CN112233785A - 一种帕金森症的智能识别方法 - Google Patents

Abstract

本发明公开了一种帕金森症的智能识别方法，包括：S1，获取待识别人的声音数据；S2，对所述声音数据进行预处理；S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；S4，动态收敛微分神经网络模型输出相应的结果。而动态收敛微分神经网络模型使用神经动力学公式进行参数矩阵的更新，且整个神经网络只包含一层隐藏层，本发明基于神经动力学的动态收敛微分神经网络具有比传统的BP神经网络更好的收敛结果与收敛速度。

Description

一种帕金森症的智能识别方法

技术领域

本发明涉及神经网络模型识别技术领域，具体涉及一种帕金森症的智能识别方法。

背景技术

帕金森的早期识别目前依然是一个难题，传统的根据临床症状来进行诊断的方法诊断时间长且准确率不高，而利用示踪剂的方式则成本太高无法普及，且帕金森症的患者人数众多，因此一种低成本、高准确、早诊断的方法急需提出。声音上细微的变化是帕金森症的一个早期表现，已有研究证明可将其用于帕金森症的识别，但是直接分析的缺点是工作量大，识别时间长，且有可能因为人为的原因导致出错，因此声音特征用于帕金森的识别目前没有得到实际应用。

发明内容

本发明的目的是为了克服以上现有技术存在的不足，提供了一种识别速度快且准确率高的帕金森症的智能识别方法。

本发明的目的通过以下的技术方案实现：

一种帕金森症的智能识别方法，包括：

S1，获取待识别人的声音数据；

S2，对所述声音数据进行预处理；

S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；

S4，动态收敛微分神经网络模型输出相应的结果。

优选地，步骤S3中的动态收敛微分神经网络模型的训练包括：

S31，获取帕金森数据集，并将帕金森数据集分为训练集和测试集；具体操作是将帕金森数据集中70％作为训练集，30％作为测试集，且正负类均匀分布。

S32，将划分后的帕金森数据集进行预处理；

S33，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数，得到训练好的动态收敛微分神经网络模型。

优选地，步骤S31包括：将帕金森数据集以正负类均匀分布分为训练集和测试集；帕金森数据集的44个声学属性分为八组，分别是基频扰动、振幅扰动、谐波噪声比、基于梅尔倒谱系数的0到12阶谱测度及其导数、复发周期密度熵、去趋势波动分析、基频周期熵、声门噪声激发比。

优选地，将划分后的帕金森数据集进行预处理包括：将帕金森数据集进行零均值标准化处理(Z-score方法)，其中均值为0，方差为1，利用统计池技术中的统计特征对标准化后的帕金森数据集进行特征增强处理；特征增强后的帕金森数据集使用主成分分析技术以80％贡献率提取出关键特征，其中统计特征包括平均值、标准差、能量、熵、自相关、绝对平均值、峰度、偏度、中值、最小值、最大值、变异系数、均方根、形状因子、峰值因子、裕度因子、脉冲因子、最大值与最小值之差、最大值与平均值之差。

优选地，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数包括：

S331，根据神经动力学公式利用误差的导数信息得到关于神经网络待更新参数的隐动力学公式；

其中λ和

分别为网络学习率和误差激活函数，f'为输出层激活函数的导数，o(k)和y分别为输出层实际输出与训练集的标签，w(k)和b(k)分别表示隐含层到输出层的权重和偏置，隐含层输出h(k)＝g(v(k)x+a(k))，其中v(k)和a(k)分别为输入层到隐含层的权重和偏置，x为训练数据(训练集)；

S332，在隐动力学公式中，固定隐含层输出h(k)，使得

则得到隐含层到输出层权重w(k)和偏置b(k)的更新公式

其中

H(k)＝[h(k)；1]，H⁺(k)为H(k)的广义逆；

S333，在隐动力学公式中，固定隐含层到输出层的参数w(k)和b(k)，使得

则得到反馈传播时隐含层输出h(k)的更新公式

S334，根据隐含层输出h(k)的更新公式，结合前馈传播时隐含层输出h(k)＝g(v(k)x+a(k))，其导数为

其中X＝[x；1]、W₁(k)＝[v(k),a(k)]，g'为隐含层激活函数的导数，则得到输入层到隐含层的权重v(k)与偏置a(k)的更新公式。

优选地，步骤S4包括：根据预先的二分类神经网络的分类阈值，动态收敛微分神经网络模型输出相应的结果。举例：

预先的二分类神经网络的分类阈值为0。若步骤S4中动态收敛微分神经网络模型输出为1，则判定待识别人患有帕金森症。若步骤S4中动态收敛微分神经网络模型输出为-1，则判定待识别人为正常，没有患有帕金森症。

