CN107045876A - 一种基于语音的帕金森症严重程度诊断方法 - Google Patents
一种基于语音的帕金森症严重程度诊断方法 Download PDFInfo
- Publication number
- CN107045876A CN107045876A CN201611262218.XA CN201611262218A CN107045876A CN 107045876 A CN107045876 A CN 107045876A CN 201611262218 A CN201611262218 A CN 201611262218A CN 107045876 A CN107045876 A CN 107045876A
- Authority
- CN
- China
- Prior art keywords
- patient
- updrs
- model
- ridge regression
- data
- 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.)
- Pending
Links
- 208000027089 Parkinsonian disease Diseases 0.000 title claims abstract description 26
- 206010034010 Parkinsonism Diseases 0.000 title claims abstract description 26
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 15
- 208000018737 Parkinson disease Diseases 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000001575 pathological effect Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 208000024891 symptom Diseases 0.000 description 14
- 238000012360 testing method Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 7
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 210000001260 vocal cord Anatomy 0.000 description 2
- 206010010774 Constipation Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000001577 neostriatum Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于语音的帕金森症严重程度诊断方法,属于模式识别技术领域。该方法通过以下步骤实现:(1)帕金森症患者的语音信号和及其对应UPDRS分值的采集;(2)语音信号进行特征提取;(3)使用岭回归模型构建域适应算法;(4)对得到的所有岭回归模型利用待测患者已知数据进行模型过滤;(5)将过滤后剩余的岭回归模型进行模型融合;(6)利用融合之后的模型对待测患者进行UPDRS分值预测,实现对帕金森症病情严重程度的预测诊断。本发明使用机器学习算法来进行帕金森病情严重程度的预测诊断,降低了帕金森疾病诊断的成本,提高了诊断效率,通过帕金森症患者历史数据学习语音数据与UPDRS之间的关系来诊断,减小了评估误差。
Description
技术领域
本发明属于涉及模式识别技术领域,更具体地说,涉及一种基于语音的帕金森症严重程度诊断方法。
背景技术
帕金森症是一种常见的全球范围的慢性神经系统疾病,主要是由于中脑黑质致密部多巴胺能神经元变性以及残存神经元细胞多巴胺生物合成能力下降从而导致纹状体区多巴胺缺乏引起的。其主要症状包含运动症状和非运动症状两个方面,运动症状主要包含震颤、肌僵直、动作迟缓、姿势平衡障碍等,非运动症状主要包含嗅觉减退、便秘、睡眠行为异常以及抑郁等。在目前的临床实践中,医者大多通过对帕金森症患者进行适当检查并与评定量表中的病情表现进行匹配从而得到患者的病情信息,统一帕金森评定量表(unifiedParkinson diease rating scale,简称UPDRS)是目前国际上普遍采用的评定量表,用于衡量帕金森症症状的严重性。对于未治疗患者,评定量表共包含了44个部分,每个部分有0-4个等级(0表示健康,4表示症状严重),患者的最终评分为这44部分的评分总和。UPDRS包含了三项内容用于检测未治疗患者的病情:(a)精神、行为和情绪(1-4);(b)日常生活活动(5-17),用于测量帕金森症患者是否能够在未协助状态下完成日常活动;(c)运动症状(18-44),用于测量肌肉控制情况。对于未经治疗的帕金森症患者而言,可以采用这三项内容的总和作为病情的总体衡量标准(total UPDRS)。统一帕金森评定量表中的第三部分运动症状(motor UPDRS)包含了帕金森症的大部分症状(18-44),其分值从0-108,0表示没有任何运动症状,108则表示患者运动症状严重,缺乏肌肉控制能力。关于语言的检测在评定量表中的两个部分有所体现:(1)日常生活活动中的第五项“言语”,0表示正常,4表示经常听不懂;(2)运动症状中的第18项“语言表达”,0表示正常,4表示患者。通过对患者进行一系列测试并根据患者表现记录分值得到的,评估手段复杂且费时,且评估通过UPDRS统一评定量表打分,打分表由患者和医生共同完成,受主观影响比较大,评估准确性受很大影响。
人类的语音主要是通过体内发声器官合作而产生的,而人体器官之间的合作是由神经元统一协调控制的,帕金森患者由于神经元损失导致无法稳定控制发声器官,使得患者均有不同程度的发声障碍。声带受损是帕金森患者中最常见的早期症状之一,大概有70%~90%的患者均有不同程度的发生障碍现象。元音/a/发音相对简单,且需要声道声带中各种肌肉的协调发出,携带了最多的临床有用信息,因此,可以通过语音对帕金森症患者病情进行分析,预测帕金森症患者的UPDRS评分值。
发明内容
针对现有技术中存在的传统帕金森病情严重程度分析诊断方法效率低、成本高以及过程复杂的问题,本发明提供了一种基于语音的帕金森症严重程度诊断方法,它利用数据库中已有帕金森患者的病情数据构建域适应算法,如果数据库中已包含待测患者的前期数据,则通过该部分数据进行模型过滤,最后经过模型融合求得最后模型,如果待测患者是一名新用户(数据库中没有该患者的任何数据信息),则直接进行模型融合求得最后模型。
不同的患者之间无论是病情严重程度还是病情进展模式都是具有差异的,很难采用一个统一机器学习模型去完美预测所有对象。基于域适应模型融合在模型构建时考虑了这种对象差异性,能够获得很好的预测效果。
基于过滤机制的域适应模型融合包括三个步骤:域适应算法、模型过滤、模型融合。假设已经收集了N位患者的帕金森语音以及UPDRS数据,域适应算法首先使用基回归模型分别对N个对象的数据进行回归拟合(本发明采用的基回归模型是岭回归模型);模型过滤是根据待预测患者的部分已知数据对N个基回归模型进行过滤,删除部分性能很差的模型;模型融合则是将模型过滤之后的剩余基回归模型进行融合,本发明采用的融合方法是求取剩余基回归模型参数的均值。下面将对基回归模型以及三个步骤进行详细阐述。
在说明之前,先对本发明涉及的相关变量进行详细介绍:
假设已经收集N位患者的语音特征数据及其对应的UPDRS数据,其中,X表示语音特征数据矩阵且第i位对象的语音特征矩阵为Xi,Y表示对应UPDRS值并且第i位对象的语音特征矩阵对应的UPDRS向量为Yi,整体数据表示如下:
X=(X1,X2,X3,....,XY)
Y=(Y1,Y2,Y3,....,YN)
如果第z位对象包含n条数据,则表示为:
如果待预测患者S已经有m(m≥0)条已知数据,称其为校准数据,表示如下:
本发明之后的说明均建立在当前阐述的变量之上。
本发明的目的通过以下技术方案实现。
基于语音的帕金森症严重程度诊断方法,其特征在于,其步骤如下:
(1)收集帕金森症患者持续稳定的元音/a/的发音及其对应的UPDRS评估且收集期间要 求患者不能进行治疗;
(2)对语音信号进行特征提取,将语音转换为语音特征向量;
(3)使用岭回归模型构建域适应算法;
(4)对得到的N个岭回归模型利用待测患者已知数据进行模型过滤;
(5)将过滤之后剩余的岭回归模型进行模型融合;
(6)利用融合之后的模型对待测患者进行UPDRS分值预测,实现对帕金森症病情严重程度的预测诊断。
更进一步的,所述步骤2中对语音信号进行特征提取具体步骤为:利用语音信号处理算法提取语音特征,提取的特征包括:平均基频F0_ave、最小基频F0_min、最大基频F0_max,五个衡量基频变化的特征Jitter、Jitter(Abs)、Jitter|:RAP、Jitter:PPQ,Jitter:DDP,六个衡量振幅变化的特征Shimmer、Shimmer(dB)、Shimmer:APQ3、Shimmer:APQ5、Shimmer:APQ11、Shimmer:DDA,噪声谐波比NHR、谐波噪声比HNR、循环周期密度熵RPDE、趋势波动分析DFA、基因周期熵PPE。
更进一步的,所述步骤3中使用岭回归模型构建域适应算法具体过程为:基于每一个已收集的帕金森患者,利用最终收集处理的语音数据及其对应的UPDRS构建岭回归模型,如果已收集N位帕金森患者的病情数据,则该步将得到N个岭回归模型。
岭回归是一种专用于共线性数据分析的有偏估计回归方法,给定一个特征矩阵X以及相应输出向量Y,岭回归试图找到一个回归参数,满足以下公式:
