CN112233785A - 一种帕金森症的智能识别方法 - Google Patents
一种帕金森症的智能识别方法 Download PDFInfo
- Publication number
- CN112233785A CN112233785A CN202010649619.0A CN202010649619A CN112233785A CN 112233785 A CN112233785 A CN 112233785A CN 202010649619 A CN202010649619 A CN 202010649619A CN 112233785 A CN112233785 A CN 112233785A
- Authority
- CN
- China
- Prior art keywords
- parkinson
- neural network
- layer
- network model
- output
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 208000027089 Parkinsonian disease Diseases 0.000 claims 2
- 206010034010 Parkinsonism Diseases 0.000 claims 2
- 239000011159 matrix material Substances 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 7
- 238000009795 derivation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- General Engineering & Computer Science (AREA)
- Neurosurgery (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Developmental Disabilities (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
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
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);
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:
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:
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。
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)
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)
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649619.0A CN112233785B (zh) | 2020-07-08 | 2020-07-08 | 一种帕金森症的智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649619.0A CN112233785B (zh) | 2020-07-08 | 2020-07-08 | 一种帕金森症的智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233785A true CN112233785A (zh) | 2021-01-15 |
CN112233785B CN112233785B (zh) | 2022-04-22 |
Family
ID=74111731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010649619.0A Active CN112233785B (zh) | 2020-07-08 | 2020-07-08 | 一种帕金森症的智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233785B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887374A (zh) * | 2021-09-27 | 2022-01-04 | 华南理工大学 | 一种基于动态收敛微分神经网络的脑控喝水*** |
CN114788687A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院自动化研究所 | 一种帕金森肌强直症状量化评估方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1417742A (zh) * | 2002-12-16 | 2003-05-14 | 武汉大学 | 一种动态认知神经网络及实现方法 |
CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN109285551A (zh) * | 2018-09-18 | 2019-01-29 | 上海海事大学 | 基于wmfcc和dnn的帕金森患者声纹识别方法 |
US20190110754A1 (en) * | 2017-10-17 | 2019-04-18 | Satish Rao | Machine learning based system for identifying and monitoring neurological disorders |
CN110070888A (zh) * | 2019-05-07 | 2019-07-30 | 颐保医疗科技(上海)有限公司 | 一种基于卷积神经网络的帕金森语音识别方法 |
CN110703603A (zh) * | 2019-10-28 | 2020-01-17 | 华南理工大学 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
CN111037550A (zh) * | 2019-12-03 | 2020-04-21 | 华南理工大学 | 一种冗余度机械臂运动控制的解决方法 |
CN111210846A (zh) * | 2020-01-07 | 2020-05-29 | 重庆大学 | 基于集成流形降维的帕金森语音识别*** |
CN111210912A (zh) * | 2020-01-14 | 2020-05-29 | 上海恩睦信息科技有限公司 | 一种帕金森预测方法及装置 |
CN111354338A (zh) * | 2020-02-26 | 2020-06-30 | 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*** |
CA3124755A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
-
2020
- 2020-07-08 CN CN202010649619.0A patent/CN112233785B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1417742A (zh) * | 2002-12-16 | 2003-05-14 | 武汉大学 | 一种动态认知神经网络及实现方法 |
CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
US20190110754A1 (en) * | 2017-10-17 | 2019-04-18 | Satish Rao | Machine learning based system for identifying and monitoring neurological disorders |
CN109285551A (zh) * | 2018-09-18 | 2019-01-29 | 上海海事大学 | 基于wmfcc和dnn的帕金森患者声纹识别方法 |
CA3124755A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
CN110070888A (zh) * | 2019-05-07 | 2019-07-30 | 颐保医疗科技(上海)有限公司 | 一种基于卷积神经网络的帕金森语音识别方法 |
CN110703603A (zh) * | 2019-10-28 | 2020-01-17 | 华南理工大学 | 一种无人机多层递归收敛神经网络控制器的控制方法 |
CN111037550A (zh) * | 2019-12-03 | 2020-04-21 | 华南理工大学 | 一种冗余度机械臂运动控制的解决方法 |
CN111210846A (zh) * | 2020-01-07 | 2020-05-29 | 重庆大学 | 基于集成流形降维的帕金森语音识别*** |
CN111210912A (zh) * | 2020-01-14 | 2020-05-29 | 上海恩睦信息科技有限公司 | 一种帕金森预测方法及装置 |
CN111354338A (zh) * | 2020-02-26 | 2020-06-30 | 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*** |
Non-Patent Citations (1)
Title |
---|
焦嘉烽: "基于语音声谱图的帕金森症检测研究与***开发", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887374A (zh) * | 2021-09-27 | 2022-01-04 | 华南理工大学 | 一种基于动态收敛微分神经网络的脑控喝水*** |
CN113887374B (zh) * | 2021-09-27 | 2024-04-16 | 华南理工大学 | 一种基于动态收敛微分神经网络的脑控喝水*** |
CN114788687A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院自动化研究所 | 一种帕金森肌强直症状量化评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112233785B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Group Latent Embedding for Vector Quantized Variational Autoencoder in Non-Parallel Voice Conversion. | |
CN110390955B (zh) | 一种基于深度域适应性卷积神经网络的跨库语音情感识别方法 | |
Hossain et al. | Implementation of back-propagation neural network for isolated Bangla speech recognition | |
Song et al. | Noise invariant frame selection: a simple method to address the background noise problem for text-independent speaker verification | |
CN112233785B (zh) | 一种帕金森症的智能识别方法 | |
CN112465040B (zh) | 一种基于类不平衡学习算法的软件缺陷预测方法 | |
Ke et al. | Speech emotion recognition based on SVM and ANN | |
CN103366733A (zh) | 文本到语音的*** | |
CN109671423B (zh) | 训练数据有限情形下的非平行文本语音转换方法 | |
CN110047501B (zh) | 基于beta-VAE的多对多语音转换方法 | |
Ilyas | Pseudo-colored rate map representation for speech emotion recognition | |
CN112580588A (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
JPH08227408A (ja) | ニューラルネットワーク | |
CN103077408A (zh) | 基于小波神经网络的海底声纳图像转换为声学底质类别方法 | |
Zhiyan et al. | Speech emotion recognition based on deep learning and kernel nonlinear PSVM | |
CN117409819A (zh) | 一种基于人工智能的人体嗓音检测分析方法 | |
Yang et al. | Speech emotion analysis of netizens based on bidirectional lstm and pgcdbn | |
Gowda et al. | Affective computing using speech processing for call centre applications | |
Li et al. | Spectro-Temporal Modelling with Time-Frequency LSTM and Structured Output Layer for Voice Conversion. | |
Anindya et al. | Development of Indonesian speech recognition with deep neural network for robotic command | |
Hashimoto et al. | Parallel-Data-Free Many-to-Many Voice Conversion Based on DNN Integrated with Eigenspace Using a Non-Parallel Speech Corpus. | |
Wen et al. | Learning auxiliary categorical information for speech synthesis based on deep and recurrent neural networks | |
Poddar et al. | Data capturing and modeling by speech recognition: roles demonstrated by artificial intelligence, A survey | |
CN114357414B (zh) | 一种基于跨梯度训练的情感说话人认证方法 | |
Chelliah et al. | Robust Hearing-Impaired Speaker Recognition from Speech using Deep Learning Networks in Native |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |