[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

说明书

本发明涉及一种基于语音信号的帕金森患者UPDRS得分预测方法。包括如下步骤：首先，基于大量的语音信号特征数据，分别使用三种特征选择方法选择语音信号特征，获得三组特征子集；其次，采用绝对多数投票法将三组特征子集进行集成，集成后的特征子集为最终特征子集；然后，将最终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，利用肘部法则及轮廓系数确定聚类的数目；最后，利用相似患者构建个性化预测模型，为每个帕金森患者定制预测方法，根据帕金森患者语音信号的特征，选择对应的回归算法。本发明采用集成特征选择和相似患者预测的方法，构建一种个性化预测模型的框架，可提高帕金森患者UPDRS得分的预测精度，具有较好的鲁棒性。

技术领域

本发明涉及帕金森智能诊断领域，具体涉及一种基于语音信号的帕金森患者UPDRS得分预测方法。

背景技术

在传统的帕金森患者UPDRS(统一帕金森病评分量表)得分预测中，研究者先后使用最小二乘法、LASSO回归、分类回归树(CART)、C4.5、C5.0、随机森林等算法构建帕金森患者UPDRS得分预测模型。同时为了提高模型的执行效率，使用特征选择方法降低模型输入维度。然而，单一的特征选择方法存在不同程度的不足。例如过滤式方法是先对数据集进行特征选择，然后再训练学习器。该方法依赖于数据集本身，通常是选择和目标函数相关度大的特征或特征子集，一般认为相关度大的特征或特征子集会对应得到后续学习算法较高的准确率。由于过滤式方法独立于具体的学习算法，且只依赖于与数据集本身有关的度量准则，虽具有运行效率高、鲁棒性强等特点，适合处理大规模数据集，但因未考虑到特征间的相互关系，因此过滤式方法得到的特征子集不一定是最优的。而包裹式特征选择方法，其直接把最终将要使用的学习器性能作为特征子集的评价准则，换言之，包裹式特征选择的目的就是为给学习器选择最有利于其性能、量身定制的特征子集。虽然包裹式特征选择方法通常可以取得比过滤式方法更高的准确率，但因每个特征子集的评价都要运行相应的学习算法，计算复杂度将明显增大，造成包裹式方法效率较低，不适合处理大规模数据。此外，包裹式方法还依赖于具体的学习算法，因此鲁棒性较差。对于嵌入式特征选择方法，它与前两种特征选择方法均不同，嵌入式特征选择是将特征选择过程与学习器训练过程融为一体，两者在同一个优化过程中完成，即在学习器训练过程中自动进行了特征选择。此外，经典的预测UPDRS得分方法集中在使用所有可用训练数据构建“全局”预测模型。这种“全局”模型忽视了个体差异性，不能较好的捕获数据的细节特征。

发明内容

本发明要解决的技术问题是提供一种基于语音信号的帕金森患者UPDRS得分预测方法。该方法受集成学习思想启发，将三种特征选择方法采用绝对多数投票法的结合策略进行集成，解决了传统单一的特征选择方法存在的不同程度的不足；采用k-means聚类方法将相似的患者聚集在一起，利用相似个体预测帕金森患者UPDRS得分，构建个性化预测模型，为每个患者定制UPDRS预测方案，克服了经典“全局”预测模型的不足，提高了UPDRS预测准确度。

本发明为解决其技术问题所采用的技术方案为：一种基于语音信号的帕金森患者UPDRS得分预测方法，包括以下步骤：

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方式将基于步骤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。如果该患者的特征可使用简单的线性组合的方法拟合就能达到很好的预测效果，就可以使用简单易理解的最小二乘法；如不能用线性方法进行拟合，则考虑使用多项式方法、树回归等复杂方法进行拟合。