面向少样本帕金森语音识别的深度双侧学习集成模型

基于语音数据的帕金森病诊断与疗效评估十分重要，但其少样本学习问题具有挑战性。尽管深度学习擅长自动特征提取，却受困于少样本学习问题。因此，通常有效的方法是先基于先验知识进行特征提取，再开展特征降维以供后续分类。然而存在两个主要问题：1) 语音特征间的结构信息未被挖掘，更高质量的新特征未被重构；2) 数据样本间的结构信息未被挖掘，更高质量的新样本未被重构。为解决这两个问题，本文基于现有帕金森语音特征数据集，设计了一种能够深度且同时重构语音特征与样本的深度双侧学习集成模型。在特征重构方面，本文设计了一种嵌入式深度堆叠组稀疏自编码器进行非线性特征变换，以获取新的高层深度特征，随后通过 L1 正则化特征选择方法将深度特征与原始语音特征融合。在语音样本重构方面，本文设计了一种基于迭代均值聚类的深度样本学习算法进行样本变换，以获得新的高层深度样本。最后，采用 bagging 集成学习模式将深度特征学习算法与深度样本学习算法融合，从而构建深度双侧学习集成模型。本文末尾使用两个代表性的帕金森疾病语音数据集进行验证，实验结果表明所提算法有效。