di>Dmin/α，则将候选聚类
Figure GDA00023070660100000412
添加到当前的聚类集；若Di<Dmin/β&Di>βDmin，则认为候选聚类
Figure GDA00023070660100000413
是异常聚类并删除该候选聚类
Figure GDA00023070660100000414
其中，α及β为预定的阈值且β>α>1；l表示第l个聚类中心的下标；R表示已经挖掘得到的演化模糊规则的数目；δmin表示新样本点数据到当前所有聚类中心的最短距离；r表示当前候选聚类的半径。
进一步地，所述演化模糊分类器的分类阈值表示为：
Figure GDA00023070660100000415
其中，PDthr表示为所述演化模糊分类器的分类阈值；Ai表示时间序列；percentAi表示时间序列Ai中被分类为帕金森病特征样本点的数目占Ai中所有样本点的比例；normal表示训练集中正常人特征样本点；PD表示训练集中帕金森病特征样本点；max(percentAi|normal)表示训练集中正常人特征样本点被分类为帕金森病特征样本点的最高比例；min(percentAi|PD)表示训练集中帕金森病特征样本点被分类为帕金森病特征样本点的最低比例；
所述训练集为依据采集的测试者的生理数据获取的表征帕金森病特征样本点及正常人特征样本点。
进一步地，所述采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目，包括：
采集新测试者的生理数据，并判断所述生理数据对应的时间序列模式是否是帕金森病患者的时间序列模式；
若是帕金森病患者的时间序列模式，则依据已构建的演化模糊分类器确定所述生理数据对应的时间序列模式中的样本点属于帕金森病特征样本点的数目。
本发明的上述技术方案的有益效果如下：
上述方案中，通过挖掘的演化模糊规则构建演化模糊分类器，并利用构建的演化模糊分类器识别早期帕金森病患者，提高帕金森病早期诊断的准确率，还可以通过所述演化模糊规则的形式得到人类可理解的知识，从而增加了演化模糊分类器的解释性。这样，基于演化模糊规则构建演化模糊分类器不仅能够提高演化模糊分类器的解释性，同时还保证了演化模糊分类器的准确性，且所述演化模糊规则可以在线更新，具有良好的自适应能力。
附图说明
图1为本发明实施例提供的基于演化模糊规则的手部震颤信号及音频信号分类方法的流程示意图；
图2为本发明实施例提供的样本点分类流程示意图；
图3为本发明实施例提供的基于演化模糊分类器的诊断流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的帕金森病分类模型的解释性较差的问题，提供一种基于演化模糊规则的手部震颤信号及音频信号分类方法。
实施例一
参看图1所示，本发明实施例提供的一种基于演化模糊规则的手部震颤信号及音频信号分类方法，包括：
步骤101：采集测试者的生理数据，并依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；
步骤102：基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；
步骤103：采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目；
步骤104：若所述属于帕金森病样本点的数目占所述新测试者的生理数据中样本点总数的比例大于已确定的分类阈值，则将所述新测试者诊断为帕金森病患者。
本发明实施例所述的基于演化模糊规则的手部震颤信号及音频信号分类方法，通过挖掘的演化模糊规则构建演化模糊分类器，并利用构建的演化模糊分类器识别早期帕金森病患者，提高帕金森病早期诊断的准确率，还可以通过所述演化模糊规则的形式得到人类可理解的知识，从而增加了演化模糊分类器的解释性。这样，基于演化模糊规则构建演化模糊分类器不仅能够提高演化模糊分类器的解释性，同时还保证了演化模糊分类器的准确性，且所述演化模糊规则可以在线更新，具有良好的自适应能力。
在前述基于演化模糊规则的手部震颤信号及音频信号分类方法的具体实施方式中，进一步地，所述采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，包括：
采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病患者的时间序列模式；
对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点。
本发明实施例中，所述测试者的生理数据可以包括：测试者的手部震颤信号及音频信号，所述测试者的手部震颤信号及音频信号表现为时间序列信息形式，通过辨识帕金森病患者与正常人的时间序列信息的差异，可以得到表征帕金森患者特征的时间序列模式；进一步地，对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，可以获取表征帕金森病特征样本点及正常人特征样本点作为训练集。
在前述基于演化模糊规则的手部震颤信号及音频信号分类方法的具体实施方式中，进一步地，所述采集测试者的生理数据，包括：
采集测试者的生理数据，并将采集的每个测试者的生理数据作为一组时间序列信息，每个时间序列信息包括预定个数的样本点；
所述依据采集的所述生理数据获取表征帕金森病患者的时间序列模式，包括：
对采集的每个时间序列信息进行归一化处理；
将归一化处理后的每个时间序列信息分割为预定个数的时间序列片段；
将每个时间序列片段的平均值转化成模式，形成时间序列模式；