优选地，步骤S33之后还包括：将处理好的测试集输入动态收敛微分神经网络模型对网络进行训练，不断调整参数测试集，动态收敛微分神经网络模型输出识别结果，将所述识别结果和测试集的已知帕金森症结论进行对比，判断所述动态收敛微分神经网络模型的准确性。

优选地，所述帕金森数据集来自Naranjo在UCI数据库。所述帕金森数据集包含帕金森患者和正常人的声音信号。

本发明相对于现有技术具有如下优点：

本发明将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；而动态收敛微分神经网络模型使用神经动力学公式进行参数矩阵的更新，且整个神经网络只包含一层隐藏层，本发明基于神经动力学的动态收敛微分神经网络具有比传统的BP神经网络更好的收敛结果与收敛速度。针对Naranjo在UCI数据库中给出的帕金森数据集，实现了97.22％的准确率，而现有的基于机器学习的帕金森识别准确率最高91.25％，相比于现有的方法有很大的提升。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的帕金森症的智能识别方法的流程示意图。

图2为本发明的帕金森症的智能识别方法的网络结构图；

图3为本发明的训练动态收敛微分神经网络模型的具体流程图；

图4为本发明的帕金森症的智能识别方法的统计池部分流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

参见图1，一种帕金森症的智能识别方法，包括：

S1，获取待识别人的声音数据；

S2，对所述声音数据进行预处理；

S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；

S4，动态收敛微分神经网络模型输出相应的结果。

其中，动态收敛微分神经网络模型的推导过程如下：

第一步，假设神经网络的输入为样本向量x(训练集)。对于输入层和隐含层，定义权重矩阵为v(k)，偏置为a(k)。此时隐含层的输出为

h(k)＝g(v(k)x+a(k)) (1)

设输入样本向量的维数为m，隐含层节点数为n，则v(k)为一个n×m的矩阵，a(k)为一个n×1的向量。g(·)为softsign激活函数。具体公式如下：

此处选用softsign作为激活函数，预设动态收敛微分神经网络模型的输出结果为-1和1。

对于隐含层和输出层，定义权重矩阵为w(k),偏置为b(k)，则此时输出层的输出为

o(k)＝f(w(k)h(k)+b(k)) (3)

设输出节点个数为p，则w(k)为一个p×n的矩阵，b(k)为一个p×1的向量，f(·)为激活函数，此处依然选用softsign函数。

接着给出网络更新的步骤，第一步定义一个误差函数

ε(k)＝f(w(k)h(k)+b(k))-y (4)

其中k代表迭代更新权重的次数，y代表输入数据的类别标签。不同于传统的梯度下降法的标量误差，此处误差函数属于向量型。当同时输入多个数据时，误差迭代更新具体到每一个样本数据，使误差收敛到全局最小。网络通过神经动力学公式来进行权重和偏置的调节，具体公式如下：

此处λ＞0为学***稳。

应该是一个单调递增的奇函数。本专利中，使用power-sigmoid函数作为激活函数

公式如下：

这里需要满足n≥2且r≥2且为整数。此处，给定n＝4且r＝2。

第二步，参见图2，将误差函数(偏差函数导数信息)公式代入神经动力学公式(5)，得到隐动力学方程如下：

其中f'为输出层激活函数的导数，

分别代表对应的导数。

第三步，采取分步迭代的方式更新权重v(k)、w(k)和偏置a(k)、b(k)。为了方便公式推导，定义如下四个矩阵：X＝[x；1]、W₁(k)＝[v(k),a(k)]、W₂(k)＝[w(k),b(k)]、H(k)＝[h(k)；1]。随后，可以得到公式(7)的另一种等价形式：

下面将给出具体的更新过程。

首先，固定H(k)，此时可认为

随后由公式(8)可以得到

其中H⁺(k)为H(k)的广义逆。由此得到矩阵W₂的更新公式：

W₂(k+1)＝W₂(k)+ΔW₂ (10)

其中

之后以同样的方式对矩阵W₁进行更新。固定W₂(k)，此时有

即等价于

和

再由公式(7)可得

又由公式可得

其中g'为隐含层激活函数的导数。联立以上两式可得

其中X⁺为输入矩阵的广义逆。由此可以得到矩阵W₁的更新公式

W₁(k+1)＝W₁(k)+ΔW₁ (14)

上式中

不断重复上述操作进行迭代，直到误差稳定收敛，就可以得到最优的权值和偏置矩阵W₁和W₂，最终完成训练过程。

以上便是模型建立的数学推导过程。由图3知动态收敛微分神经网络模型要正常工作的话需要对数据进行预处理，下面将给出预处理过程。

预处理分为三步，第一步为标准化，即是将原数据转化为同一个尺度下的数据，本模型标准化后的数据均值为0，标准差为1。

第二步是统计池技术。由于本专利提出时所实验的数据集包含来自一个人的重复样本，因此需要使用统计池技术来增大数据间的差异以获得更好的分类效果，具体方式如图4所示。将原数据分别分成属性不重叠的四块、两块、一块，将每一块使用表1的公式进行计算，得到包含19各属性的块。再加上原数据集，新数据集一共包含177个属性。

表一

第三步则是主成分分析(PCA)，由于属性增加之后过多，因此需要将属性个数降低以使得我们的模型能够收敛到最好。以80％的贡献率使用PCA之后新数据集只包含9个属性。

自此为止，神经网络模型的建立以及数据预处理便全部介绍完毕。

需要说明的是，步骤S2中的对所述声音数据进行预处理的过程和上述预处理分过程一样。步骤S3中的将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别的过程上述模型的推导过程中的第二步，第三步一样。

上述具体实施方式为本发明的优选实施例，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种帕金森症的智能识别方法，其特征在于，包括：

S1，获取待识别人的声音数据；

S2，对所述声音数据进行预处理；

S3，将处理好的声音数据输入已训练好的动态收敛微分神经网络模型进行识别；

S4，动态收敛微分神经网络模型输出相应的结果。

2.根据权利要求1所述的帕金森症的智能识别方法，其特征在于，步骤S3中的动态收敛微分神经网络模型的训练包括：

S31，获取帕金森数据集，并将帕金森数据集分为训练集和测试集；

S32，将划分后的帕金森数据集进行预处理；

S33，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数，得到训练好的动态收敛微分神经网络模型。

3.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，步骤S31包括：

将帕金森数据集以正负类均匀分布分为训练集和测试集；帕金森数据集的44个声学属性分为八组，分别是基频扰动、振幅扰动、谐波噪声比、基于梅尔倒谱系数的0到12阶谱测度及其导数、复发周期密度熵、去趋势波动分析、基频周期熵、声门噪声激发比。

4.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，将划分后的帕金森数据集进行预处理包括：

将帕金森数据集进行零均值标准化处理，利用统计池技术中的统计特征对标准化后的帕金森数据集进行特征增强处理，特征增强后的帕金森数据集使用主成分分析技术以预设的贡献率提取出关键特征，其中统计特征包括平均值、标准差、能量、熵、自相关、绝对平均值、峰度、偏度、中值、最小值、最大值、变异系数、均方根、形状因子、峰值因子、裕度因子、脉冲因子、最大值与最小值之差、最大值与平均值之差。

5.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，将处理好的训练集输入动态收敛微分神经网络对网络进行训练，不断调整参数包括：

S331，根据神经动力学公式利用误差的导数信息得到关于神经网络待更新参数的隐动力学公式；

其中λ和

分别为网络学习率和误差激活函数，f'为输出层激活函数的导数，o(k)和y分别为输出层实际输出与训练集的标签，w(k)和b(k)分别表示隐含层到输出层的权重和偏置，隐含层输出h(k)＝g(v(k)x+a(k))，其中v(k)和a(k)分别为输入层到隐含层的权重和偏置，x为训练集；

S332，在隐动力学公式中，固定隐含层输出h(k)，使得

则得到隐含层到输出层权重w(k)和偏置b(k)的更新公式

其中

H(k)＝[h(k)；1]，H⁺(k)为H(k)的广义逆；

S333，在隐动力学公式中，固定隐含层到输出层的参数w(k)和b(k)，使得

则得到反馈传播时隐含层输出h(k)的更新公式

S334，根据隐含层输出h(k)的更新公式，结合前馈传播时隐含层输出h(k)＝g(v(k)x+a(k))，其导数为

其中X＝[x；1]、W₁(k)＝[v(k),a(k)]，g'为隐含层激活函数的导数，则得到输入层到隐含层的权重v(k)与偏置a(k)的更新公式。

6.根据权利要求1所述的帕金森症的智能识别方法，其特征在于，步骤S4包括：

根据预先设定的二分类神经网络的分类阈值，动态收敛微分神经网络模型输出相应的结果。

7.根据权利要求1所述的帕金森症的智能识别方法，其特征在于，步骤S33之后还包括：将处理好的测试集输入动态收敛微分神经网络模型对网络进行测试，将动态收敛微分神经网络模型输出的识别结果和测试集的已知帕金森症结果进行对比，判断所述动态收敛微分神经网络模型的准确性。

8.根据权利要求2所述的帕金森症的智能识别方法，其特征在于，所述帕金森数据集来自Naranjo在UCI数据库。

Images