CN107808663B - 基于dbn和rf算法的帕金森病语音数据分类系统 - Google Patents
基于dbn和rf算法的帕金森病语音数据分类系统 Download PDFInfo
- Publication number
- CN107808663B CN107808663B CN201711007973.8A CN201711007973A CN107808663B CN 107808663 B CN107808663 B CN 107808663B CN 201711007973 A CN201711007973 A CN 201711007973A CN 107808663 B CN107808663 B CN 107808663B
- Authority
- CN
- China
- Prior art keywords
- dbn
- algorithm
- feature
- voice data
- parkinson
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 13
- 230000002459 sustained effect Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 206010013952 Dysphonia Diseases 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- 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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/083—Recognition networks
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于包括：语音数据输入模块，用于采集待测患者的语音数据；分类识别器，用于对所述语音数据进行分类识别，该分类识别器包括基于DBN深度信念网络的特征变换模块和基于RF随机森林算法的分类器构成，并通过原始样本数据训练和测试达到预设的合格标准；输出模块，用于输出分类识别结果。其效果是：将DBN引入到帕金森病语音数据分类系统中，通过非线性变换引入了更好的特征，从而获得更加满意的准确度，确保了帕金森病诊断的准确性。
Description
技术领域
本发明涉及生物医疗信息处理中的智能分类算法，具体涉及到一种基于DBN和RF算法的帕金森病语音数据分类系统。
背景技术
帕金森病(PD)作为中枢神经系统的神经变性疾病，病症主要包括震颤，僵直，肌肉控制丧失，运动缓慢，平衡不良和语音问题等。截止目前，该病在全球影响近千万人，中国也属于帕金森病高发区。高质量的生物标志物是帕金森病诊断和治疗的关键。不幸的是，可靠的PD生物标志物至今也尚未确定。然而，最近的研究表明，语音信号(数据)有助于从健康人群中识别帕金森病患者，因为绝大多数患者通常在某种程度上表现为发音障碍。
基于目前技术来说，基于语音数据的诊断方法是比较有效的，所以一些研究人员设计了基于语音的分类算法来诊断PD，但其在进行特征提取时，大多采用的属于线性变换，缺乏非线性特征处理能力。
发明内容
为了解决上述问题，本发明提供一种基于DBN(Deep Belief Network，深度信念网络)和RF(Random Forest，随机森林)算法的的帕金森病语音数据分类系统，该系统结合深度信念网络进行特征转换，得到DBN特征，然后再用随机森林算法对特征进行分类，通过非线性变换，提高了系统分类的准确率。
为实现上述目的，本发明所采用的具体技术方案如下：
一种基于DBN和RF算法的帕金森病语音数据分类系统，其关键在于包括：
语音数据输入模块，用于采集待测患者的语音数据；
分类识别器，用于对所述语音数据进行分类识别，该分类识别器包括基于DBN深度信念网络的特征变换模块和基于RF随机森林算法的分类器构成，并通过原始样本数据训练和测试达到预设的合格标准；
输出模块，用于输出分类识别结果。
进一步地，所述分类识别器在采用原始样本数据进行训练和测试时，每一个测试对象采集了q个语音样本，每一个语音样本具有N个特征值，针对原始特征域Z0而言，q个语音样本的第k个特征值共同构成特征向量
k＝1,2，…，N；N个特征值构成的特征矩阵为
在DBN网络中设置K个受限玻尔兹曼机对原始特征域Z0中的特征矩阵进行特征转换，得到Z1,Z2,…,ZK这K个区域中对应的特征矩阵F1,F2,…,FK，并按照F＝(F1,F2,…,FK)组成新的特征矩阵进行训练或测试。
进一步地，每一个测试对象包括了26个语音样本，即q＝26，且具体的样本信息为：
| 样本序列 | 样本描述 |
| 第1个 | 持续元音aaa |
| 第2个 | 持续元音ooo |
| 第3个 | 持续元音uuu |
| 第4个～第13个 | 数字1～10 |
| 第14～第17个 | 预设的短句 |
| 第18～第26个 | 预设的单词 |
每一个语音样本设置有26个特征值。
进一步地，第i个受限玻尔兹曼机的输出特征矩阵Fi＝Fi-1Wi+Bi，i＝1,2,…,K，其中：Wi为第i个受限玻尔兹曼机的权重矩阵，Bi为第i个受限玻尔兹曼机的偏差矩阵。
进一步地，所述基于RF随机森林算法的分类器包括多个决策树模块和一个投票选择模块。
进一步地，所述决策树模块采用基于CART算法的分类回归树。
进一步地，当所述基于RF随机森林算法的分类器通过原始样本数据训练和测试达到预设的合格标准后，所述语音数据输入模块采集新的待测患者的语音数据，并通过基于DBN深度信念网络进行特征变换，得到训练过程中所选择的特征矩阵，并输入训练好的基于RF随机森林算法的分类器中，最终通过输出模块输出分类识别结果。