对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式。
本发明实施例中，具体的，可以通过手机上的加速度计采集测试者手部的震颤情况，同时，通过麦克风采集测试者说话的音频信号。其中，音频信号以每一秒钟记录一条数据，每条数据包含19个特征变量，包括：频谱各个频段的能量，以及音频的各阶梅尔倒频谱系数(Mel-Frequency Cipstal Coefficients，MFCC)；加速度计的采样频率为50Hz，每条采样数据包含x、y、z加速轴线上的数据，每个轴向包含8个特征变量(均值、方差、功率谱密度等)，也就是说，采集的测试者的手部震颤信号及音频信号表现为多元时间序列信息形式。
本发明实施例中，每个测试者可以产生一个时间序列，一共可以产生16个时间序列，每个时间序列假设采集10000个样本点，为了消除不同量纲对数据处理的影响，可以对采集的测试者的生理数据进行z-score在线归一化处理，表示为式(1)：
Figure GDA0002307066010000081
式(1)中，xip和xip'分别表示归一化前后第i个时刻样本点的第p维数据；μip表示均值；σip表示方差；所述均值μip及方差σip的递归公式分别表示为式(2)和式(3)：
Figure GDA0002307066010000082
Figure GDA0002307066010000083
从而保证数据的方差和均值不会随着时间的变化发生突变，具有很好的健壮性。接着，可以利用分段平均值法对每个时间序列进行压缩，例如，可以把每个时间序列分割成20个时间序列片段，并把每个时间序列片段的平均值转化成模式，形成时间序列模式，接着，对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，其中，每个时间序列片段包含500个样本点的数据。
在前述基于演化模糊规则的手部震颤信号及音频信号分类方法的具体实施方式中，进一步地，如图3所示，所述对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，包括：
基于演化聚类的模式提取算法对形成的所述时间序列模式进行模式聚类；
判断一模式聚类中来自帕金森病患者的时间序列模式占当前模式聚类中所有时间序列模式的比例是否超过预定的第一阈值；
若超过预定的第一阈值，则将当前模式聚类中的时间序列模式标记为帕金森病患者的时间序列模式。
本发明实施例中，可以对所有测试者的时间序列模式进行相似性度量，具体的，可以基于演化聚类的模式提取算法(Pattern Extraction based on Evolving Clustering，PEEC)获取表征帕金森病患者的时间序列模式和正常人的时间序列模式，具体步骤包括：
C1、创建第一个模式聚类，将第一个时间序列模式t1作为第一个模式聚类。
C2、获取下一个时间序列模式ti，计算ti与所有已有的模式聚类中的时间序列模式tj(1≤j≤k)之间的相关系数之间的关系，k表示已经存在的模式聚类的个数。
Figure GDA0002307066010000091
式(4)中，R(tj,ti)表示两个时间序列模式的相关性；R(tj,ti)∈[0,1]，0表示两个时间序列模式完全相关，1表示两个时间序列模式完全不相关；corr(ti,tj)表示ti和tj之间的相关系数，corr(ti,tj)计算公式表示为：
Figure GDA0002307066010000092
式(5)中，xi和
Figure GDA0002307066010000093
分别表示时间序列模式ti的样本值和均值，yi和
Figure GDA0002307066010000094
分别表示时间序列模式tj的样本值和均值，n表示时间序列模式ti或tj中样本点的数目。
C3、如果存在tj与ti是相关的，且满足式(6)
Figure GDA0002307066010000095
则意味着ti属于第j个模式聚类(clusterj)，在这种情况下，既不用形成新的模式聚类，也不用更新已经存在的模式聚类，否则进入C4。
C4、获得所有已经存在的时间序列模式的模式聚类中心
Figure GDA0002307066010000096
其中，
Figure GDA0002307066010000097
表示第j个模式聚类中心，k表示已经存在的模式聚类的个数，并计算时间序列模式ti与
Figure GDA0002307066010000098
之间的欧氏距离Sij，以找到
Figure GDA0002307066010000099
表示为式(7)：
Figure GDA00023070660100000910
若
Figure GDA00023070660100000911
则ti不属于任何一个已经存在的模式聚类，则创建一个新的模式聚类；其中，
Figure GDA00023070660100000912
表示第j个模式聚类中的第m个时间序列模式(不包含聚类中心)，模式聚类j中包含mk+1个时间序列模式。
若
Figure GDA00023070660100000913
则时间序列模式ti∈clusterj，更新现有的第j个模式聚类的聚类中心。
C5、计算每个模式聚类中来自帕金森病患者的时间序列模式占各自模式聚类中所有时间序列模式的比例，如果该比例超过预定的第一阈值，则认为这个模式聚类中的时间序列模式标记为属于帕金森病患者的时间序列模式。
C6、如果仍有新的时间序列模式输入，则返回C2；否则，结束。
