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

基于语音数据实现帕金森病诊断近年来已被证明是一种有效方式。但是,目前相关研究在样本预处理和集成学习方面还考虑不足,从而造成样本对分类器误导、分类准确率和稳定性还不令人满意等问题。本文提出了一种结合样本重复剪辑算法和随机森林的帕金森病诊断新算法,并基于最新公共数据集进行了对比实验。实验结果表明,本文算法实现了对语音样本和受试者的分类诊断,针对受试者的平均分类准确率达到了100%,比原数据提供者最高改善了29.44%。本文基于样本优选实现了一种新的语音帕金森病诊断算法;与同类算法相比,具有较高的准确率和稳定性。     

基于样本增强的帕金森病识别算法研究

帕金森病患者早期存在声带损伤,其声纹特征与健康人存在明显差异,可以利用该差异识别帕金森病,但帕金森病患者声纹数据样本不足,因此本文提出双自注意力深度卷积生成对抗网络模型进行样本增强,生成高分辨率的语谱图,进而采用深度学习方法进行帕金森病识别。该模型通过增加网络深度并结合梯度惩罚、频谱归一化技术改进样本的纹理清晰度,并且构建一个基于迁移学习的纯粹的卷积神经网络家族（ConvNeXt）作为分类网络,以此提取声纹特征并进行分类,提升了帕金森病识别准确率。在帕金森病语音数据集上进行本文算法有效性验证实验,对比样本增强前,本文所提模型生成的样本清晰度以及弗雷谢起始距离（FID）均得到提高,并且本文网络模型能够获得98.8%的准确率。本文研究结果表明,基于双自注意力深度卷积生成对抗网络样本增强的帕金森病识别算法能够准确区分健康人和帕金森病患者,有助于解决帕金森病早期识别声纹数据样本不足的问题。综上,本文方法有效提高小样本帕金森病语音数据集分类准确率,为早期帕金森病语音诊断提供了一种有效的解决思路。     

混合语音段特征双边式优选算法用于帕金森病分类研究

近年来,已有研究证明基于语音数据可实现帕金森病(PD)的诊断,但是目前相关研究主要集中在特征提取及分类器设计等方面,对于样本优选方面考虑不足。本课题组前期研究结果表明,样本优选可有效改进分类准确性,但是样本和语音的相关关系至今还未能深入研究。因此,本文提出了基于相关特征加权和多核学习算法,同时对语音段和特征进行优选,用于发现语音段和特征的协同效应,从而达到提升PD分类准确性的目的。实验结果表明,本文算法针对受试者的分类准确率达到了82.5%,较已有文献算法提高了30.5%。此外,本文算法还挖掘出了语音段和特征的协同效应,对语音标记物提取有一定参考价值。     

基于栈式深度多项式网络集成学习框架的帕金森病计算机辅助诊断

特征表达是基于磁共振成像(MRI)的帕金森病(PD)计算机辅助诊断系统诊断准确性的重要决定因素。深度多项式网络(DPN)是一种新的有监督深度学习算法,对于小数据集具有良好的特征表达能力。本文提出一种面向PD计算机辅助诊断的栈式DPN(SDPN)集成学习框架,以有效提高基于小数据的PD辅助诊断准确性。本框架对所提取的MRI特征的每一个特征子集分别通过SDPN得到新的特征表达,然后采用支持向量机(SVM)对每个子集进行分类,再对所有分类器进行集成学习,得到最终的PD诊断结果。通过对公开的帕金森病数据库PPMI进行实验,基于脑网络特征的分类精度、敏感度和特异性分别为90.15%、85.48%和93.27%;而基于多视图脑区特征的分类精度、敏感度和特异性分别为87.18%、86.90%和87.27%。与在PPMI数据库中的MRI数据集进行实验的其他算法研究相比,本文所提出的算法获得了更好的分类结果。本文研究表明了所提出的SDPN集成学习框架的有效性,具有应用于PD计算机辅助诊断的可行性。     

基于语音预训练模型的抑郁症识别研究

针对数量日益增多的抑郁症患者群体,本文提出一种通过语音信号有效识别抑郁症的人工智能方法,以提高诊断和治疗效率。首先,通过微调语音到特征向量模型2.0(wav2vec 2.0)的预训练模型对语音进行编码和上下文化,从而获得高质量的语音特征;然后,应用情感障碍分析的公用数据集——绿野仙踪忧虑分析访谈语料库（DAIC-WOZ）数据集验证上述模型。结果显示,在抑郁症识别的二分类任务中,该方法在精确率方面达到了93.96%、召回率达到了94.87%、F1分数达到了94.41%,总体分类准确率达到96.48%。在评估抑郁症严重程度的四分类任务中,精确率均达到92.59%及以上,召回率均达到92.89%及以上,F1分数均达到93.12%以上,总体分类准确率达到94.80%。基于上述结果证明,本文提出的方法在小样本情况下有效提升了分类的准确率,对于抑郁症的识别和严重程度评估效果良好。未来,该方法有望在抑郁症的诊断中起到辅助支持的作用。     

基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。     

基于偏序拓扑图的帕金森病语音障碍分析方法

从形式概念分析角度,提出将偏序拓扑图用于帕金森病语音障碍分析与诊断。首先,在属性拓扑的基础上,结合偏序结构表示,构造偏序拓扑图的形式背景表示方法,并利用偏序拓扑图进行概念本体计算,获得原始形式背景的层次化概念树结构。进而结合决策属性,对概念树进行着色与约简,获得约简概念树。根据约简概念树的偏序关系,可获得分析对象的概念分类结构。将该方法应用于帕金森病语音特征数据集进行概念提取,实验表明不但可以在概念层面分析帕金森病与语音特征的关系,同时可以作为诊断依据进行数据诊断。将该方法应用于多个帕金森病数据集(样本数分别为197、5 875、1 040、220)进行分类精度对比测试,表明基于偏序拓扑图的帕金森病语音障碍分析在不同的帕金森病语音数据集下的平均诊断精度达到76.64%,高于LDA(67.36%)、QDA(70.83%)、kNN(71.83%)、parzen窗(70.24%)、SVM(74.61%)等经典分类器的诊断精度,高出经典分类器SVM 2.72%,表明该方法能有效应用于帕金森病语音障碍分析。     

基于双神经气体的聚类集成算法应用于癌症基因数据集

在生物和医学研究中采用基因矩阵技术为癌症诊断和治疗提供了一条新思路,为了发现不同癌症类型和准确地对癌症样本进行分类,提出了基于神经气体(NG)算法的聚类集成算法框架双神经气体聚类集成(DNGCE)去挖掘含有噪音的癌症基因数据集的内在结构。该算法框架不仅把神经气体算法应用在癌症基因数据集的样本维,同时也应用于属性维中,最后使用Normalized Cut算法去划分前面得到的多种不同聚类结果组成的一致性矩阵,最终得到更加准确的聚类结果。通过应用在癌症基因数据集的实验结果表明,提出的聚类集成算法框架对于癌症基因数据集的聚类效果要远胜过单一的聚类算法和现阶段存在的大多数的聚类方法,可以极大提高癌症诊断的准确度。     

频率信息对混叠语音环境下电子耳蜗患者汉语普通话识别效果的影响研究

多通道电子耳蜗产品在安静环境下取得了很好的言语识别效果,然而在混叠语音条件下,使用电子耳蜗患者的言语识别能力快速下降.通过在混叠语音条件下的听觉仿真试验,研究了不同算法对声音信息的传递效果,得出了频率信息对于混叠语音识别效果的重要影响,并借此提出要研究更有效的电子耳蜗语音处理算法.     

基于计算几何分类器的帕金森病语音障碍可视化诊断分析

帕金森数据集和远程帕金森数据集是目前对帕金森病进行语音障碍分析时常用的两个数据集,由于其在帕金森病诊断方面的独特性而受到研究者的关注.针对这两个数据集,利用基于计算几何原理的多维筛分类器对其进行可视化分类,并从量化等级、子分类器个数等参数对其进行性能分析,从而获得帕金森病数据在可视化分类条件下的表现.实验结果表明,不同量化等级对诊断精度的影响大约为5％.通过与经典分类方法进行对比,发现多维筛的可视化分类方法精度高于其他分类方法至少5％,在取得更高分类精度的同时获得了良好的可解释特性.     

基于卷积神经网络的眼科光学相干断层成像图像的自动分类

目的 提出一种基于卷积神经网络(convolutional neural network,CNN)的眼科光学相干断层成像(optical coherence tomography,OCT)图像自动分类方法,实现对视网膜OCT图像的自动分类,缓解人工诊断依赖医生的临床经验、费时费力等问题.方法 基于公开的数据集2014_BOE_Srinivasan构建了2个样本数据集.其中样本数据集一为仅对数据集中的图像进行预处理后裁剪,样本数据集二为对取出测试集后剩余图像的裁剪过程中引入随机平移和水平翻转技术对图像进行扩充,并划分为训练集和验证集.搭建基于CNN的视网膜OCT图像分类网络,并分别使用两个数据集训练网络得到分类模型.最后使用独立的测试集对模型进行测试,并通过输出混淆矩阵查看模型对3种类别图像的分类情况.结果 通过混淆矩阵计算得出,使用扩充后的图像训练的分类模型的准确度为93.43％,灵敏度为91.38％,特异度为95.88％.结论 提出的基于CNN的视网膜OCT图像自动分类方法可以对老年性黄斑变性、糖尿病性黄斑水肿和正常3种类别的视网膜OCT图像进行分类.同时,数据扩充有助于提高分类算法的性能.     

基于时频混合域局部统计的帕金森病语音障碍分析方法研究

针对帕金森病语音检测问题,本文提出了一种基于时频混合域局部统计的帕金森病语音障碍分析方法。该方法首先将语音信号从时域转化为时频混合域,即进行时频化表示。在时频化表示方法中将语音信号进行分帧处理,再将每帧的语音进行傅里叶变换,通过计算得到能量谱,并将能量谱通过映射关系映射到图像空间进行可视化;其次统计信号每个能量数据在时间轴上和频率轴上的差分值,根据差分值计算该能量的梯度统计特征,用梯度统计特征来表示其不同时域与频域的能量值的突变情况;最后利用KNN分类器对提取的梯度统计特征进行分类。本文在不同的帕金森病语音数据集上进行实验,发现本文所提取的梯度统计特征在分类时有更强的聚类性。与基于传统特征与深度学习特征的分类结果相比,本文所提取的梯度统计特征在分类准确率、特异性和灵敏性上均优于前二者。实验证明了本文所提出的梯度统计特征在帕金森病语音分类诊断中的可行性。     

一种用于构音障碍语音识别的多尺度特征提取算法EI北大核心

针对构音障碍语音识别率难以提升的问题,本文提出一种多尺度梅尔域特征图谱提取算法。该算法采用经验模态分解方法分解语音信号,分别对三个有效分量提取Fbank特征及其一阶差分,从而构成能够捕捉频域细节信息的新特征图谱。其次,由于单路神经网络在训练过程中,存在有效特征丢失及计算复杂度高的问题,本文提出一种语音识别网络模型。最后,在公开UA-Speech数据集上进行训练和解码。实验结果表明,本文方法的语音识别模型准确率达到了92.77%,因此,本文所提算法能有效提高构音障碍语音识别率。     

基于深度LSTM残差网络的帕金森症诊断方法

语音特征分类下的帕金森症诊断方法具有无创、高效、准确、远程与成本低等特点,本研究提出一种基于深度长短期记忆网络（LSTM）残差网络的帕金森症诊断方法。分析帕金森症语音信号特点和LSTM残差模型,基于深度LSTM残差网络的帕金森症诊断模型分成3个部分:语音信号预处理网络、深度LSTM残差语音诊断网络和GAP-ELM帕金森症分类网络。该模型能实现帕金森语音信号的深层特征提取,通过LSTM结构的遗忘门和记忆门得到帕金森语音信号随时间变化的状态,最后通过帕金森症元音集完成帕金森症诊断测试。结果表明本文方法在各类信噪比环境中的帕金森症识别准确度均较高,并可在较少的轮次中完成训练,达到较优的稳定性和较小的损失值。     

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.     

基于RoughSet的特征集融合PET/CT肺部肿瘤CAD模型

针对肺部肿瘤PET/CT感兴趣区域(ROI)在高维特征表示下存在着特征相关和维数灾难问题,提出了一种基于粗糙集特征集融合的PET/CT肺部肿瘤CAD模型。首先提取肺部肿瘤ROI的8维形状特征、7维灰度特征、3维Tamura纹理特征、56维GLCM特征和24维频域特征,得到98维特征矢量;然后基于遗传算法的知识约简方法和基于属性重要度的启发式算法对提取的特征集合分别进行特征级融合得到特征子集G1、G2、G3,A1、A2、A3,降低特征矢量的维数;再次利用网格寻优算法优化核函数的SVM作为分类器分别进行融合前和融合后的分类识别比较,基于遗传算法的特征集融合和基于属性重要度的特征集融合的分类识别比较2组实验;最后以2 000幅肺部肿瘤的PET/CT图像为原始数据,采用基于粗糙集特征集融合的肺部肿瘤PET/CT计算机辅助诊断模型对肺部肿瘤进行辅助诊断。实验结果表明,经过粗糙集特征集融合的肺部肿瘤诊断识别方法能有效提高肺部肿瘤的诊断正确率,一定程度上降低了特征之间的相关性。     

超声图像融合专家知识的EfficientNet卵巢包块良恶性诊断方法

目的 提出一种基于深度网络特征融合的分类方法，以提高良恶性分类的准确率，辅助医生提高术前诊断卵巢包块良恶性的准确率。方法 纳入深圳市人民医院943幅经活检、手术病理等证实的患者术前卵巢超声图像，按照6∶2∶2的比例随机设置训练集、验证集和测试集。首先，提取医生勾画的感兴趣区域（region of interest,ROI）即包块图，用微调后的EfficientNet网络提取其深度特征；然后用基于Chan-Vese模型的水平集方法得到包块边缘轮廓图，再用微调后的EfficientNet网络提取其深度特征；接下来将包块图的深度特征和边缘轮廓图的深度特征分别归一化后并拼接为融合特征；最后，将融合特征输入到全连接层分类器中，将超声图像分为良恶性。结果 本文提出的超声图融合专家知识的EfficientNet卵巢包块良恶性诊断方法在测试集上的准确度、特异度、敏感度和曲线下面积分别为0.81、0.78、0.88、0.91，全部优于当前主流的深度学习方法。结论 该特征融合网络能够取得较好的分类效果，一定程度上能够为临床诊断卵巢包块的良恶性提供参考。     

融合脑电特征的弹性网特征选择和分类

脑机接口系统的核心问题之一是信号分类。本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类。首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征。其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出最优特征子集。最后采用已训练的最优模型对测试样本进行分类。实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的最优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78%。     

基于时序心脏模型样本均衡方法的心律失常分类

心律失常自动分类作为计算机在临床上的重要应用,可以有效辅助心血管疾病的诊断,但实验中样本不均衡问题严重影响分类精度。目前用于解决样本不均衡问题的主流方法为对抗神经网络,但存在训练不稳定和模式崩溃等问题,且仅依靠数据进行学习,缺乏一定的生理意义。因此提出基于时序心脏模型的样本均衡方法生成心电数据,在2018年中国生理信号挑战赛提供的12导联数据集上进行实验,采用深度残差网络作为分类模型分别对每个导联进行训练,通过极端梯度提升算法实现导联融合。经过样本均衡后,各类F1分数均有提升,左束支阻滞(LBBB)、ST段降低(STD)、ST段抬升(STE)的改善尤其显著,分别由扩增前的0.706、0.684、0.524提升至0.832、0.809、0.618。为验证本方法的通用性,对PTB数据集进行独立测试,分类准确率达到98.64%。实验结果表明,基于时序心脏模型生成仿真数据能够有效改善实验样本不均衡现象。     

融合脑电与近红外脑地形图特征学习的多模式分类

脑地形图可以用来可以监测大脑的活动状态，为了准确提取被试大脑活动产生信号的空间特征以及有效提高分类准确率，结合脑地形图和卷积神经网络提出一种多模态脑地形图神经网络分类算法(MBTMNN),对运动想象和心算进行分类识别。对脑电和近红外信号进行预处理，提取脑电的能量特征和近红外中氧合血红蛋白浓度特征，结合各自电极位置统一所有样本的colormap后生成脑地形图，将二者同时输入到卷积神经网络并在特征层进行融合得到训练模型。利用2017年柏林脑电-近红外公开数据集进行六折交叉验证实验，数据集包含29名被试，各300个样本，在运动想象左/右、心算/静息、运动想象/心算/静息和运动想象左/右/心算/静息等4种分类场景中，分别达到了82.91%、94%、90.34%和78.18%的准确率，高于同数据集的近期研究和单模态方法。所提出方法能够有效融合脑电和近红外信号以提高分类精度。