1.一种基于自学习标签校正的弱监督语音抑郁症检测方法,其特征在于:该方法包括以下步骤:步骤S1:收集抑郁症检测数据;
将抑郁症检测数据分成数据集、训练集以及测试集,从抑郁症检测数据的数据集中获取样本语音信号的log梅尔声谱图;
步骤S2:构建抑郁症检测模型,得到每个样本的预测抑郁概率分布;
步骤S3:制定标签校正策略,对训练集数据进行标签校正;
所述标签校正策略包括第一标签校正策略和第二标签校正策略,第一标签校正策略计算概率分布对预测标签的置信度与概率分布对噪声标签之间的似然比,并与设定的阈值进行对比后得到第一个校正结果;
第一标签校正策略通过将样本的语音信号特征输入抑郁症检测模型,从抑郁症检测模型的分类器中输出样本的预测抑郁概率分布所述第二标签校正策略计算样本深层特征和类原型深层特征之间的余弦相似度来判断样本的抑郁性质,得到第二个校正结果;
第二标签校正策略通过为每个类别构建类原型集,每个类中选择若干个样本作为类候选集,分别计算每类中样本的深层特征步骤S4:建立损失函数对抑郁症检测模型进行训练,得到最终的抑郁症检测模型;
在损失计算过程中,利用对校正标签使用softmax操作得到的校正标签分布其中,
分类损失用于计算预测概率分布和校正标签分布之间的偏差,旨在最小化预测和校正标签之间的距离,默认校正标签可靠并尽可能使训练集中样本的预测靠近校正标签,从而提高测试集样本预测的准确率,分类损失通过Kullback-Leibler散度函数计算,定义为:其中,
兼容性损失用于计算校正标签分布和原始噪声标签之间的偏差,旨在避免校正标签与原始噪声标签完全不一致,因为在噪声标签中也存在不少准确的标签,兼容性损失通过交叉熵损失函数计算,定义为:熵损失用于计算预测概率分布及其log值之间的乘积,旨在讲每个标签的概率分布集中在一个类中,避免预测过早地接近校正标签分布而导致网络停止更新,熵损失定义为:在损失计算流程中,利用校正标签、噪声标签和预测概率分布计算损失优化网络参数更新。
2.根据权利要求1所述的一种基于自学习标签校正的弱监督语音抑郁症检测方法,其特征在于:所述抑郁症检测模型包括卷积神经网络层、循环卷神经网络层以及多层感知器作为深层网络输出预测的分类器,卷积神经网络层包括一个卷积核大小为3的一维卷积神经网络和最大池化层,最大池化层的卷积核大小为2;
所述循环卷神经网络层包括双向长短期记忆网络和全连接层,多层感知器由多个全连接层组成。
3.根据权利要求2所述的一种基于自学习标签校正的弱监督语音抑郁症检测方法,其特征在于:所述步骤S2中构建抑郁症检测模型,得到每个样本的预测抑郁概率分布,具体为:步骤S2-1:提取样本语音信号的log梅尔声谱图特征,具体为:对时域信号进行傅里叶变换将其转换到频域;利用梅尔频率刻度的滤波器组对频域信号进行切分,使每个频率段对应一个数值,得到梅尔谱,对梅尔谱进行log计算得到log梅尔谱图;
步骤S2-2:log梅尔声谱图特征输入至抑郁症检测模型,经过一个卷积核大小为3的一维卷积神经网络捕获语音信号中的短期特征,卷积神经网络层的输出经过批量归一化函数和激活函数后,得到音频的短期深层特征;为了进一步降低维度,使用卷积核大小为2的最大池化层对短期深层特征进行下采样,随机丢弃一部分神经元;
步骤S2-3:将经过下采样的输出作为输入,输入循环卷神经网络层,循环卷神经网络层输入分别以正序和逆序进入到两个单向长短期记忆神经网络提取长期特征,将两个输出特征向量拼接,使得获得特征数据的同时拥有过去和未来的信息;
步骤S2-4:沿时间轴收集音频过去和未来的信息,学习语音信号中的时间信息,输出深层特征;
步骤S2-5:将最后一个时间步的输出作为循环卷神经网络层的输出,循环卷神经网络层后紧跟一个全连接层,将输出特征映射到更低维度的特征图中,并连接一个批量归一化函数和一个激活函数增强网络的鲁棒性;
步骤S2-6:由多层感知器构成的分类器处理从全连接层输出的深层特征得到预测抑郁概率分布。
4.根据权利要求1所述的一种基于自学习标签校正的弱监督语音抑郁症检测方法,其特征在于:所述步骤S3中第一标签校正策略通过将样本的语音信号特征输入抑郁症检测模型,从抑郁症检测模型的分类器中输出样本的预测抑郁概率分布当预测标签
其中,
将似然比和设定的阈值
设置阈值
其中,
5.根据权利要求1所述的一种基于自学习标签校正的弱监督语音抑郁症检测方法,其特征在于:所述步骤S3中第二标签校正策略为每个类别构建类原型集,每个类中选择若干个样本作为类候选集,分别计算每类中样本的深层特征样本
其中,
通过样本的密度
其中,
每类选择密度排名前6的样本深层特征作为类原型,得到一个原型集其中,m是每个类原型集中原型的数目,m=6;
其中,
选择每类中m个原型的平均相似度作为判断依据,得到校正标签
6.根据权利要求1所述的一种基于自学习标签校正的弱监督语音抑郁症检测方法,其特征在于:所述标签校正策略包括第一标签校正策略和第二标签校正策略,产生两个校正结果;将两个校正结果按照不同权重组合相加,得到最终的校正标签为:其中,