在前述基于演化模糊规则的手部震颤信号及音频信号分类方法的具体实施方式中，进一步地，所述对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点，包括：
对获取的表征帕金森病患者的时间序列模式内的所有样本点进行聚类；
若一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且当前聚类内的样本点来自多个帕金森病患者，则将当前聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点。
本发明实施例中，将所有标记为帕金森病患者的时间序列模式内的样本点组成一个新的数据集，继续采用PEEC算法对标记为帕金森病患者的时间序列模式内的所有样本点进行聚类实现帕金森病特征样本点和正常人特征样本点的分类，具体的，如果一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且该聚类内包含多个帕金森病患者的样本点，那么认为该聚类是一个帕金森病患者的特征样本点聚类，把该聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点，为后续训练演化模糊分类器提供样本，这样，无需使用采集的所有样本点即可实现帕金森病特征样本点和正常人特征样本点的分类，不仅可以提高诊断的效率，而且保证了诊断准确率。
本发明实施例中，可以先建立TS模糊模型，依据建立的TS模糊模型挖掘出的所述演化模糊规则；并依据挖掘出的所述演化模糊规则构建所述演化模糊分类器，其中，所述演化模糊规则存储在预定的规则库中；为了获得更准确的分类效果，所述演化模糊规则的前件是特征空间的模糊分割，所述演化模糊规则的后件采用的是线性函数而不是简单的类别标签，如式(8)所示：
Figure GDA0002307066010000101
式(8)中，Rulei表示第i条演化模糊规则，x1,x2,...,xp表示输入样本的特征向量
Figure GDA0002307066010000111
中的元素，p表示输入空间的维数，Ai1,...,Aip表示p个前件模糊集，
Figure GDA0002307066010000112
表示所述演化模糊规则的后件参数采用线性函数，m表示类别，yi表示第i条演化模糊规则的输出值。
本发明实施例中，所述演化模糊分类器的输出是将样本分类为演化模糊规则输出值最大的类别号：
Figure GDA0002307066010000113
其中：k表示类别的数目；
Figure GDA0002307066010000114
Figure GDA0002307066010000115
其中，R表示演化模糊规则的数目，a10,a11,…a1p表示第i个演化模糊规则后件第1个类别的线性子系统的参数，ak0,ak1,…akp表示第i个演化模糊规则后件第k个类别的线性子系统的参数，
Figure GDA0002307066010000116
表示第i条演化模糊规则的归一化激励强度，τi表示第i条演化模糊规则的激励强度。
这样，根据演化模糊规则的多个输出来判断输出的类别号，将样本分类为输出值为最大的类别，可以提高分类结果的准确率。
本发明实施例中，为了提高所述演化模糊分类器的可解释性，实现在线诊断及预测，所述规则库中的演化模糊规则是可以在线更新的，即所述演化模糊规则的数量和演化模糊规则的前件、后件参数是可以变化的，具有良好的自适应能力，例如，所述规则库中的演化模糊规则的更新包括：
E21、当一个演化模糊规则的中心被新样本点替代时，该演化模糊规则的后件参数和协方差矩阵保持不变。
E22、当一个演化模糊规则的前件增加了一个新前件变量时，该新演化模糊规则的后件参数可以用已经存在的所有规则的后件参数的加权平均值来表示，该新演化模糊规则的后件参数表示为式(9)：
Figure GDA0002307066010000117
式(9)中，λi表示第i条演化模糊规则的激励强度，
Figure GDA0002307066010000121
表示t-1时刻第i条演化模糊规则的后件参数，
Figure GDA0002307066010000122
表示更新后的t时刻第R+1条演化模糊规则的后件参数，所有规则更新后的后件参数
Figure GDA0002307066010000123
表示为式(10)：
Figure GDA0002307066010000124
所述演化模糊规则的协方差矩阵Ct的更新公式可以表示为式(11)：
Figure GDA0002307066010000125
式(11)中，
Figure GDA0002307066010000126
表示协方差矩阵中的元素，R(n+1)表示乘积关系，每个演化模糊规则都有n+1变量,一共有R条演化模糊规则，i的取值范围是i＝[1,R×(n+1)]；j的取值范围是j＝[1,R×(n+1)]，另外n也表示训练学习前的变量维数；ρ＝(R2+1)/R2；Ω表示超过预定值的大数。
E23、当演化模糊规则前件结构没有发生变化时，还可以代价敏感策略来更新规则的后件参数，对帕金森病特征样本点赋予更大的权重，从而降低误诊率。具体的，可以采用递推最小二乘公式更新所述一演化模糊规则的后件参数，其中，所述递推最小二乘公式表示为式(12)：
Figure GDA0002307066010000127
式(12)中，i表示第i条演化模糊规则；
Figure GDA0002307066010000128
表示更新后的t+1时刻的后件参数估计值；
Figure GDA0002307066010000129
表示t时刻的后件参数值；
Figure GDA00023070660100001210
表示t时刻的协方差矩阵；
Figure GDA00023070660100001211
表示t时刻的n+1个前件变量；
Figure GDA00023070660100001212
表示t时刻演化模糊规则的激励强度；w表示代价权重；Yt表示t时刻演化模糊规则输出值组成的向量；
Figure GDA00023070660100001213
表示更新后的t+1时刻的协方差矩阵。所述递推最小二乘公式中初始值
Figure GDA00023070660100001214
Figure GDA00023070660100001215
Ω表示超过预定值的大数，I表示单位矩阵，n表示训练学习前的变量维数。
本发明实施例中，在利用获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器时，随着新采集的样本点的不断到来，还可以基于融合异常检测的演化聚类算法(Ensemble Outlier Detection based on Evolving Clustering，EODEC)，在线学习所述演化模糊分类器的结构，动态更新所述演化模糊规则的个数和分布，并有效判断一个新到达的样本点潜在的状态，消除异常样本点对后续分类的影响。
本发明实施例中，基于融合异常检测的演化聚类算法EODEC，在线学习所述演化模糊分类器的结构，具体包括：
E11、初始化R＝1；
Figure GDA0002307066010000131
C1＝ΩI，并初始化规则后件参数为0；其中，R是演化模糊规则的数目，z1表示第一个样本点，
Figure GDA0002307066010000132
表示第一个聚类的中心，
Figure GDA0002307066010000133
表示势能；协方差矩阵C1表示一个较大的单位矩阵ΩI，Ω表示超过预定值的大数，I表示单位矩阵。
E12、计算所有已经形成的聚类的密度，找出最大聚类密度Dmax和最小聚类密度Dmin，并设置阈值α,β(β>α>1)；其中，聚类密度的计算公式表示为式(13)：
Figure GDA0002307066010000134
式(13)中，n表示某个聚类内的样本点的数量，volume为某个聚类的容量，volume表示为式(14)：
Figure GDA0002307066010000135
式(14)中，p表示输入空间的维数，σj表示第j个聚类中每个维度的带宽，Γ表示gamma函数，gamma函数表示为式(15)：
Figure GDA0002307066010000136
式(15)中，t表示时刻，x表示p/2。
E13、实时读取t时刻采集的新样本点的数据zt。
E14、递推地计算新样本点的数据zt的势能Pt(zt)：
Figure GDA0002307066010000137
式(16)中，
Figure GDA0002307066010000141
n表示变量的原始个数；j表示维度的范围从1到n+1；l表示第l个聚类中心的下标。
E15、更新所有已有的聚类中心的势能
Figure GDA0002307066010000142
Figure GDA0002307066010000143
本发明实施例中，
Figure GDA0002307066010000144
表示聚类中心
Figure GDA0002307066010000145
的势能，也可以表示聚类中心为
Figure GDA0002307066010000146
的聚类。
E16、比较新样本点的势能Pt(zt)和已有的聚类中心的势能
Figure GDA0002307066010000147
若
Figure GDA0002307066010000148
l∈[1,R]且
Figure GDA0002307066010000149
其中，l表示第l个聚类中心的下标，R表示已经挖掘得到的演化模糊规则的数目，δmin表示新样本点数据到当前所有聚类中心的最短距离，r表示当前候选聚类的半径；则通过式(17)和式(18)更新距离所述新样本点数据最近的已有的聚类，最近是指新样本点到当前已有的一聚类中心的距离最小，并跳转到E18：
Figure GDA00023070660100001410
Figure GDA00023070660100001411
式(17)、(18)中，j表示当满足条件时,对新样本点数据赋予一个下标索引j；
Figure GDA00023070660100001412
分别表示加入新样本点数据前、后t时刻的规则后件参数；
Figure GDA00023070660100001413
表示当新样本点数据与已经存在的一聚类中心的距离最小时，将新样本点数据重新命名为
Figure GDA00023070660100001414
并用
Figure GDA00023070660100001415
来替代已存在的那个距离新样本点数据最近的聚类中心；Ct，
Figure GDA00023070660100001416
分别表示加入新样本点数据前、后t时刻的协方差矩阵；
Figure GDA00023070660100001417
表示已经存在的一聚类中心；xt表示新样本点数据在x轴方向的映射；
Figure GDA00023070660100001418
表示新样本点数据被重新命名后在x轴方向的映射；R表示已经挖掘得到的演化模糊规则的数目。
若
Figure GDA00023070660100001419
l＝[1,R]且
Figure GDA00023070660100001420
其中，l表示第l个聚类中心的下标，R表示已经挖掘得到的演化模糊规则的数目，δmin表示新样本点数据到当前所有聚类中心的最短距离，r表示当前候选聚类的半径；则通过式(19)产生新的候选聚类
Figure GDA0002307066010000151
到预定的缓存器(candidate_Clust)，并进入E16。
Figure GDA0002307066010000152
式(19)中，
Figure GDA0002307066010000153
表示当新样本点数据与已经存在的一聚类中心的距离最小时，新样本点被重新命名为
Figure GDA0002307066010000154
并用
Figure GDA0002307066010000155
来替代已存在的那个距离新样本点数据最近的聚类中心；
Figure GDA0002307066010000156
中的R表示候选聚类
Figure GDA0002307066010000157
为新产生的；xt表示新样本点数据在x轴方向的映射；
Figure GDA0002307066010000158
是新样本点数据作为新的演化模糊规则的中心在x轴方向的映射；CR+1表示新增加的协方差矩阵，R是演化模糊规则的数目，
Figure GDA0002307066010000159
表示所有演化模糊规则更新后的后件参数，λi表示第i条演化模糊规则的激励强度，
Figure GDA00023070660100001510
表示t-1时刻第i条演化模糊规则的后件参数，
Figure GDA00023070660100001511
表示更新后的t时刻第R+1条演化模糊规则的后件参数。
否则，当前聚类结构不变。
E16、获取预定的缓存器(candidate_Clust)中所有聚类的密度D1,D2,…,Dl和最大聚类密度Dmax及最小聚类密度Dmin，其中，可以将所述候选聚类
Figure GDA00023070660100001512
的聚类密度标记为Di。
E17、比较聚类密度
若αDmin>Di>Dmin/α，则将对应候选聚类
Figure GDA00023070660100001513
添加到当前的聚类集；
若Di<Dmin/β&Di>βDmin，则认为该候选聚类
Figure GDA00023070660100001514
是异常聚类，将其删除。
E18、如果没有新的样本点到达则结束，否则返回E13，实时接收下一时刻的数据。
在前述基于演化模糊规则的手部震颤信号及音频信号分类方法的具体实施方式中，进一步地，根据对所述演化模糊分类器的训练结果，确定所述演化模糊分类器的分类阈值，其中，所述演化模糊分类器的分类阈值PDthr表示为：
Figure GDA00023070660100001515
其中，Ai表示时间序列；percentAi表示时间序列Ai中被分类为帕金森病特征样本点的数目占Ai中所有样本点的比例；normal表示训练集中正常人特征样本点；PD表示训练集中帕金森病特征样本点；max(percentAi|normal)表示训练集中正常人特征样本点被分类为帕金森病特征样本点的最高比例；min(percentAi|PD)表示训练集中帕金森病特征样本点被分类为帕金森病特征样本点的最低比例；所述训练集为依据采集的测试者的生理数据获取的表征帕金森病特征样本点及正常人特征样本点。
在前述基于演化模糊规则的手部震颤信号及音频信号分类方法的具体实施方式中，进一步地，所述采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目，包括：
采集新测试者的生理数据，并基于融合异常检测的演化聚类算法判断所述生理数据对应的时间序列模式是否是帕金森病患者的时间序列模式；
若是帕金森病患者的时间序列模式，则依据已构建的演化模糊分类器确定所述生理数据对应的时间序列模式中的样本点属于帕金森病特征样本点的数目。
本发明实施例中，如图3所示，当有新的测试者要采用已构建的所述演化模糊分类器进行帕金森病诊断时，具体步骤包括：
H1、实时采集新测试者的手部震颤信号及音频信号，接收到的所述手部震颤信号及音频信号以时间序列的形式存在，表示为B1,B2,...,Bi,...,BM，M表示新测试者的数目，接着对采集的时间序列Bi进行在线分段压缩，形成时间序列模式bi(1≤i≤M)。
本发明实施例中，例如，M＝16，可以对16个新测试者进行诊断验证，其中，9个新测试者已经在临床上确诊患有帕金森病，这些帕金森病患者处于帕金森病不同阶段；另外7名新测试者是健康的正常人，他们作为参与测试的对照组。帕金森病组中新测试者的年龄在46岁到80岁之间，平均年龄为60岁，健康的对照组中新测试者的年龄在42岁到77岁之间，平均年龄为61岁。帕金森病组中有7名男性患者和2名女性患者，对照组中有5名男性患者，2名女性患者。
H2、初始化Numi＝0，Numi(1≤i≤M)表示时间序列Bi中的帕金森病特征样本点的个数，并采用PEEC算法对时间序列模式bi进行在线模式聚类，如果bi被聚类到帕金森病患者的时间序列模式聚类中，那么时间序列模式bi被看作帕金森病患者的时间序列模式。
H3、在线分类时间序列模式bi内的样本点：
若时间序列模式bi是帕金森病患者的时间序列模式，则利用已构建的演化模糊分类器对时间序列模式bi内的所有样本点进行分类，识别时间序列模式bi内的样本点是否为帕金森病特征样本点；如果时间序列模式bi内有q个样本点被分类为帕金森病特征样本点，则更新Numi＝Numi+q。如果时间序列模式bi不是帕金森病患者的时间序列模式，则将时间序列模式bi中的所有样本点标记为正常人特征样本点。