进一步地，所述分类识别器的合格标准包括准确度、灵敏度和特异性。
进一步地，在DBN网络中设置1个受限玻尔兹曼机，并以特征矩阵F1作为训练和测试的特征。
本发明的显著效果是：
本系统基于简单的语音样本即可做得准确的帕金森病识别，系统采用了基于DBN和RF算法的分类器，利用DBN进行非线性特征变换，从而引入了更好的特征，使其能够获得更加满意的准确度，确保了帕金森病诊断的准确性。
附图说明
图1为本发明的系统原理框图。
具体实施方式
为了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。
一种基于DBN和RF算法的帕金森病语音数据分类系统，包括：
语音数据输入模块，用于采集待测患者的语音数据；
分类识别器，用于对所述语音数据进行分类识别，该分类识别器包括基于DBN深度信念网络的特征变换模块和基于RF随机森林算法的分类器构成，并通过原始样本数据训练和测试达到预设的合格标准；
输出模块，用于输出分类识别结果。
如图1所示，在具体实施过程中，所述分类识别器需要预先采用原始样本数据进行训练和测试，使其达到预设的合格标准。每一个测试对象采集了q个语音样本，每一个语音样本具有N个特征值，针对原始特征域Z0而言，q个语音样本的第k个特征值共同构成特征向量
k＝1,2，…，N；对应的，向量中的
表述第q个语音样本在特征域Z0中的第k个特征，N个特征值构成的特征矩阵为
在DBN网络中设置K个受限玻尔兹曼机对原始特征域Z0中的特征矩阵进行特征转换，得到Z1,Z2,…,ZK这K个区域中对应的特征矩阵F1,F2,…,FK，并按照F＝(F1,F2,…,FK)组成新的特征矩阵进行训练或测试。
通过图1可以看出，K个受限玻尔兹曼机将DBN网络构成K个隐藏层，第i个受限玻尔兹曼机的输出特征矩阵Fi＝Fi-1Wi+Bi，i＝1,2,…,K，其中：Wi为第i个受限玻尔兹曼机的权重矩阵，Bi为第i个受限玻尔兹曼机的偏差矩阵，K的具体取值可以根据识别出的准确度来确认，在利用DBN进行特征转换时，可以通过调整其迭代周期、动量系数、学习速率以及网络结构使其性能最优。关于受限玻尔兹曼机的转换过程可以参考：张春霞，姬楠楠，王冠伟.受限玻尔兹曼机.工程数学学报,2015,32(2)。
通过基于DBN深度信念网络的特征变换模块进行特征变换后，接着利用基于RF随机森林算法的分类器进行分类识别，具体实施时，分类器包括多个决策树模块和一个投票选择模块，决策树模块采用基于CART算法的分类回归树，决策树的最优数量设为500，决策结果定义为健康者和PD患者两类，投票选择模块根据500个决策结果进行投票，业内主要采用LOO(leave one out)留一法对训练样本进行交叉验证，同时LOO算法基础上，采用基于受试者的留一法LOSO(leave-one-subject-out)对同一受试者的样本测试结果进行统计，如果大多数决策树认定受试者为患者，则投票选择模块认为该受试者为患者；否则，该受试者被认为是健康者。
为了进一步说明加入非线性变换带来的有效性和优势，本发明还基于以下数据和现有文献所公开的算法进行比较，具体地：原始样本数据通常采用专业的数据库，本实施例使用的数据由Sakar等人建立并从加州大学欧文分校(UCI)机器学习数据集库网站获取。主要选取名为“Training_Data”的数据集，其中包括了40名受试者，其中20名PD患者(6名女性，14名男性)和20名健康受试者(10名女性，10名男性)，每一个测试对象包括了26个语音样本，即q＝26，且具体的样本信息可以参见表1，每一个语音样本设置有26个特征值，具体特征参数可以参考文献[1]：B.E.Sakar,M.E.Isenkul,C.O.Sakar,A.Sertbas,F.Gurgen,S.Delil,H.Apaydin,O.Kursun.Collection and analysis of a Parkinson speechdataset with multiple types of sound recordings.IEEE Journal of Biomedical&Health Informatics.17,828-834(2013).来设定。
表1：语音样本信息
| 样本序列 | 样本描述 |
| 第1个 | 持续元音aaa |
| 第2个 | 持续元音ooo |
| 第3个 | 持续元音uuu |
| 第4个～第13个 | 数字1～10 |
| 第14～第17个 | 预设的短句 |
| 第18～第26个 | 预设的单词 |
当所述基于RF随机森林算法的分类器通过原始样本数据训练和测试达到预设的合格标准后，所述语音数据输入模块采集新的待测患者的语音数据，并通过基于DBN深度信念网络进行特征变换，得到训练过程中所选择的特征矩阵，并输入训练好的基于RF随机森林算法的分类器中，最终通过输出模块输出分类识别结果。
分类识别器的合格标准包括准确度、灵敏度和特异性，具体定义如下：
准确度：
灵敏度：
特异性：
其中变量为：TP：真阳性，TN：真阴性，FP：假阳性，FN：假阴性。
具体实验时将本发明提出的算法命名为：sPD_DBN&RF，对比算法采用前述的参考文献[1]和以下文献：
参考文献[2]：B.Mahnaz,S.Ashkan.A Multiple-Classifier Framework forParkinson’s disease Detection Based on Various Vocal Tests.InternationalJournal of Telemedicine and Applications；1-9(2016).
具体实验结果如表2所示：
表2：算法性能比较
