[发明专利]语音驱动的帕金森病多症状特征参数的小样本学习方法

说明书

本发明是一种语音驱动的帕金森病多症状特征参数的小样本学习方法，实现了在小规模数据集下对帕金森病患者的语音分析，将语音的初阶特征输入卷积神经网络，将得到的高阶特征进行组合，得到原型向量，再通过比较距离的方法计算原型和待测语音的差异性，并预测出待测样本在每一种症状下的概率，然后使用深度学习中的交叉熵损失函数和Adam优化器训练模型，使得原型向量接近于患者具有症状的真实分布，并将最终得到的原型向量作为关键性特征，实现帕金森病患者多种症状的同时预测分析。

技术领域

本发明属于深度学习领域在医学方面的应用，涉及一种语音驱动的帕金森病多症状特征参数的小样本学习方法及系统。

背景技术

帕金森病是一种常见的慢性神经性退化疾病，其症状包括运动症状和非运动症状。而根据运动障碍的不同，又可将患者分为震颤主导型(TD)和姿势/步态障碍型(PIGD)。运动症状包括震颤，冻结步态，吞咽困难，异动，开关期等。震颤主要表现为患者四肢或全身持续性或间歇性地颤抖，多见于震颤主导型；冻结步态主要表现为患者行走时步幅降低或突然中止，起步困难，迈腿受阻，难以行走，多见于姿势/步态障碍型；吞咽困难主要表现为患者在饮食过程中吞咽延迟、误吸、呛咳等，任何患者都有可能具有吞咽苦难的症状，甚至是患者的唯一症状；异动症状主要表现为患者作舞蹈样、手足徐动或简单重复的不自主运动，可累及头面部、四肢和躯干；开关期主要表现为患者运动症状接近消失，日常活动接近正常，并在未用药的情况下在短时间内重新出现运动障碍，一段时间后又自然缓解，一日当中可重复交替出现多次。异动症和开关期症状仅见于服用左旋多巴药物的患者，此类患者往往处于疾病的中晚期。帕金森病患者往往具有上述症状的一种或多种，大部分具有上述症状的患者的饮食起居需要借助他人照顾，严重影响患者的生活质量。

已有的研究表明，帕金森病的运动障碍和语音障碍之间存在病理联系。语音损伤可能是帕金森病最早期的症状之一，其症状主要表现为讲话缓慢、声音嘶哑、音量低和发音震颤等。语音障碍是由于患者的喉部病变，声带控制能力下降，以及唇齿舌等器官的不规律运动引起的。人的语音主要通过肺部产生气流，经过声带振动和唇齿舌的规律运动产生，而人体各个器官之间的合作由神经元统一协调控制。帕金森病患者由于体内多巴胺的缺失，导致部分神经元退化损失，进而无法控制器官准确发音，使得帕金森病患者均有不同程度的语音障碍。随着病情的发展，患者的运动症状随之体现，语音障碍也会恶化，因此可以利用语音信号对帕金森病患者进行症状分析。

利用语音信号分析帕金森病的病情时首先要对语音的质量进行评估，以判断语音中是否包含过多的噪声以至于影响分析结果，患者录制语音一般采用普通智能手机，录制环境一般为住宅或者医院，这样的环境无法保证每条数据的语音质量，导致能达到质量评估标准的语音数据很少，这造成训练模型的数据样本数量较少。

另外，同一患者在不同时期的健康状况和身体状态不同，受到疾病恶化、服药与否、开期关期等因素的影响，因此来自同一患者的语音数据并不能简单归为一类，数据集具有异质性，这导致了数据集类别数多，而同类数据的数量少的情况。

发明内容

为了解决上述问题，本发明提供了一种一种基于小样本学习的帕金森病多症状关键特征参数的获取方法，将语音数据集划分为多个任务集合，对语音信号提取初阶特征后，将其输入卷积神经网络，得到高阶特征，再计算其原型特征，通过原型特征和查询特征的对比学习训练神经网络，使得卷积神经网络提取的高阶特征接近帕金森病患者运动症状的真实分布，实现帕金森病患者多种运动症状的关键特征参数的提取，以帮助评估病情并制定个性化的治疗方案。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种语音驱动的帕金森病多症状特征参数的小样本学习方法，多症状为吞咽困难症状、冻结步态症状、震颤症状、异动症状和开关期症状，所述语音分析方法包括如下步骤：

步骤1：采集帕金森病患者参与多语音任务的语音数据，并对所述语音数据进行多标签标注；