H4、当时间序列Bi接收完毕时，则计算时间序列Bi中属于帕金森病的样本点个数Numi占时间序列Bi中总样本点个数的比例percenti；如果percenti<PDthr，则将Bi对应的新测试者诊断为正常人，否则将Bi对应的新测试者诊断为帕金森病患者。
H5、如果仍有新的数据输入，则返回H1。
本发明实施例中，基于构建的演化模糊分类器对16个新测试者进行诊断的结果如表1所示，由表1可知，基于构建的演化模糊分类器的诊断结果的准确率高达100％。
表1基于演化模糊分类器诊断帕金森病患者的结果
Figure GDA0002307066010000171
Figure GDA0002307066010000181
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于演化模糊规则的手部震颤信号及音频信号分类方法，其特征在于，包括：
采集测试者的手部震颤信号及音频信号，并依据采集的所述手部震颤信号及音频信号获取表征帕金森病特征样本点及正常人特征样本点，其中，所述手部震颤信号及音频信号表示为时间序列信息；
基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，其中，所述演化模糊分类器，用于输出测试者的手部震颤信号及音频信号中属于帕金森病特征样本点的数目；
其中，所述采集测试者的手部震颤信号及音频信号，并依据采集的所述手部震颤信号及音频信号获取表征帕金森病特征样本点及正常人特征样本点，包括：
采集测试者的手部震颤信号及音频信号，依据采集的所述手部震颤信号及音频信号获取表征帕金森病患者的时间序列模式；
对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点；
其中，所述采集测试者的手部震颤信号及音频信号，包括：
采集测试者的手部震颤信号及音频信号，并将采集的每个测试者的手部震颤信号及音频信号作为一组时间序列信息，每个时间序列信息包括预定个数的样本点；
所述依据采集的所述手部震颤信号及音频信号获取表征帕金森病患者的时间序列模式，包括：
对采集的每个时间序列信息进行归一化处理；
将归一化处理后的每个时间序列信息分割为预定个数的时间序列片段；
将每个时间序列片段的平均值转化成模式，形成时间序列模式；
对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式；
其中，所述对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，包括：
基于演化聚类的模式提取算法对形成的所述时间序列模式进行模式聚类；
判断一模式聚类中来自帕金森病患者的时间序列模式占当前模式聚类中所有时间序列模式的比例是否超过预定的第一阈值；
若超过预定的第一阈值，则将当前模式聚类中的时间序列模式标记为帕金森病患者的时间序列模式；
其中，所述对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点，包括：
对获取的表征帕金森病患者的时间序列模式内的所有样本点进行聚类；
若一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且当前聚类内的样本点来自多个帕金森病患者，则将当前聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点；
其中，所述演化模糊规则存储在预定的规则库中，所述演化模糊规则表示为：
Rulei:If x1 is Ai1 AND...AND xp is Aip
Figure FDF0000006586750000021
其中，Rulei表示第i条演化模糊规则，x1,x2,...,xp表示特征向量
Figure FDF0000006586750000022
中的元素，p表示输入空间的维数，Ai1,...,Aip表示p个前件模糊集，
Figure FDF0000006586750000023
表示所述演化模糊规则的后件参数采用线性函数，m表示类别，yi表示第i条演化模糊规则的输出值；
其中，所述方法还包括：
所述规则库中的所述演化模糊规则是逐渐演化更新的；
其中，所述规则库中的所述演化模糊规则是逐渐演化更新的，包括：
若一演化模糊规则的前件没有发生变化，则采用递推最小二乘公式更新所述一演化模糊规则的后件参数，其中，所述递推最小二乘公式表示为：
Figure FDF0000006586750000031
Figure FDF0000006586750000032
式中，i表示第i条演化模糊规则；
Figure FDF0000006586750000033
表示更新后的t+1时刻的后件参数估计值；
Figure FDF0000006586750000034
表示t时刻的后件参数值；
Figure FDF0000006586750000035
表示t时刻的协方差矩阵；
Figure FDF0000006586750000036
表示t时刻的n+1个前件变量；
Figure FDF0000006586750000037
表示t时刻演化模糊规则的激励强度；w表示代价权重；Yt表示t时刻演化模糊规则输出值组成的向量；
Figure FDF0000006586750000038
表示更新后的t+1时刻的协方差矩阵；
其中，所述基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，包括：
基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构；
