[发明专利]基于邻接包络内嵌堆栈自动编码器集成的帕金森分类方法

权利要求书

1.基于邻接包络内嵌堆栈自动编码器集成的帕金森语音分类方法，其特征在于，包括步骤：

S1、基于邻近样本包络学习机制生成由帕金森病语音样本组成的原始数据集X的多层样本空间；

S2、构建与多层所述样本空间一一对应的多个嵌入式堆栈自动编码器，并在各层所述样本空间下对其对应的所述嵌入式堆栈自动编码器进行训练并提取深度特征，得到多个深度特征；

S3、对多个所述深度特征各自进行特征约简得到新的特征矩阵对应输入多个分类器中进行分类，得到多个分类结果；

S4、根据验证集确定每个所述分类器的最优权重，并基于每个所述分类器的权重对多个所述分类结果进行集成，得到最终的分类标签。

2.根据权利要求1所述的基于邻接包络内嵌堆栈自动编码器集成的帕金森分类方法，其特征在于，在所述步骤S1中，所述邻近样本包络学习机制具体为：

根据基于近邻样本的样本对连接、迭代均值聚类得到多层聚类样本空间OS、PS、SS分别表示原始样本对空间、第一层聚类样本空间、最后一层聚类样本空间，X_OS、X_PS、X_SS分别表示样本空间OS、PS、SS中的样本，R表示实数集，n、u、e分别表示样本X_OS、X_PS、X_SS的样本个数，2d表示样本X_OS、X_PS及X_SS的特征维数，并基于层间一致性机制使所述多层聚类样本空间之间的样本分布一致。

3.根据权利要求2所述的基于邻接包络内嵌堆栈自动编码器集成的帕金森分类方法，其特征在于，在对所述原始样本对空间OS进行迭代均值聚类以及对齐样本空间OS和PS的样本分布的过程中，总损失函数为：

其中，J_IMC(M)表示进行迭代均值聚类的损失，J_ICM(Ψ,Φ,Q)表示样本分布对齐的损失，M＝[m₁,m₂,…,m_u]是聚类中心集合，M_u是由u个样本组成的初始聚类中心，M_P是由p个样本组成的初始聚类中心，其中p＝1,2,…,u，S_P是以M_u为簇心的样本集合，Y代表迭代均值聚类前的样本；Ψ表示线性变换的投影矩阵，有Φ表示Ψ的系数矩阵；X_OP＝[X_PS,X_OS]表示将OS和PS空间中的样本连接在一起，并用下标OP表示，表示样本X_OP的分布；自定义参数表示一个完整的全1矩阵；矩阵D∈R^n×n是一个对角矩阵，其中元素D_ii＝∑_jW_ij,i＝1,…,n，W是亲和矩阵；Q∈R^u×n是生成转换矩阵；|| ||_*表示核范数，表示二范数的平方，Tr(·)表示矩阵的迹；γ为权衡参数，ω为J_ICM(Ψ,Φ,Q)的相关系数。