基于语音的帕金森症检测方法及检测系统的制作方法
【技术领域】
[0001] 本发明设及信号处理和机器学习技术领域，具体设及一种基于语音的帕金森症检 测方法及检测系统。
【背景技术】
[0002] 人类的语音是由人的发音器官在大脑控制下的生理运动产生的。人的发音器官由 Ξ部分组成:①肺和气管产生气源;②喉和声带组成声口；③由咽腔、口腔、鼻腔组成声道， 运些器官无一不受到中枢神经的控制。神经内科的帕金森症会损坏大脑皮层的神经元从而 影响发音器官，使得患病者和健康者语音有所不同，故使用语音检测帕金森有一定的理论 依据。
[0003] 目前医学领域的帕金森检测方法一般都是临床观察，即专科医生根据患者住院期 间各项统计数据W及平时观察，评测患者是否患有帕金森疾病。运样的检测方法虽然准确 性较高，可是耗时长、医疗资源投入较大、不利于帕金森疾病的初期大规模检测和后期长期 治疗。
【发明内容】
[0004] 本发明的目的是提供基于语音的帕金森检测方法，用W解决传统解决方案带来的 耗时、耗力、成本高等不利因素。结合当前"互联网+"创业背景，本发明还提出了基于语音的 帕金森检测系统实现方案。与临床观察相比，本方案只需测试者提供一段语音样本，计算机 软件会自动分析该语音并快速判断患者是否患有帕金森疾病。
[0005] 基于语音的帕金森症检测方法，包括从采集到的被检测者的语音中提取与帕金森 症相关的特征，按提取的先后顺序将全部特征记录到一个向量中并使用SVM分类器对该向 量进行分类，分类结果即是检测结果。
[0006] 所述提取与帕金森症相关的特征的步骤为：
[0007] 步骤101、在安静的环境中录制一段平稳元音/a/，记为A;
[000引步骤102、计算J31的每一帖的基音周期，
[0009]
[0010] 公式中的X表示输入信号，V表示相对于η延迟了 V个点，X (η)表示第η个信号；
[00川步骤103、将井1所有帖对应的基音周期组合到一起，即为卵周期向量Τ，对向量Τ取 倒数即为基频向量F，取基频向量F均值为化，最大值为Fhi，最小值为Flo;
[0012] 步骤104、对1的基频向量F，提取出绝对基频变化率J i 11 er (ab S)和基频变化百 分率 Jitter%，
[0013]
[0014]
[001引其中N为基频向量F的长度，Fi表示第i个基频；
[0016]步骤105、对刀1的振幅序列A计算分贝振幅变化率化immer(dB)和平均均值变化率 Shimmer(relative)，
[0019]其中N为序列A长度，Ai表示第i个信号；
[0020] 步骤106、量化语音信号刀1中由于声带不完全闭合而产生的信噪比，
[002。HNRdB= 10*l0glO[Rxx(lmax)/( l-Rxx(lmax))]
[0022] HNR = 10* [ ( 1 -Rxx (Imax ) ) /Rxx (Imax )]
[0023] 其中Rxx为自相关函数，Imax是具有自相关的全局最大样本点；
[0024] 步骤107、量化被检测者发音困难程度，将基频向量F按照下式转化为对数半音序 列，
[00 巧]P〇,per=121〇g2(F/l27)22
[0026] 对所述对数半音序列进行过滤，使半音序列的频谱变平，经过变平后的序列为r， 计算r的概率密度p(r)，求取PPE，
[0027]
[0028] 其中L表示对数半音序列长度。
[0029] 所述训练SVM分类器的过程为：
[0030] 步骤201、采集训练样本集，记作DS，DS中每一条的训练样本属性为XI，对应标记为 yi;
[0031] 步骤202、初始化SVM分类器，
[00对其中a为优化目标，C为容错率，Xi、yi为训练样本及其标签值，N为样本数量；
[0036] 步骤203、将训练样本集DS中的每条样本属性及其标签(yi,xi)代入步骤202的公 式，求优化目标a，b和W，SVM分类器训练结束。
[0037] 所述样本分类的步骤为：
[0038] 步骤301、将Vectorl作为输入变量，代入下式，
[0039] f(x)=wWb
[0040] 其中W和b为步骤203中优化所得结果，所得的f (Vectorl)为Vectorl所属类别，即 原始语音所属类别；
[0041] 步骤302、根据f(Vectorl)结果判断测试者是否患有帕金森症。
[0042] 本发明还提供一种基于语音的帕金森症检测方法，包括将专业机构收集的帕金森 语音数据集进行语音信号处理得到训练样本集，然后训练SVM分类器，接着，使用该SVM分类 器对被检测者的语音样本数据进行分类，根据分类结果判断被检测者是否患有帕金森症， 所述被检测者的语音样本数据通过W下过程得到:从采集到的被检测者的语音中提取与帕 金森症相关的特征，按提取的先后顺序将全部特征记录到一个向量中。
[0043] 本发明的整个处理过程都由计算机软件分析完成，显然能够有效的解决临床观察 帕金森时周期长，成本高等问题，具有快速、高效、低成本、极端环境操作简单可靠等特点。
[0044] 另一方面，本发明提出一种基于语音的帕金森症检测系统，W智能的实现帕金森 症的初步诊断，该系统包括：
[0045] 语音采集装置，用于采集被检测者发出的特定语音;语音信号处理系统，用于从所 述语音中提取与帕金森症相关的特征，按提取的先后顺序将全部特征记录到一个向量中；
[0046] SVM分类系统，用于训练SVM分类器和进行样本分类，根据分类结果判断被检测者 是否患有帕金森症，其中，SVM分类器的训练样本来自专业机构收集的帕金森语音数据集。
[0047] 所述语音采集装置数量至少为一个。
[004引本发明通过简单的硬件架构，利用软件算法实现了帕金森症初步诊断的自动化， 只通过语音即可做出初步判断，结构简单，智能化程度高。
【附图说明】
[0049] 图1为实施例一基于语音的帕金森症检测系统结构示意图；
[0050] 图2为实施例一基于语音的帕金森症检测系统的又一结构示意图；
[0051 ]图3为实施例二基于语音的帕金森症检测方法流程图；
[0052] 图4为实施例二中从语音中提取与帕金森症相关的特征的流程图；
[0053] 图5为实施例二中SVM分类流程图。
【具体实施方式】
[0054] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并 不用于限定本发明。
[00对实施例一
[0056]如图1和图2所示，与每个被检测者对应有一台语音采集装置，该语音采集设备可 W是智能手机或平板电脑等智能终端，通过软件来采集被测试者发出的特定语音，接着语 音信号处理系统从语音中提取与帕金森症相关的特征，按提取的先后顺序将全部特征记录 到一个向量中，然后SVM分类系统利用专业机构提供的帕金森训练样本集训练SVM分类器并 对上述向量进行样本分类，根据分类结果判断被检测者是否患有帕金森症。
[0057] 实施例二
[0058] 图3到图5示出了基于语音的帕金森症检测方法的流程。
[0059] 该方法主要分为Ξ部分，一是录制特定音频:本方法需要测试者在相对安静的环 境下录制一段连续的元音/a/;二是语音病理特征提取:在获取测试语音后，即可使用语音 信号处理技术提取语音中和帕金森相关的病理特征(基频、Jitter、化immer等特征），运些 特征能够区别出病患者和健康者;Ξ是SVM分类:分类器会按照预先学习好的算法模型，对 样本进行分类，W判断样本是否患有帕金森。
[0060] 录制特定语音:测试者录制一段连续平和的元音/a/，在录制音频时应该尽量在安 静的环境下使用专业的录音设备，录制的语音不宜太长或太短，录制过程中不宜中断，语气 正常即可。为方便描述，记测试者语音为J3_i。
[0061] 语音病理特征提取:过程如图4所示，待录制好特定语音打1后，即可使用语音信号 处理技术提取A中和帕金森相关的病理特征。语音中和帕金森相关的病理特征主要为化、 Fhi、Flo、Jitte;r(%)、Jitte;r(Abs)、RAP、RAP、Ji tter :抓P、化 immer、化 immer (dB)、 Shimmer :APQ3、Shimmer :APQ5、APQ、Shimmer:DDA、NHR、HNR、RPDE、D2、DFA、spread1、 spread2、PPE等，运些特征主要分为基频、基频变化率、振幅变化率、信噪比、基音周期赌五 大类，下面按病理特征提取的先后顺序讲述语音病理特征提取过程。
[00创（一)基频特征
[0063] 人在发音时，根据声带是否振动可W将语音信号分为清音和浊音，清音实际上是 白噪音，无规律可循。和清音不同，在一段时间内，浊音会具有明显的规律性，所谓的基音周 期就是指发浊音时声带振动的周期性，其倒数称之为基音频率(简称基频）。基音频率是数 字语音处理中非常重要的参数，其提取技术较为成熟，图5即为当前提取基音周期的一般流 程(周期倒数即为频率）。
[0064] 对输入的原始语音段，首先需经过滤波器、短时能量分析和采样操作，运Ξ步处理 主要完成将模拟信号转化为数字信号（带通滤波）、将连续信号转为离散信号(采样）。从整 体上分析，离散化后的数字信号依旧没有规律性，运是由于语音信号是非稳态信号，它的特 征是随时间变化的，但在一个很短的时间段内（一般为5ms-50ms)语音信号具有相对稳定的 特征，即语音的短时平稳性