[发明专利]一种优化帕金森语音数据的多模态特征选择方法

说明书

本发明公开了一种优化帕金森语音数据的多模态特征选择方法，包括：建立帕金森语音数据集，基于粒子群算法，初始化种群，依据实数编码方案，确定个体的特征字符串；根据个体适应值将种群中的个体划分至小生境中；更新每个个体的历史最优值和历史最优位置，更新每个小生境中最优个体的位置和适应值；更新每个个体的位置和速度，并根据每个个体的特征字符串，结合帕金森语音数据集评估个体的适应值；将更新完的个体作为新的种群，与所述初始化种群进行比较，得到新一代种群；进行筛选，保留两个种群的最优个体，并且剔除重复个体，得出新一代的种群进行演化；输出每一代的所有最优个体，最优个体的特征组合用于辅助判断是否患有帕金森疾病。

技术领域

本发明涉及涉及医学技术和进化计算技术领域，具体涉及一种降低帕金森语音数据维度的多模态特征方法。

背景技术

目前帕金森疾病的病因尚不明确，而且无法完全根治。能够在患病早期就检测出疾病对于改善患者生活体验，治疗帕金森病有着极为重要的意义。目前研究人员已经提出了多种方案协助医生去诊断帕金森病，其中包括手绘信号诊断和语音数据预测。近几年来，越来越多的研究员通过语音信号处理算法，机器学习算法和支持向量机等去分析语音数据进而判断帕金森疾病。研究员们采集到的语音数据也公开到了UCI数据库，譬如牛津大学Max Little的帕金森语音数据集和Olcay等人的帕金森多类型语音数据集。但在现实生活中采集到的语音数据集维度往往较大，在面对大量实例分析训练时，计算成本和时间成本都会极大提高。

进化算法具有计算代价小，收敛速度快和结构简单易懂的特点，已广泛应用于解决特征选择问题。但传统的进化算法如果应用于特征选择要么是多目标优化，要么是单峰优化，只能提供一种方案。

发明内容

本发明的目的是提供一种优化帕金森语音数据的多模态特征选择方法，用以克服现有算法时间成本高、只能提供单种预测方案的缺陷。

为了实现上述任务，本发明采用以下技术方案：

一种优化帕金森语音数据的多模态特征选择方法，包括以下步骤：

提取原始帕金森语音数据，确定属性和标签并建立帕金森语音数据集；其中，属性代表着语音数据的采集标准，而标签代表着所述语音数据对应的人是健康的还是患病的；

基于粒子群算法，初始化种群，根据帕金森语音数据集的维度初始化个体的位置范围，从而确定搜索空间；依据实数编码方案，确定个体的特征字符串；

根据个体适应值对整个种群进行随机划分，将种群中的个体划分至小生境中；

更新每个个体的历史最优值和历史最优位置，指导个体的搜索方向；更新每个小生境中最优个体的位置和适应值，将每个小生境的最优个体作为该小生境所有个体的全局最优个体，进一步指导个体的搜索方向；

更新每个个体的位置和速度，并根据每个个体的特征字符串，结合帕金森语音数据集评估个体的适应值；将更新完的个体作为新的种群，与旧种群进行比较，得到新一代种群；

对新一代种群和旧种群进行筛选，保留两个种群的最优个体，并且剔除重复个体，得出新一代的种群进行演化；

输出每一代的所有最优个体；所有所述最优个体的特征组合将应用于帕金森疾病的预测。

进一步地，所述根据帕金森语音数据集的维度初始化个体的位置范围，从而确定搜索空间；依据实数编码方案，确定个体的特征字符串，包括：

个体每一维位置的范围设置在[0,1]区间，在此区间个体给每一维位置随机初始化一个实数；个体的每一维度对应着数据集的每一条属性，每一个个体就是潜在的解决方案；把个体位置的连续实值转换为离散的01字符串，编码方案如下：