基于包络深度样本模糊集成的帕金森病语音数据学习算法

帕金森氏病（PD）的语音识别是其诊断的有效途径，已成为近年来的研究热点与难点。众所周知，同一受试者体内存在大量语料段（segments）。然而，过大的片段会增加分类模型的复杂度。此外，临床医生致力于寻找反映整个受试者病理特征的诊断性语音标记。由于各语音样本片段的最优相关特征不同，难以发现统一的诊断性语音标记。因此，有必要将同一受试者体内现有的大量片段重构为少量甚至一个片段，以便提取相关语音特征来刻画该受试者的诊断标记。针对此问题，本文提出一种基于多层模糊 c 均值（MlFCM）聚类与层间一致性保持的帕金森病受试者包络深度语音样本学习算法。该算法可用于实现帕金森病（PD）的受试者内样本重构，获得少量高质量原型样本段。文末选取若干代表性 PD 语音数据集，并分别与当前最优相关方法比较。实验结果表明所提算法显著有效。