基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究

基于语音数据分析的帕金森病(PD)诊断存在样本量小、训练与测试数据分布差异明显的问题。为了解决这些问题，需要从降维和样本扩充两个方面同时进行。因此，该文提出结合加噪加权卷积稀疏迁移学习和样本特征并行优选的PD分类算法。该算法可从源域的公共语音库中学习有利于表达PD语音特征的有效结构信息，同时完成降维和样本间接扩充。样本特征并行优选考虑到了样本和语音特征间的关系，从而有助于获取高质量的特征。首先，对公共语音库进行特征提取构造公共特征库；然后，以公共特征库对PD目标域的训练数据集及测试数据集进行稀疏编码，这里分别采用传统稀疏编码(SC)与卷积稀疏编码(CSC)两种稀疏编码方法；接着，对编码后的语音样本段和特征数据进行同时优选；最后，采用支撑向量机(SVM)进行分类。实验结果表明，该算法针对受试者的分类准确率最高值达到了95.0%，均值达到了86.0%，较相关被比较算法有较大提高。此外，研究还发现，相较于传统稀疏编码方法，卷积稀疏编码更有利于提取PD语音数据的高层特征；同样，迁移学习也有利于提高该算法性能。