其中,λ>0是岭参数。由此解得的回归系数为:
βRR=(XTX+λF)-1XTY
其中,XT为X的转置。
基于岭回归模型构建域适应算法时,用岭回归模型将N个已知患者数据进行拟合,求得N个岭回归模型参数,如,对于第Z个已知患者,其求得的岭回归模型参数如下:
βZ=(λXZ)TXZ+λF)-1(XZ)TYZ
更进一步的,所述步骤4中对得到的N个岭回归模型利用待测患者已知数据进行模型过滤,具体过程为:
S1利用域适应步骤得到的N个岭回归模型对待测患者已知数据(也称校准数据)进行回归预测,得到校准数据的预测UPDRS值。其中,第i个岭回归模型对患者S的UPDRS预测计算公式如下:
YUPDRS=Xaalβt
XCAL是待测患者S的校准数据特征矩阵。
S2由S1步骤中,共获得了N组对象S的UPDRS预测值,分别计算N组UPDRS预测值和校准数据UPDRS真实值YCAL之间的平均绝对误差MAE,计算公式如下:
其中,m是校准数据容量,为校准数据UPDRS预测值,yj为校准数据UPDRS真实值,由此可以得到N组UPDRS预测值的MAE评估。
S3根据前面得到的N个MAE评估值,通过设定的阈值σ(σ=8)过滤掉MAE大于σ的岭回归模型,得到M组表现性能相对较好的岭回归参数,模型过滤结束。
更进一步的,所述步骤5中将过滤之后剩余的岭回归模型进行模型融合具体过程为:模型融合对上面得到的M(M≥3)组岭回归模型参数通过求取参数平均值的方式融合所有岭回归模型,得到最终的模型参数,模型融合计算公式如下:
如果待测患者S是一位新患者而没有校准数据时,则是将域适应算法得到的所有模型(N个)进行融合;如果已有患者数据与待测患者S的校准数据差异性都比较大,则保留MAE最小的三个模型。
更进一步的,所述步骤6中利用融合之后的模型对待测患者进行UPDRS分值预测,实现对帕金森症病情严重程度的预测诊断的具体过程为:待测患者S的语音通过语音信号处理算法获取其病理特征向量X之后,输入到模型中,通过如下计算公式得到该患者当前的UPDRS预测值:
yupdvs=xβfinal
待测患者连续/a/发音通过语音信号处理算法处理,获取其对应的病理特征,得到的病理特征向量输入训练好的模型,返回该待测患者当前的病情严重程度(UPDRS)。
相比于现有技术,本发明的优点在于:
(1)本发明的诊断方法降低了帕金森疾病诊断的成本,因为本发明是通过对语音信号进行特征提取,再利用统计机器学习方法来进行帕金森症病情严重性评估的,避免了去医院进行诊断的较高费用,而只需要获取语音信号以及部分UPDRS评估值进行模型建立,然后即可利用语音对患者当前病情严重性进行评估,节省了诊断成本;
(2)本发明的诊断方法提高了帕金森疾病诊断的效率,传统帕金森症病情分析方法是通 过对患者进行一系列测试并根据患者表现记录分值得到的,评估手段复杂且费时;而本发明则是通过统计机器学习方法得到的,基于帕金森症患者的历史数据记录很快就可以得到新患者的UPDRS评估,提高了评估效率;
(3)本发明的诊断方法减小了评估误差,传统帕金森症评估通过UPDRS统一评定量表打分,打分表由患者和医生共同完成,受主观影响比较大,评估准确性受很大影响;而本发明则是利用了语音和帕金森症之间的医学关系,根据患者的语音和UPDRS分值之间的统计关系,得到UPDRS预测值,主观影响小,评估误差相对较小。
附图说明
图1为本发明方法的步骤图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
实施例1
本实验选用UCI机器学习数据库中Parkinsons Telemonitoring Data Set作为研究对象。该数据集共包含42位原发性帕金森症患者的数据,其中有28位男性,14位女性,每位患者均有5年的患病历史。是患者6个月的实验数据,每位患者每周产生6条记录,由此,共得到了男性患者4010条语音记录以及女性患者1865条语音记录,并在实验开始时、3个月和6个月进行UPDRS评估测试,其中,数据集的UPDRS包含motor-UPDRS(运动症状分值)和total-UPDRS(全部症状分值),motor-UPDRS和total-UPDRS进行的测试是相同的,本发明直接用UPDRS统一表示分值。由于帕金森症病情发展平稳,基本接近线性,因此,该数据集根据得到的3个UPDRS基准数据通过线性插值法得到其他时间的所有记录的UPDRS值。根据数据集中的属性,基于语音的帕金森症严重程度诊断按以下步骤进行,如图1所示:
(1)选取其中41位患者作为已知患者用于训练机器学习模型,剩余一位患者作为待测患者用于测试模型;将待测患者数据的前1/3部分作为校准数据,后2/3部分作为测试数据。
(2)对选出的41位患者中的每位患者数据构建岭回归模型,本发明的计算方法是:
βRR=(XTX+λF)-1XTY
X是一位患者的语音特征矩阵,Y是对应的UPDRS值,XT是X的转置,λ是岭参数,本发明采用的岭参数是0.2。41位患者数据均通过该中方式计算岭回归参数,最终得到了41个岭回归参数β。
(3)用上述步骤产生的41个岭回归参数对步骤一选出的校准数据进行回归预测,计算得到的UPDRS回归预测值和校准数据的UPDRS真实值之间的平均绝对误差MAE,计算公式为:
m是校准数据容量,为校准数据UPDRS预测值,yj为校准数据UPDRS真实值。最终得到41个模型的MAE评估值。
(4)对得到的41个MAE评估值通过设定的阈值σ过滤掉小于σ的岭回归模型,最终剩余M个,本发明采用的阈值σ=8。为了最终的模型,本发明要求M≥3,如果最终MAE小于σ的岭回归模型个数小于3,则要保留MAE最小的三个岭回归模型。
(5)对过滤之后剩余的岭回归模型参数通过对其求取平均值的方式来融合所有模型,模型融合计算公式为:
(6)将选取的待测患者的测试数据利用最终的模型参数βfinal求取其UPDRS预测值,并计算得到的UPDRS预测值和其UPDRS真实值之间的平均绝对误差MAE,计算公式参考步骤(3)。MAE越小则表示该模型的预测性能越好。
本发明选取了待测患者前1/3的数据对得到的41个岭回归模型进行了过滤,是为了验证模型过滤的效果。但是,当待测对象是一位新的患者,没有任何病情数据时,则不需要进行模型过滤。待测患者的病情数据会随着时间而逐渐增多,模型预测效果也将越来越好。
重复上述步骤(1)到步骤(6),直到每位患者均有机会作为一次待测患者对模型进行测试。如果模型对大多数患者预测性能较好,则说明模型的泛化能力较好。
最终测试效果为:对于42位患者,模型对其中33位患者的预测效果较好,将最终得到的平均绝对误差用mean±std格式表示,motor-UPDRS测试结果为3.3287±3.6893,total-UPDRS测试结果为4.8899±16.8548。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。
Claims (6)
1.一种基于语音的帕金森症严重程度诊断方法,其特征在于,其步骤如下:
(1)收集帕金森症患者持续稳定的元音/a/的发音及其对应的UPDRS评估且收集期间要求患者不能进行治疗;
(2)对语音信号进行特征提取,将语音转换为语音特征向量;
(3)使用岭回归模型构建域适应算法;
(4)对得到的N个岭回归模型利用待测患者已知数据进行模型过滤;
(5)将过滤之后剩余的岭回归模型进行模型融合;
(6)利用融合之后的模型对待测患者进行UPDRS分值预测,实现对帕金森症病情严重程度的预测诊断。
2.根据权利要求1所述一种基于语音的帕金森症严重程度诊断方法,其特征在于,所述步骤2中对语音信号进行特征提取具体步骤为:利用语音信号处理算法提取语音特征,提取的特征包括平均基频F0_ave、最小基频F0_min、最大基频F0_max,五个衡量基频变化的特征Jitter、Jitter(Abs)、Jitter|:RAP、Jitter:PPQ,Jitter:DDP,六个衡量振幅变化的特征Shimmer、Shimmer(dB)、Shimmer:APQ3、Shimmer:APQ5、Shimmer:APQ11、Shimmer:DDA,噪声谐波比NHR、谐波噪声比HNR、循环周期密度熵RPDE、趋势波动分析DFA、基因周期熵PPE。
3.根据权利要求1所述一种基于语音的帕金森症严重程度诊断方法,其特征在于,所述步骤3中使用岭回归模型构建域适应算法具体过程为:基于每一个已收集的帕金森患者,利用最终收集处理的语音数据及其对应的UPDRS构建岭回归模型,如果已收集N位帕金森患者的病情数据,则该步将得到N个岭回归模型;给定一个特征矩阵X以及相应输出向量Y,岭回归试图找到一个回归参数,满足以下公式:
其中,λ>0是岭参数。由此解得的回归系数为:
βRR=(XTX+λF)-1XTY
其中,XT为X的转置。
基于岭回归模型构建域适应算法时,用岭回归模型将N个已知患者数据进行拟合,求得N个岭回归模型参数,如对于第Z个已知患者,其求得的岭回归模型参数如下:
βz=((Xz)TXz+λF)-1(Xz)TYz
4.根据权利要求1所述一种基于语音的帕金森症严重程度诊断方法,其特征在于,所述步骤4中对得到的N个岭回归模型利用患者已知数据进行模型过滤,具体过程为:
S1利用域适应步骤得到的N个岭回归模型对待测患者S的部分已知数据(也称校准数据)进行回归预测,得到校准数据的预测UPDRS值,其中,第i个岭回归模型对待测患者S的UPDRS预测计算公式如下:
YUPDRS=Xaalβt
XCAL是待测患者S的校准数据特征矩阵。
S2由S1步骤中,共获得N组待测对象S的UPDRS预测值,分别计算N组UPDRS预测值和校准数据UPDRS真实值Ycal之间的平均绝对误差MAE,计算公式如下:
其中,m是校准数据容量,为校准数据UPDRS预测值,yj为校准数据UPDRS真实值。由此,可以得到N组UPDRS预测值的MAE评估。
S3根据前面得到的N个MAE评估值,通过设定的阈值σ(σ=8)过滤掉MAE大于σ的岭回归模型,得到M组表现性能相对较好的岭回归参数,模型过滤结束。
5.根据权利要求1所述一种基于语音的帕金森症严重程度诊断方法,其特征在于,所述步骤5中将过滤之后剩余的岭回归模型进行模型融合具体过程为:模型融合对上面得到的M(M≥3)组岭回归模型参数通过求取参数平均值的方式融合所有岭回归模型,得到最终的模型参数,模型融合计算公式如下:
如果待测患者S是一位新患者而没有校准数据时,则是将域适应算法得到的所有模型(N个)进行融合;如果已有患者数据与待测患者S的校准数据差异性都比较大,则保留MAE最小的三个模型。
6.根据权利要求1所述一种基于语音的帕金森症严重程度诊断方法,其特征在于,所述步骤6中利用融合之后的模型对待测患者进行UPDRS分值预测,实现对帕金森症病情严重程度的预测诊断的具体过程为:将待测患者S的语音通过语音信号处理算法获取其病理特征向量x之后,输入到模型中,通过如下计算公式得到该患者当前的UPDRS预测值:
yαpdrs=xβfinal。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611262218.XA CN107045876A (zh) | 2016-12-30 | 2016-12-30 | 一种基于语音的帕金森症严重程度诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611262218.XA CN107045876A (zh) | 2016-12-30 | 2016-12-30 | 一种基于语音的帕金森症严重程度诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107045876A true CN107045876A (zh) | 2017-08-15 |
Family
ID=59543564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611262218.XA Pending CN107045876A (zh) | 2016-12-30 | 2016-12-30 | 一种基于语音的帕金森症严重程度诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107045876A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609588A (zh) * | 2017-09-12 | 2018-01-19 | 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 |
CN108877917A (zh) * | 2018-06-14 | 2018-11-23 | 杭州电子科技大学 | 网络远程监测帕金森病严重程度的系统及方法 |
CN109036469A (zh) * | 2018-07-17 | 2018-12-18 | 西安交通大学 | 一种基于声音特征的自主神经功能参数获取方法 |
CN110693459A (zh) * | 2019-10-31 | 2020-01-17 | 北京乐器研究所 | 诊断阿尔茨海默症的应用及诊断阿尔茨海默症的装置 |
CN111374672A (zh) * | 2018-12-29 | 2020-07-07 | 西安思博探声生物科技有限公司 | 智能护膝及膝关节损伤预警方法 |
CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
TWI754804B (zh) * | 2019-03-28 | 2022-02-11 | 國立中正大學 | 改善構音異常語音理解度之系統與方法 |
-
2016
- 2016-12-30 CN CN201611262218.XA patent/CN107045876A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609588A (zh) * | 2017-09-12 | 2018-01-19 | 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 |
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 |
CN108877917A (zh) * | 2018-06-14 | 2018-11-23 | 杭州电子科技大学 | 网络远程监测帕金森病严重程度的系统及方法 |
CN109036469A (zh) * | 2018-07-17 | 2018-12-18 | 西安交通大学 | 一种基于声音特征的自主神经功能参数获取方法 |
