[发明专利]基于语音特征与机器学习的抑郁症自动评估系统和方法

摘要

本发明提供一种基于语音特征与机器学习的抑郁症自动评估系统和方法，基于语音处理、特征提取、机器学习技术，寻找语音特征与抑郁症之间的联系，为抑郁症的临床诊断提供客观参考依据。本发明的系统包括(a)语音采集录音模块，用于记录被试者在不同情绪语料刺激下的语音信息；(b)语音特征计算模块，用于计算语音的声学特征；(c)语音数据库模块，包含用于语音特征有效性分析、分类器训练优化、系统分类率的相关数据；(d)机器学习模块，用于确定有效特征的提取方式，并训练用于自动评估的分类器；(e)自动评估模块，依据机器学习模块确定的有效特征提取方式以及训练的分类器分类模式，将被试者有效语音特征进行抑郁程度分类。

主权项

一种基于语音特征与机器学习的抑郁症自动评估系统，其特征在于，包括(a)语音采集录音模块，用于对被试者施以不同的情绪语料刺激的同时，记录被试者的语音信息；所述语音采集分为“语音问答”、“文本朗读”、“图片描述”三个模块，分别包含正向、中性、负向三种情绪的问题、文本和图片；(b)语音特征计算模块，用于对采集的语音信号进行预处理后，计算语音的声学特征；所述语音特征计算模块包含预处理模块，所述预处理模块包括依次连接的预加重、降噪、滤波模块，对采集的语音信号依次进行预加重、降噪和滤波处理；所述预加重模块采用k值为0.97的预加重滤波器，所述滤波模块采用通带频率为60～4500Hz的滤波器；所述语音的声学特征包括局部特征与统计学特征，计算局部特征时，将语音切分为帧，对单个语音帧进行计算；统计学特征是在多个语音帧之间进行计算；(c)语音数据库模块，包含用于语音特征有效性分析、分类器训练优化、系统分类率的相关数据；所述语音数据库模块运行在本系统的计算机上，用Microsoft SQL Server实现；包含的数据为：语音文件的语音特征、人工诊断标签、分类器分类标签，该数据库只保存经过医生诊断的被试数据；(d)机器学习模块，用语音数据库的数据进行语音特征与抑郁症的相关性分析，以确定有效特征的提取方式，并训练用于自动评估的分类器；所述机器学习模块包括分类器，使用的分类器模型为支持向量机；支持向量机使用LIB支持向量机来实现，选取的核函数为Radial Basis Function；所述确定的有效特征提取方式是指：第一步，先采用最小冗余最大相关的方式，去掉明显不相关的特征，从语音数据库中保存的语音特征中初步筛选出一个特征子集，作为待选特征集；第二步，在待选特征集中，排除一个特征后，用特征子集去训练分类器，计算出该特征子集的分类率，若分类率明显降低，则说明该特征有效，应作为有效特征；若分类率不改变或升高，说明该特征为无效特征；多次重复第二步操作，对待选特征集进行至少一次的遍历之后，保留下来的特征，即构成有效特征集；(e)自动评估模块，提取被试者有效语音特征并进行抑郁程度分类，实现依据输入的语音样本自动评估被试者的抑郁程度；具体包括：第一步，将没有人工诊断结果的被试语音样本，按照机器学习模块确定的有效特征提取方式，计算出有效特征；第二步，将有效特征输入由机器学习模块训练好的分类器，由分类器进行抑郁程度的分类；所述基于语音特征与机器学习的抑郁症自动评估系统的工作步骤为：1)语音信息采集录音获取语音样本：通过对被试者施以不同的情绪语料刺激的同时，使用录音设备记录被试者的语音信息；2)语音特征计算获取语音特征集：语音样本通过预处理后，计算语音的声学特征；将经过医生诊断的语音声学特征，包含诊断结果一起存入语音数据库；没有经过医生诊断的被试语音样本则进入步骤4)；3)依据存入语音数据库的语音声学特征进行机器学习，确定语音有效特征提取方式，训练用于自动评估的分类器；4)提取有效特征并进行分类得出评估结论：提取出被试语音样本在评估抑郁症过程中最有效的语音特征，即有效特征；并通过训练好的分类器对提取的有效特征进行分类，实现依据输入的语音样本自动评估被试者的抑郁程度；其中，所述步骤1)中，包括以下步骤：首先测量现场噪音，排除噪声源，在噪声符合要求之后，开始语音采集；语音采集过程中分别施以不同的情绪语料刺激，包括“语音问答”、“文本朗读”、“图片描述”三个不同的实验情境；所述步骤2)中，包括语音声学特征计算的步骤：第一步，将语音切分为帧，在单个语音帧中计算出局部声学特征；第二步，在多个语音帧之间，计算出统计学特征；第三步，若是已经过医生诊断的被试，将该被试的所有语音特征和人工诊断结果存入语音数据库；所述的特征提取算法包括但不限于：共振峰计算、有声段检测、MFCC、TEO、HNR、SNR、PPQ、APQ；所述步骤3)中，包括特征有效性分析与分类器训练的步骤：第一步，使用语音样本库中的已有人工诊断结论的数据，先采用最小冗余最大相关的方式，去掉明显不相关的特征，从语音声学特征计算出的特征集中初步筛选出一个特征的子集，作为待选特征集；第二步，在待选特征集中，排除一个特征后，用剩余特征训练分类器，若分类率明显降低，则说明该特征有效，并重复第二步；多次循环，对待选特征集进行至少一次的遍历之后，保留下来的特征，即构成有效特征集；有效特征集包含的特征即为有效特征；通过所述步骤最终训练出的分类器，即为用于自动评估时使用的分类器；所述步骤4)中，包括自动诊断的步骤：第一步，将没有人工诊断结果的被试语音样本，按照步骤3)确定的有效特征提取方式，计算出有效特征；第二步，将有效特征输入由步骤3)训练好的分类器，由分类器进行抑郁程度的分类；所述分类是指以两种标签：正常、抑郁进行分类。