基于卷积稀疏核迁移学习与最优核及并行样本特征选择的帕金森病语音数据分类算法
机器学习
2020-02-11 v1 信号处理
摘要
帕金森病（PD）患者的标注语音数据稀缺，且现有数据集中训练数据与测试数据的统计分布差异显著。为解决这些问题，必须考虑降维与样本增强。本文提出一种基于稀疏核迁移学习并结合样本与特征并行优化的新型PD分类算法。利用稀疏迁移学习从公共数据集中提取PD语音特征的有效结构信息作为源域数据，并改进快速ADDM迭代以提升信息提取性能。为实现并行优化，考虑样本与特征之间的潜在关系以获得高质量组合特征。首先，从特定公共语音数据集中提取特征构建特征数据集作为源域。然后，通过卷积稀疏编码对包含训练与测试数据集的PD目标域进行编码，以提取更深层次信息。接着实施并行优化。为进一步提升分类性能，设计了卷积核优化机制。使用两个代表性公共数据集与一个自建数据集，实验对比了三十余种相关算法。结果表明，以Sakar数据集、MaxLittle数据集和DNSH数据集作为目标域时，所提算法在分类准确率上取得明显提升。研究还发现，相较于非迁移学习方法，本文算法有大幅改进，表明迁移学习不仅更有效，而且具有更可接受的时间代价。
引用
@article{arxiv.2002.03716,
title = {Classification Algorithm of Speech Data of Parkinsons Disease Based on Convolution Sparse Kernel Transfer Learning with Optimal Kernel and Parallel Sample Feature Selection},
author = {Xiaoheng Zhang and Yongming Li and Pin Wang and Xiaoheng Tan and Yuchuan Liu},
journal= {arXiv preprint arXiv:2002.03716},
year = {2020}
}
备注
12 pages, 4 figures, 5 tables