[发明专利]一种基于语音信号的帕金森患者UPDRS得分预测方法

权利要求书

1.一种基于语音信号的帕金森患者UPDRS得分预测方法，其特征在于，该方法可概括为如下步骤：

步骤1：基于大量的语音信号特征数据，分别使用过滤式、包裹式、嵌入式三种特征选择方法选择语音信号特征，获得三组特征子集；

步骤2：采用绝对多数投票的结合策略将基于步骤1得到的三组特征子集进行集成，选择集成后的特征子集作为最终的特征子集；

步骤3：将基于步骤2得到的最终的特征子集作为聚类算法k-means的输入，将相似的帕金森患者聚在一起，并利用肘部法则及轮廓系数确定聚类的数目；

步骤4：基于步骤3，根据待预测帕金森患者的特征将其划分到相应的类别中，利用相似患者构建个性化预测模型，根据患者个体特征的不同选择相对应的回归算法预测UPDRS得分；根据个性化预测模型中个体特征的复杂程度来使用最小二乘法或者多项式方法和树回归方法进行特征的拟合；

其中步骤1包括以下具体步骤：

(1)对于样本数目为S，每个样本含有N个特征的语音信号{f₁,f₂,...,f_N}：

采用过滤式特征选择方法是通过计算每个特征的方差进行，特征的方差小，意味着该特征的识别能力差，直接将其过滤，计算方法如下：

其中f₁ⁱ表示特征f₁在各个样本上的取值；μ表示特征f₁的平均值；σ²表示特征f₁的方差；使用上述两个公式依次计算出N个特征信号的方差将方差小于阈值θ的属性过滤，得到过滤式特征选择方法选择的特征信号为

采用包裹式特征选择方法直接对特定的学习器，即逻辑回归、LASSO回归、分类回归树，直接进行迭代优化；迭代过程具体为：首先随机产生特征子集F；接着学习器在特定子集F上使用交叉验证法进行学习，通过学习结果评估学习器的误差err；然后将该误差err与初始化时最优特征子集获得的误差err0进行比较：如果err比err0更小，且F比初始化时选的最优特征子集数量更小，则将F最为最优特征子集，否则继续迭代；最终，得到包裹式特征选择方法选择的特征信号为

采用嵌入式特征选择方法的L1正则进行特征选择，具体优化目标为：

其中y_i表示帕金森患者UPDRS实际值；λ是惩罚系数；优化的具体求解方法使用梯度下降法；通过优化，求得嵌入式特征选择方法的选择的特征信号为

2.根据权利要求1所述的一种基于语音信号的帕金森患者UPDRS得分预测方法，其特征在于，步骤2结合策略采用的绝对多数投票法的公式为：

其中h_i表示特征选择方法，在每个特征选择方法上的预测输出表示为一个N维向量特征子集集合{c₁,c₂,...,c_N}，其中c_j表示特征标记；表示h_i在特征标记c_j上的输出，输出结果为1或0，其中1表示选择对应位置的特征，0表示不选择对应位置的特征，若该标记得票过半数，则预测为该标记，否则拒绝预测。

3.根据权利要求1所述的一种基于语音信号的帕金森患者UPDRS得分预测方法，其特征在于，将基于步骤2得到的集成特征选择方法选择出的最终特征子集{c₁,c₂,...,c_N}作为k-means算法的输入，根据欧氏距离将相似的患者聚集在一起，公式如下：

其中：N值表示预选的特征向量维度，υ_i表示i簇的均值向量，C_i表示第i个聚类簇；

确定聚类数目时，首先使用肘部法则粗略预估相对合理的类簇个数，然后使用轮廓系数度量聚类结果质量，最终在预选的N值中选择轮廓系数最大的N值作为聚类数目。