一种基于样本扩充的帕金森病图谱分类方法

本发明属于图像识别，具体涉及一种基于样本扩充的帕金森病图谱分类方法。

背景技术：

1、目前，机器学习方法已广泛应用于帕金森病的早期检测中。但使用机器学习技术分析声纹特征参数，存在丢失语音信号非线性信息、特征冗余和特征参数选择复杂等问题。此外，机器学习分类器(如支持向量机、随机森林等)容易发生过拟合、调参困难且计算量大等问题。近年来，深度学习在病理检测中的成功应用，为利用声纹差异进行帕金森病识别奠定了坚实的基础。语音作为一种新型的非侵入式生物标志物，包含着丰富的信息。人耳的能力在区分健康语音和病理语音方面可能有局限性，但可以应用人工智能和深度学习技术来分析语音中的细微变化，从而实现对帕金森病的早期诊断和病情监测。

2、训练深度学习模型依赖大量的样本，样本数量少容易导致过拟合，因此在使用深度学习模型进行帕金森病识别时，样本扩充是一个亟待解决的问题。生成对抗网络提出以来，衍生许多变体并广泛应用于医学领域的图像处理和合成工作中，医学图像数据集稀缺问题得到改善。然而，在生成高分辨率图像时，生成对抗网络容易出现模型特征提取能力不足、训练不稳定和梯度消失等问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于样本扩充的帕金森病图谱分类方法，包括以下步骤：

2、s1：获取临床帕金森病患者的声纹谐波信号作为原始的语音信号，将原始的语音信号先后经过预加重、分帧、加窗、短时傅里叶变换、取短时功率谱操作，将原始语音信号的时域信息和频域信息同时转化到时频域，实现语音信号的时频化表示，得到原始语谱图；

3、s2：建立深度卷积对抗生成对抗网络，并对深度卷积对抗生成对抗网络进行训练；

4、s3：将原始语谱图输入训练后的深度卷积对抗生成对抗网络，生成扩充样本；

5、s4：使用评价指标对扩充样本进行评估，并挑选出质量较高的语谱图；

6、s5：将原始语谱图与挑选出来的语谱图进行合并，输入convnext模型进行图谱分类。

7、本发明的有益效果：

8、本发明通过将语音信号转换为语谱图，最大程度地保留语音信号中的信息，语谱图能展示不同频段的语音信号强度随时间变化的情况，可以直观展现语音信号振幅相对变化和频谱能量的分布差异；

9、本发明通过将语谱图输入到深度卷积生成对抗网络模型，生成出高质量扩充样本，解决了样本不足情况下导致深度学习模型训练出现过拟合的问题；

10、本发明通过使用梯度惩罚、频谱规一化优化策略使深度卷积生成网络在训练过程变得更加稳定，使得深度卷积生成网络生成图像质量更好，生成样本更加多样化等优点；

11、本发明通过在深度卷积生成网络中嵌入双自注意力机制，以分析两个注意力图之间的相互关系，建立像素之间的远距离关系，并生成详细的特征位置线索信息，可以帮助模型提高纹理细节特征和全局特征的能力，从而提高生成样本的质量。

技术特征：

1.一种基于样本扩充的帕金森病图谱分类方法，其特征在于，包括：

2.根据权利要求1所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，建立深度卷积对抗生成对抗网络，并对深度卷积对抗生成对抗网络进行训练，包括：

3.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，通过双自注意力模块建立像素之间的远距离依赖关系，包括：

4.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述深度卷积对抗生成对抗网络的损失函数，包括：

5.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，生成器g和判别器d中各层均使用频谱规一化，通过频谱规一化使训练过程变得更加稳定，包括：

6.根据权利要求2所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，通过梯度惩罚技术使训练过程变得更加稳定，包括：

7.根据权利要求6所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述带梯度惩罚wgan的最终目标函数，包括：

8.根据权利要求1所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述评价指标，包括：弗雷谢起始距离fid、灰度方差函数、laplacian梯度函数和tenengrad梯度函数；

9.根据权利要求8所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，弗雷谢起始距离fid，包括：

10.根据权利要求8所述的一种基于样本扩充的帕金森病图谱分类方法，其特征在于，所述灰度方差函数，包括：

技术总结
本发明属于图像识别技术领域，具体涉及一种基于样本扩充的帕金森病图谱分类方法，包括：将原始的语音信号转化为原始语谱图；建立深度卷积对抗生成对抗网络，并对深度卷积对抗生成对抗网络进行训练；将原始语谱图输入训练后的深度卷积对抗生成对抗网络，生成扩充样本；使用评价指标对扩充样本进行评估，并挑选出质量较高的语谱图；将原始语谱图与挑选出来的语谱图进行合并，输入ConvNeXt模型进行图谱分类。本发明通过引入双自注意力机制建立长距离依赖关系，以帮助模型提高细节特性和全局特性，从而提高生成样本的质量，同时还引入梯度惩罚和频谱归一化技术提高深度卷积生成对抗网络模型的稳定性。

技术研发人员：赵德春,张子豪,喻致宽,刘奇,王鹏程,张汇泉
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/4/17