其中，所述基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构，包括：
实时读取t时刻新样本点数据zt；
获取t时刻所述新样本点数据zt的势能Pt(zt)和已有的聚类中心
Figure FDF0000006586750000039
的势能
Figure FDF00000065867500000310
若
Figure FDF00000065867500000311
且
Figure FDF00000065867500000312
则更新距离所述新样本点数据zt最近的已有的聚类；
若
Figure FDF00000065867500000313
且
Figure FDF00000065867500000314
则产生新的候选聚类
Figure FDF00000065867500000315
并确定所述候选聚类
Figure FDF00000065867500000316
的聚类密度Di，及获取已有的聚类密度中的最大聚类密度Dmax及最小聚类密度Dmin；若αDmin>Di>Dmin/α，则将候选聚类
Figure FDF00000065867500000317
添加到当前的聚类集；若Di<Dmin/β&Di>βDmin，则认为候选聚类
Figure FDF00000065867500000318
是异常聚类并删除该候选聚类
Figure FDF00000065867500000319
其中，α及β为预定的阈值且β>α>1；l表示第l个聚类中心的下标；R表示已经挖掘得到的演化模糊规则的数目；δmin表示新样本点数据到当前所有聚类中心的最短距离；r表示当前候选聚类的半径。
CN201610266562.XA 2016-04-26 2016-04-26 一种基于演化模糊规则的手部震颤信号及音频信号分类方法 Active CN105930663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610266562.XA CN105930663B (zh) 2016-04-26 2016-04-26 一种基于演化模糊规则的手部震颤信号及音频信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610266562.XA CN105930663B (zh) 2016-04-26 2016-04-26 一种基于演化模糊规则的手部震颤信号及音频信号分类方法

Publications (2)

Publication Number Publication Date
CN105930663A CN105930663A (zh) 2016-09-07
CN105930663B true CN105930663B (zh) 2020-06-19

Family

ID=56837436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610266562.XA Active CN105930663B (zh) 2016-04-26 2016-04-26 一种基于演化模糊规则的手部震颤信号及音频信号分类方法

Country Status (1)

Country Link
CN (1) CN105930663B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358014B (zh) * 2016-11-02 2021-01-26 华南师范大学 一种生理数据的临床前处理方法及系统
CN107153871B (zh) * 2017-05-09 2021-07-13 浙江农林大学 基于卷积神经网络和手机传感器数据的跌倒检测方法
CN107157450B (zh) * 2017-06-19 2020-03-31 中国科学院计算技术研究所 用于对帕金森病人的手部运动能力进行量化评估方法和系统
CN107609588B (zh) * 2017-09-12 2020-08-18 大连大学 一种基于语音信号的帕金森患者updrs得分预测方法
CN108305680B (zh) * 2017-11-13 2021-08-10 陈霄 基于多元生物学特征的智能帕金森症辅助诊断方法和装置
CN110880360A (zh) * 2018-09-05 2020-03-13 重庆工商职业学院 一种基于稀疏表示的帕金森病数据集分类方法
CN110946556B (zh) * 2019-12-27 2022-07-15 南京信息工程大学 基于可穿戴式体感网的帕金森静息态震颤评估方法
CN111161879B (zh) * 2020-02-24 2020-10-09 吾征智能技术(北京)有限公司 一种基于大数据的疾病预测系统
CN111292851A (zh) * 2020-02-27 2020-06-16 平安医疗健康管理股份有限公司 数据分类方法、装置、计算机设备和存储介质
CN111554406B (zh) * 2020-04-10 2024-02-27 安徽华米健康科技有限公司 生理数据的处理方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103190904A (zh) * 2013-04-03 2013-07-10 山东大学 基于缺项特征的脑电图分类检测装置
CN104523268A (zh) * 2015-01-15 2015-04-22 江南大学 一种具备迁移学习能力的脑电信号识别模糊系统方法
