CN114299996B 基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法及系统 （南京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114299996B(45)授权公告日2025.07.04

(21)申请号202111677396.X

(22)申请日2021.12.31

(65)同一申请的已公布的文献号申请公布号CN114299996A

(43)申请公布日2022.04.08

(73)专利权人南京邮电大学

地址210023江苏省南京市栖霞区文苑路9

号

G10L21/0208(2013.01)

G10L25/18(2013.01)

G10L25/24(2013.01)

(56)对比文件

CN105448291A,2016.03.30

CN107045876A,2017.08.15

审查员郭忆

(72)发明人李云王晨哲季薇王传瑜杨茗淇符宇辰

(74)专利代理机构南京天华专利代理有限责任公司32218

专利代理师刘畅徐冬涛

(51)Int.CI.

G10L25/66(2013.01)权利要求书2页说明书5页附图1页

(54)发明名称

基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法及系统

(57)摘要

CN114296696B本发明公开了一种基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法。步骤一、采集帕金森病患者持续稳定的元音，并记录帕金森病患者是否有冻结步态症状；步骤二、对语音信号进行去噪预处理，并去除静音片段；步骤三、提取多种语音特征；步骤四、利用CART算法对原始特征进行特征选择，筛选出能够有效表征冻结步态症状信息的关键特征；步骤五、训练AdaBoost模型；步骤六、将待测语音的特征向量输入模型，得到帕金森病冻结步态症状的关键特征参数。本发明使用AdaBoost算法来进行帕金森病冻结步态症状的分析，利用集成学习提

CN114296696B

采集帕金森病患者语音

采集帕金森病患者语音及其步态特征信息

语音信号预处理

语音原始特征提取

利用CART算法筛选能够

表征冻结步态症状的可

解释关键特征参数

训练AdaBoost模型

将待测语音的特征向量

征参数

CN114299996B权利要求书1/2页

2

1.一种基于AdaBoost算法的帕金森病冻结步态症状关键特征参数的语音分析方法，其特征在于，是按以下步骤进行的：

步骤一、语音信号的采集：采集帕金森病患者持续稳定的元音，记录帕金森病患者是否有冻结步态症状；

步骤二、语音信号的预处理：对语音信号进行去噪处理，并去除静音片段；

步骤三、语音特征提取：利用语音信号处理算法提取多种语音特征；

步骤四、特征选择：利用CART算法进行特征选择，筛选出能够表征冻结步态症状的关键特征；

所述步骤四具体过程为：

数据集D的基尼指数Gini(D)的具体公式为：

Gini(D)=Zk=1Pk(1-Pk)=1-2k=1P2

其中p表示样本点属于第k类的概率，K表示K个分类问题；

特征a的基尼指数Giniindex(D,a)定义为：

其中V代表特征a有V个可能取值；因此，选择使得划分后基尼指数最小的特征取值作为最优划分特征a,即：

a.=argmaxa∈AGiniindex(D,a);

步骤五、训练模型：采用决策树作为基分类器训练AdaBoost分类模型；所述步骤五具体过程为：

1)初始化训练数据的权值分布，每一个训练样本开始时都被赋予相同的权重：1/N;

其中w?表示第i个训练样本开始时的权重，N表示样本总数；

2)进行M次迭代，每次迭代进行以下步骤：

a.使用具有权值分布D的训练数据集进行学习，得到基分类器Ga(x):

Gm(x):x→{-1,+1}

b.计算G(x)在训练数据集上的分类误差率em:

em=P(Gm(x;)≠yi)=2:=1Wmil(Gm(x;)≠yi)

其中G(x?)表示基分类器G(x)在训练数据x,上的分类结果，y,表示训练数据x?的真实分类，w;表示第m次迭代时样本x;的权值，P()表示某个事件的概率；I()表示括号内事件为真时结果为1,反之结果为0;

c.计算G(x)的系数，得到基本分类器在最终分类器中的权重α:

其中e