实验结果表明，无论LOO和LOSO如何，sPD_DBN和RF算法在准确度(ACC)，灵敏度(SEN)，特异性(SPE)方面都获得了最佳的分类性能。在LOSO下，比较文献[1]中的方法，ACC的改善可以达到36.44％，SEN的改善可以达到37.08％，SPE的改进可达35.78％。值得注意的是，文献[1]没有报告其在LOO下的方法表现，文献[2]没有报告其方法在LOO下的表现和ACC，SEN和SPE的平均值。此外，发现LOSO下的分类表现高于LOO。
同时，本发明还基于不同的DBN结构进行了比较，采用不同隐藏层的输出进行测试，具体结果如表3和表4所示：
表3：LOO下不同特征层的分类结果
表4：LOSO下不同特征层的分类结果
从表3-4中可以发现，首先，LOSO可以获得比LOO更高的分类精度。其次，无论采用任何一个隐藏层的特征，性能都优于原始特征。在LOO下，对于一阶DBN特征，与原始特征相比，准确度提高了29.51％(从52.29％到81.8％)，灵敏度提高了33.1％(从50.9％到84％)，特异度提高25.93％(53.67％～79.6％)；对于二阶DBN特征，与原始特征相比，准确度提高了25.8％(从52.29％至78.09％)，灵敏度提高了32.68％(从50.9％到83.58％)，特异性提高为18.93％(53.67％至72.6％)。在LOSO下，对于一阶DBN特征，与原始特征相比，准确度提高29％(从59.5％至88.5％)，灵敏度提高了33％(从59％到92％)，特异性提高25％(60％～85％)；对于二阶DBN特征，与原始特征相比，准确度提高为22.75％(从59.5％至82.25％)，灵敏度提高了26.5％(从59％到85.5％)，特异性提高了19％(从60％至79％)。
认证研究后发现一阶DBN特征的性能最优，为了减少算法的复杂度并节约计算量，具体实施时，可以直接在DBN网络中设置1个受限玻尔兹曼机，并以特征矩阵F1作为训练和测试的特征，最佳性能可达95％的准确性，100％的灵敏度，在特异性方面也能达到95％，充分验证了本系统的有效性和可靠性。
最后需要说明的是，本实施例描述仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。
Claims (8)
1.一种基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于包括：
语音数据输入模块，用于采集待测患者的语音数据；
分类识别器，用于对所述语音数据进行分类识别，该分类识别器由基于DBN深度信念网络的特征变换模块和基于RF随机森林算法的分类器构成，并通过原始样本数据训练和测试达到预设的合格标准；在DBN网络中设置K个受限玻尔兹曼机对原始特征域Z0中的特征矩阵进行特征转换，得到Z1,Z2,…,ZK这K个区域中对应的特征矩阵F1,F2,…,FK，并按照F＝(F1,F2,…,FK)组成新的特征矩阵进行训练或测试；
输出模块，用于输出分类识别结果；
当所述基于RF随机森林算法的分类器通过原始样本数据训练和测试达到预设的合格标准后，所述语音数据输入模块采集新的待测患者的语音数据，并通过基于DBN深度信念网络进行特征变换，得到训练过程中所选择的特征矩阵，并输入训练好的基于RF随机森林算法的分类器中，最终通过输出模块输出分类识别结果。
2.根据权利要求1所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：所述分类识别器在采用原始样本数据进行训练和测试时，每一个测试对象采集了q个语音样本，每一个语音样本具有N个特征值，针对原始特征域Z0而言，q个语音样本的第k个特征值共同构成特征向量
N个特征值构成的特征矩阵为
3.根据权利要求2所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：每一个测试对象包括了26个语音样本，即q＝26，且具体的样本信息为：
每一个语音样本设置有26个特征值。
4.根据权利要求2所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：第i个受限玻尔兹曼机的输出特征矩阵Fi＝Fi-1Wi+Bi，i＝1,2,…,K，其中：Wi为第i个受限玻尔兹曼机的权重矩阵，Bi为第i个受限玻尔兹曼机的偏差矩阵。
5.根据权利要求2所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：所述基于RF随机森林算法的分类器包括多个决策树模块和一个投票选择模块。
6.根据权利要求5所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：所述决策树模块采用基于CART算法的分类回归树。
7.根据权利要求6所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：所述分类识别器的合格标准包括准确度、灵敏度和特异性。
8.根据权利要求2所述的基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于：在DBN网络中设置1个受限玻尔兹曼机，并以特征矩阵F1作为训练和测试的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711007973.8A CN107808663B (zh) | 2017-10-25 | 2017-10-25 | 基于dbn和rf算法的帕金森病语音数据分类系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711007973.8A CN107808663B (zh) | 2017-10-25 | 2017-10-25 | 基于dbn和rf算法的帕金森病语音数据分类系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107808663A CN107808663A (zh) | 2018-03-16 |