CN104598722A (zh) * 2014-12-25 2015-05-06 中国科学院合肥物质科学研究院 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103190904A (zh) * 2013-04-03 2013-07-10 山东大学 基于缺项特征的脑电图分类检测装置
CN104598722A (zh) * 2014-12-25 2015-05-06 中国科学院合肥物质科学研究院 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法
CN104523268A (zh) * 2015-01-15 2015-04-22 江南大学 一种具备迁移学习能力的脑电信号识别模糊系统方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
fuzzy inference algorithm based on quantitative association rules;ling wang等;《procedia computer science》;20151008;第61卷;第388-394页 *
基于自适应学习的演化聚类算法;王玲等;《控制与决策》;20160104;第31卷(第3期);第423-428页 *

Also Published As

Publication number Publication date
CN105930663A (zh) 2016-09-07

Similar Documents

Publication Publication Date Title
CN105930663B (zh) 一种基于演化模糊规则的手部震颤信号及音频信号分类方法
Rustempasic et al. Diagnosis of parkinson’s disease using fuzzy c-means clustering and pattern recognition
CN111000553B (zh) 一种基于投票集成学习的心电数据智能分类方法
CN107110743B (zh) 检查数据处理装置以及检查数据处理方法
CN107609588B (zh) 一种基于语音信号的帕金森患者updrs得分预测方法
CN109886068B (zh) 基于运动数据的动作行为识别方法
Patra et al. Integration of FCM, PCA and neural networks for classification of ECG arrhythmias
Sharma et al. Voice analysis for telediagnosis of Parkinson disease using artificial neural networks and support vector machines
CN112641451A (zh) 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统
CN110797084A (zh) 基于深层神经网络的脑脊液蛋白质的预测方法
CN110082106B (zh) 一种基于Yu范数的深度度量学习的轴承故障诊断方法
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
Thanoun et al. Development of Intelligent Parkinson Disease Detection System Based on Machine Learning Techniques Using Speech Signal
CN114595725A (zh) 一种基于加法网络和监督对比学习的脑电信号分类方法
CN114299996A (zh) 基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法及系统
Tai et al. A voice analysis approach for recognizing Parkinson’s disease patterns
Hasni et al. Analysis of electromyogram (EMG) for detection of neuromuscular disorders
TC et al. Prediction of Parkinson's disease using XGBoost
CN116484290A (zh) 一种基于Stacking集成的抑郁症识别模型构建方法
CN111709440B (zh) 基于FSA-Choquet模糊积分的特征选择方法
CN112733727B (zh) 基于线性分析的特征决策融合的脑电意识动态分类方法
CN114818781A (zh) 一种融合稀疏特征的ecg信号干扰波识别方法
CN113571050A (zh) 一种基于Attention与Bi-LSTM的语音抑郁状态识别方法
Sulaiman et al. Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network
CN111079824A (zh) 一种通过比较向量距离对癫痫进行分类的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant