[发明专利]基于深度学习的阿尔茨海默症语音信号的筛查方法

权利要求书

1.基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，包括步骤：

S1：训练深度置信网络模型备用；

S2：使被检测者进行不同口语产出任务并采集被检测者的语音；

S3：对所采集语音进行预处理；

S4：提取预处理后的语音中和阿尔茨海默症相关的病理特征并将其输入训练好的深度置信网络模型进行训练得到优化特征；

S5：将优化特征输入训练好的SVM分类器进行分类，分类结果即为筛查结果。

2.根据权利要求1所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S2具体包括：测量现场噪音，排除噪声源，在噪声符合要求之后进行语音采集；语音采集过程中，对被测者进行不同口语产出任务，对语音进行标记整理。

3.根据权利要求2所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S2具体包括：测量现场噪音，排除噪声源，在噪声符合要求之后进行语音采集；语音采集过程中，对被测者进行不同口语产出任务，口语产出任务包括自我介绍、言语流畅性测试、图画描述、连续发元音，对语音进行标记整理。

4.根据权利要求1所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S3具体包括：对采集到的语音数据进行去噪，参数规整，预加重，加窗和分帧处理，获取语音帧序列。

5.根据权利要求4所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S3具体包括：对采集到的语音数据进行去噪，参数规整，预加重，加窗和分帧处理，获取语音帧序列，其中预加重，加窗，分帧通过openSMILE进行预处理。

6.根据权利要求1所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S4具体包括：提取语音帧序列中各语音帧的病理特征并对病理特征提取一阶差分和二阶差分，组成新的多维病理特征，将多维病理特征输入训练好的深度置信网络模型，输出优化特征。

7.根据权利要求6所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S4具体包括：提取语音帧序列中各语音帧的病理特征并对病理特征提取一阶差分和二阶差分，组成新的多维病理特征，其中，病理特征包括：基频、基频微扰、振幅微扰、谐噪比、信噪比、短时过零率、短时能量、共振峰、MFCC、LPC、语音停顿和语速，将多维病理特征输入训练好的深度置信网络模型，输出优化特征。

8.根据权利要求1所述的基于深度学习的阿尔茨海默症语音信号的筛查方法，其特征在于，所述步骤S5具体包括：将优化特征作为输入放入训练好的SVM分类器中进行分类，分类结果即为检测结果，其中，SVM分类器模型的训练过程为：将训练集中的数据经过预处理，病理特征提取，放入深度置信网络模型得到的优化特征输入SVM分类器进行训练得到训练好的SVM分类器模型。