| CN107808663B true CN107808663B (zh) | 2021-04-27 |
Family
ID=61585366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711007973.8A Active CN107808663B (zh) | 2017-10-25 | 2017-10-25 | 基于dbn和rf算法的帕金森病语音数据分类系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107808663B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852336A (zh) * | 2018-08-20 | 2020-02-28 | 重庆工商职业学院 | 一种基于矢量空间的帕金森病数据集分类方法 |
| CN110808070B (zh) * | 2019-11-14 | 2022-05-06 | 福州大学 | 音频监控中基于深度随机森林的声音事件分类方法 |
| CN111210846B (zh) * | 2020-01-07 | 2022-07-05 | 重庆大学 | 基于集成流形降维的帕金森语音识别系统 |
| CN111354338B (zh) * | 2020-02-26 | 2022-03-15 | 重庆大学 | 基于pso卷积核优化稀疏迁移学习的帕金森语音识别系统 |
| CN113361563B (zh) * | 2021-04-22 | 2022-11-25 | 重庆大学 | 一种基于样本和特征双变换的帕金森病语音数据分类系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105448291A (zh) * | 2015-12-02 | 2016-03-30 | 南京邮电大学 | 基于语音的帕金森症检测方法及检测系统 |
| CN106601271A (zh) * | 2016-12-16 | 2017-04-26 | 北京灵众博通科技有限公司 | 一种语音异常信号检测系统 |
| CN107170445A (zh) * | 2017-05-10 | 2017-09-15 | 重庆大学 | 基于语音混合信息特征协同优选判别的帕金森症检测装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9031844B2 (en) * | 2010-09-21 | 2015-05-12 | Microsoft Technology Licensing, Llc | Full-sequence training of deep structures for speech recognition |
| KR101561651B1 (ko) * | 2014-05-23 | 2015-11-02 | 서강대학교산학협력단 | 딥 빌리프 네트워크를 이용한 음성기반 호불호 검출방법 및 장치, 그를 기록한 기록매체 |
| US20170185730A1 (en) * | 2015-12-29 | 2017-06-29 | Case Western Reserve University | Machine learning approach to selecting candidates |
| CN106297825B (zh) * | 2016-07-25 | 2019-10-18 | 华南理工大学 | 一种基于集成深度信念网络的语音情感识别方法 |
| CN106328121B (zh) * | 2016-08-30 | 2017-06-27 | 南京理工大学 | 基于深度置信网络的中国传统乐器分类方法 |
-
2017
- 2017-10-25 CN CN201711007973.8A patent/CN107808663B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105448291A (zh) * | 2015-12-02 | 2016-03-30 | 南京邮电大学 | 基于语音的帕金森症检测方法及检测系统 |
| CN106601271A (zh) * | 2016-12-16 | 2017-04-26 | 北京灵众博通科技有限公司 | 一种语音异常信号检测系统 |
| CN107170445A (zh) * | 2017-05-10 | 2017-09-15 | 重庆大学 | 基于语音混合信息特征协同优选判别的帕金森症检测装置 |
Non-Patent Citations (3)
| Title |
|---|
| Ali H. Al-Fatlawi;Mohammed H. Jabardi;Sai Ho Ling.Efficient diagnosis system for Parkinson"s disease using deep belief network.《2016 IEEE Congress on Evolutionary Computation (CEC)》.2016,1324-1330. * |
| 基于多维筛分类器的可视化帕金森病诊断;张涛,洪文学,李铭婷,赵勇,孟辉;《燕山大学学报》;20100331;第34卷(第2期);全文 * |
| 基于语音样本重复剪辑和随机森林的帕金森病诊断算法研究;李勇明;杨刘洋;刘玉川;王品;邱明国;谢文斌;张小恒;《生物医学工程学杂志》;20161231;第33卷(第6期);正文第1054-1056页，图1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107808663A (zh) | 2018-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107808663B (zh) | 基于dbn和rf算法的帕金森病语音数据分类系统 | |
| CN109473120A (zh) | 一种基于卷积神经网络的异常声音信号识别方法 | |
| CN110299142B (zh) | 一种基于网络融合的声纹识别方法及装置 | |
| CN103345923A (zh) | 一种基于稀疏表示的短语音说话人识别方法 | |
| Vrindavanam et al. | Machine learning based COVID-19 cough classification models-a comparative analysis | |
| CN102201237B (zh) | 基于模糊支持向量机的可靠性检测的情感说话人识别方法 | |
| Anupam et al. | Preliminary diagnosis of COVID-19 based on cough sounds using machine learning algorithms | |
| CN109448758B (zh) | 语音韵律异常评估方法、装置、计算机设备和存储介质 | |
| CN110364168B (zh) | 一种基于环境感知的声纹识别方法及系统 | |
| CN106531174A (zh) | 基于小波包分解和声谱图特征的动物声音识别方法 | |
| CN107918487A (zh) | 一种基于皮肤电信号识别中文情感词的方法 | |
| CN111292851A (zh) | 数据分类方法、装置、计算机设备和存储介质 | |
| Whitehill et al. | Whosecough: In-the-wild cougher verification using multitask learning | |
| CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
| Km et al. | Comparison of multidimensional MFCC feature vectors for objective assessment of stuttered disfluencies | |
| CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统 | |
| CN115457966A (zh) | 基于改进ds证据理论多分类器融合的猪咳嗽声识别方法 | |
| Sanjeev et al. | Deep learning-based mixed data approach for COVID-19 detection | |
| Hashim et al. | Analysis of timing pattern of speech as possible indicator for near-term suicidal risk and depression in male patients | |
| Mahanta et al. | The brogrammers dicova 2021 challenge system report | |
| CN116570284A (zh) | 一种基于语音表征的抑郁症识别方法、系统 | |
| CN109584861A (zh) | 基于深度学习的阿尔茨海默症语音信号的筛查方法 | |
| Cai et al. | The best input feature when using convolutional neural network for cough recognition | |
| Kothalkar et al. | Tagging child-adult interactions in naturalistic, noisy, daylong school environments using i-vector based diarization system | |
| CN113571050A (zh) | 一种基于Attention与Bi-LSTM的语音抑郁状态识别方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Yongming Inventor after: Xiao Jie Inventor after: Wang Pin Inventor after: Xie Tingjie Inventor after: Zheng Yuanlin Inventor after: Zhang Xiaoheng Inventor after: Yan Fang Inventor before: Li Yongming Inventor before: Xie Tingjie Inventor before: Wang Pin Inventor before: Zheng Yuanlin Inventor before: Zhang Xiaoheng Inventor before: Yan Fang |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |