[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

说明书

本发明涉及医疗诊断技术领域，具体公开了一种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，该方法基于近邻样本的样本对连接(SPC)挖掘样本之间的近邻关系，基于多层迭代均值聚类的层间一致性机制(ICMC)构建多层样本空间，构建嵌入式堆栈自动编码器(ESAE)，从而将原始特征引入编码器网络的逐层训练过程中，筛去隐含层输出中的低质无效特征，还采用主成分分析法(PCA)对混合特征进行特征约简，最后采用多层样本空间模型MSEM将约简的特征融合在每一层样本空间下。该技术实现了在结构化样本上的PD语音堆栈自动编码。整体上，本方法具有较高的分类精度(在AD数据集中的分类准确率比SAE高40.00％，比SSAE高34.00％，比SDSAE高35.09％，比SPSAE高32.89％，比ESGSAE_FF高23.34％，比GSTAE高19.56％)。

技术领域

本发明涉及医疗诊断技术领域，尤其涉及一种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。

背景技术

近年来，深度学习方法越来越受到众多学者的关注。对原始特征进行多层非线性变换，可以得到质量更高的新特征。国内外学者将深度学习应用于语音数据实现PD诊断取得了积极成果。其中特征学习是关键，特征学习的有效性严重影响着算法的性能。深度特征学习是近年来出现的一种先进的特征学习工具，在各个领域都取得了成绩。其中，堆栈自动编码器(SAE)在特征学习方面具有独特而优异的性能，受到了研究者的广泛关注。

现有的深度SAE只关注原始样本，没有考虑样本之间的层次结构。现有的SAE算法只考虑最小化每个输入样本与其输出重建样本之间的误差，因此没有挖掘样本之间的结构信息。但是，忽略样本结构信息会导致样本间可分性降低，限制对最优样本的搜索，影响算法的分类性能。因此，有必要考虑样本之间的结构信息。此外，如何从原始样本中找到最优特征也是一项挑战。如今代表性堆栈自动编码器算法包括堆叠式自编码器(SAE)、堆叠式稀疏自编码器(SSAE)、堆叠去噪式稀疏自编码器(SDSAE)、堆叠式修剪式稀疏自编码器(SPSAE)、带有L1正则化和管形缩减的嵌入式堆叠组稀疏自编码器集成(ESGSAE_FF)和门控式堆叠目标相关自编码器(GSTAE)，这些算法没有考虑样本之间的层次结构，导致最后模型的分类精度仍不够高。本发明实现了在结构化样本上的PD语音堆栈自动编码器，克服了现有PD语音分类方法只能基于原始样本建模，没有挖掘样本间结构关系的局限性。

发明内容

本发明提供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，解决的技术问题在于：现有的堆栈自动编码器算法没有考虑样本之间的层次结构，分类精度仍不够高。

为解决以上技术问题，本发明提供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，包括步骤：

S1、基于邻近样本包络学习机制(NSELM)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(EASE)，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。

进一步地，在所述步骤S1中，所述邻近样本包络学习机制(NSELM)具体为：