CN111374672A (zh) * | 2018-12-29 | 2020-07-07 | 西安思博探声生物科技有限公司 | 智能护膝及膝关节损伤预警方法 |
CN111374672B (zh) * | 2018-12-29 | 2024-01-19 | 西安思博探声生物科技有限公司 | 智能护膝及膝关节损伤预警方法 |
TWI754804B (zh) * | 2019-03-28 | 2022-02-11 | 國立中正大學 | 改善構音異常語音理解度之系統與方法 |
CN110693459A (zh) * | 2019-10-31 | 2020-01-17 | 北京乐器研究所 | 诊断阿尔茨海默症的应用及诊断阿尔茨海默症的装置 |
CN110693459B (zh) * | 2019-10-31 | 2022-04-29 | 北京乐器研究所 | 诊断阿尔茨海默症的应用及诊断阿尔茨海默症的装置 |
CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045876A (zh) | 一种基于语音的帕金森症严重程度诊断方法 | |
Vásquez-Correa et al. | Multimodal assessment of Parkinson's disease: a deep learning approach | |
CN109998525B (zh) | 一种基于判别式深度置信网络的心律失常自动分类方法 | |
CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
CN106251880A (zh) | 识别生理声音的方法以及系统 | |
CN107110743A (zh) | 检查数据处理装置以及检查数据处理方法 | |
Sáenz-Lechón et al. | Automatic assessment of voice quality according to the GRBAS scale | |
CN112971802B (zh) | 基于深度学习模型的心音信号检测方法及系统 | |
CN105930663A (zh) | 一种帕金森病早期诊断方法 | |
CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
CN109285551A (zh) | 基于wmfcc和dnn的帕金森患者声纹识别方法 | |
CN108847285A (zh) | 基于机器学习的孕前期及孕中期唐氏综合征筛查方法 | |
CN110123342A (zh) | 一种基于脑电波的网瘾检测方法及系统 | |
CN112957054A (zh) | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 | |
CN113509186A (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
CN114169383A (zh) | 有限元模型结构的应变-位移重构方法 | |
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 | |
Singh et al. | Detection of Parkinson's Disease using Machine Learning Algorithm | |
Nouhaila et al. | An intelligent approach based on the combination of the discrete wavelet transform, delta delta MFCC for Parkinson's disease diagnosis | |
CN113974607A (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
WO2023160149A1 (zh) | 体脂率的测量方法、装置及计算机可读存储介质 | |
Hanratty et al. | Analysis of glottal source parameters in Parkinsonian speech | |
CN114299925A (zh) | 一种基于语音对帕金森病患者吞咽困难症状重要性度量指标的获取方法和系统 | |
Cebola et al. | Speech-Based Supervised Learning Towards the Diagnosis of Amyotrophic Lateral Sclerosis. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170815 |