1.一种基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法,其特征在于,是按以下步骤进行的:步骤一、语音信号的采集:采集帕金森病患者持续稳定的元音,记录帕金森病患者是否有冻结步态症状;
步骤二、语音信号的预处理:对语音信号进行去噪处理,并去除静音片段;
步骤三、语音特征提取:利用语音信号处理算法提取多种语音特征;
步骤四、特征选择:利用CART算法进行特征选择,筛选出能够表征冻结步态症状的关键特征;
所述步骤四具体过程为:
数据集D的基尼指数Gini(D)的具体公式为:其中pk表示样本点属于第k类的概率,K表示K个分类问题;
特征a的基尼指数Giniindex(D,a)定义为:其中V代表特征a有V个可能取值;因此,选择使得划分后基尼指数最小的特征取值作为最优划分特征a*,即:a*=argmaxa∈A Giniindex(D,a);
步骤五、训练模型:采用决策树作为基分类器训练AdaBoost分类模型;所述步骤五具体过程为:
1)初始化训练数据的权值分布,每一个训练样本开始时都被赋予相同的权重:1/N;
其中w1i表示第i个训练样本开始时的权重,N表示样本总数;
2)进行M次迭代,每次迭代进行以下步骤:
a.使用具有权值分布Dm的训练数据集进行学习,得到基分类器Gm(x):Gm(x):x→{-1,+1}
b.计算Gm(x)在训练数据集上的分类误差率em:其中Gm(xi)表示基分类器Gm(x)在训练数据xi上的分类结果,yi表示训练数据xi的真实分类,wmi表示第m次迭代时样本xi的权值,P()表示某个事件的概率;I()表示括号内事件为真时结果为1,反之结果为0;
c.计算Gm(x)的系数,得到基本分类器在最终分类器中的权重αm:其中em表示Gm(x)在训练数据集上的分类误差率;
d.更新训练数据集的权值分布:
Dm+1=(wm+1,1,wm+1,2,…,wm+1,i,…,wm+1,N)其中wm+1,i表示第i个训练样本迭代m次后的更新权重;Zm表示规范化因子,exp()表示以自然常数e为底的指数函数;
3)组合全部的基分类器,得到最终的分类器,最终的分类结果由全部的基分类器经过加权投票表决得到:其中f(x)表示各个基分类器的加权组合,G(x)表示最终的分类器,sign()表示符号函数;
步骤六、语音分析:将待测语音的特征向量输入模型,得到待测者冻结步态症状的关键特征参数。
2.根据权利要求1所述的方法,其特征在于,所述步骤三具体过程为:利用语音信号处理算法提取多种语音特征,提取的特征包括:基频轮廓F0_contour、平均基频F0_ave、最小基频F0_min、最大基频F0_max,四个衡量基频变化的特征Jitter、RAP、PPQ、DDP,五个衡量振幅变化的特征Shimmer、Shimmer:APQ3、Shimmer:APQ5、Shimmer:APQ11、Shimmer:DDA,噪声谐波比NHR、谐波噪声比HNR、循环周期密度熵RPDE、趋势波动分析DFA、基因周期熵PPE;以及语音在梅尔倒谱域转换得到的梅尔倒谱系数MFCC。
3.一种基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析系统,其特征在于系统执行权利要求1-2任一项所述的方法。
4.根据权利要求3所述的系统,其特征在于系统包括:语音信号采集模块,用于执行步骤一、语音信号的采集:采集帕金森病患者持续稳定的元音,记录帕金森病患者是否有冻结步态症状;
语音信号处理模块,用于执行步骤二、语音信号的预处理:对语音信号进行去噪处理,并去除静音片段;
语音特征提取模块,用于执行步骤三、语音特征提取:利用语音信号处理算法提取多种语音特征;
语音特征选择模块,用于执行步骤四、特征选择:利用CART算法进行特征选择,筛选出能够表征冻结步态症状的关键特征;
AdaBoost分类模型训练模块,用于执行步骤五、训练模型:采用决策树作为基分类器训练AdaBoost分类模型;
语音分析模块,用于执行步骤六、语音分析:将待测语音的特征向量输入模型,得到待测者冻结步态症状的关键特征参数。