基于超参数优化的深度学习帕金森氏声音数据分类方法技术

本发明专利技术公开了一种基于超参数优化的深度学习帕金森氏声音数据分类方法，其包括：获取帕金森氏声音数据；对帕金森氏声音数据进行特征提取和数据处理，得到处理后的帕金森氏声音数据；利用超参数优化后的ResNet50网络对处理后的帕金森氏声音数据进行分类，得到帕金森氏声音数据分类结果；其中，利用改进的ABC算法优化ResNet50网络的超参数。本发明专利技术能够在较短时间内得到适合帕金森氏声音数据分类的超参数取值，进而提高帕金森氏声音数据分类的准确率。率。率。

【技术实现步骤摘要】
基于超参数优化的深度学习帕金森氏声音数据分类方法


[0001]本专利技术涉及一种基于超参数优化的深度学习帕金森氏声音数据分类方法，属于帕金森氏声音数据分类


技术介绍

[0002]帕金森病是中老年人常见的精神疾病，主要表现为震颤、运动和声音迟缓，如语言变化、音符变化和僵硬。帕金森病的早期症状很难被发现，因此帕金森病的治疗常被推迟。近年来，帕金森病研究人员发现，大多数帕金森病患者在早期阶段机会出现语言障碍，如发音困难、构音障碍等，如果能通过对声音数据的分析判断声音数据中是否含有帕金森病特征，就可以在早期阶段辅助诊断帕金森病。
[0003]由于计算机能够准确地捕捉和记录微小的变化，所以在过去几十年中，它们被用来处理医学数据，帮助诊断帕金森病。近年来，机器学习已经成为处理各种问题的有力工具，并在帕金森病的数据分类中取得了良好的效果。在相同的特征提取条件下，研究者比较了支持向量机、朴素贝叶斯和k近邻分类器在含有连续元音、数字、单词和短句的帕金森氏语音数据集上的性能，结果表明，支持向量机的检测性能最高，正确检测率为80％，k
‑
NN和朴素贝叶斯的正确检测率分别为70％和65％。为了解决数据特征提取不当对后续检测结果的影响，研究者采用遗传算法对帕金森元音数据集进行特征提取，通过SVM分类器将准确率提高到90％以上。后来研究者首先利用SAS对牛津大学Max Little创建的一个声音数据集进行分析和处理，并采用深层学习方法对帕金森氏声音数据进行分类，测试集的高精度达到92.9％。
[0004]近年来，随着卷积神经网络的快速发展，出现了很多利用神经网络进行帕金森氏声音数据分类的研究。神经网络模型随其超参数的设置表现出不同的性能，超参数设置的越合适，神经网络模型的性能越好，理论上可以进一步提高帕金森氏声音数据分类的准确率但是查找神经网络模型合适的超参数需要花费大量的时间和精力，因此，迫切需要寻找一种更合适的方法来选择CNN的超参数。目前，神经网络的超参数优化方法大致分为两类：无模型和基于agent的模型。无模型超参数搜索方法包括网格搜索、随机搜索等。基于模型的超参数搜索方法包括贝叶斯优化算法、群智能算法等。与其他方法相比，群智能算法可以在整个解空间内并行搜索，这使得智能算法更适合于复杂问题的高维搜索，更适合CNN超参数优化，但在实际的研究中算法复杂度仍然过高，却准确性有待加强。

技术实现思路

[0005]为了解决现有技术中存在的问题，本专利技术提出了一种基于超参数优化的深度学习帕金森氏声音数据分类方法，利用改进的ABC算法优化ResNet50网络的超参数，在较短时间内得到适合帕金森氏声音数据分类的超参数取值，进而提高帕金森氏声音数据分类的准确率。
[0006]为解决上述技术问题，本专利技术采用了如下技术手段：
[0007]本专利技术提出了基于超参数优化的深度学习帕金森氏声音数据分类方法，包括如下步骤：
[0008]获取帕金森氏声音数据；
[0009]对帕金森氏声音数据进行特征提取和数据处理，得到处理后的帕金森氏声音数据；
[0010]利用超参数优化后的ResNet50网络对处理后的帕金森氏声音数据进行分类，得到帕金森氏声音数据分类结果；
[0011]其中，利用改进的ABC算法优化ResNet50网络的超参数。
[0012]进一步的，对帕金森氏声音数据进行特征提取和数据处理的方法为：
[0013]通过Mel频率倒谱系数对帕金森氏声音数据进行特征提取，将帕金森氏声音数据转换为Mel频率；
[0014]对Mel频率进行倒谱分析，得到Mel倒谱图；
[0015]对Mel倒谱图进行归一化处理和尺寸裁剪，得到处理后的帕金森氏声音数据。
[0016]进一步的，所述改进的ABC算法包括逐维调整策略和范围剪枝策略。
[0017]进一步的，设ResNet50网络中待优化的超参数的一组可行解为一个个体，利用改进的ABC算法优化ResNet50网络的超参数的方法为：
[0018]获取一组历史帕金森氏声音数据，对历史帕金森氏声音数据进行特征提取和数据处理，并分类后得到训练数据集；
[0019]利用混合变量编码策略在预设的搜索范围内进行个体随机初始化，得到初始化后的ResNet50网络；
[0020]将训练数据集输入到ResNet50网络，得到预测的帕金森氏声音数据分类结果；
[0021]根据预测的帕金森氏声音数据分类结果计算当前个体对应的适应度值；
[0022]根据适应度值的大小得到局部最优解并进行存储；
[0023]执行雇佣蜂、观察蜂、侦察蜂三个阶段，搜索新的个体；
[0024]根据更新后的个体重新预测帕金森氏声音数据分类结果，计算更新后的个体对应的适应度值，进而更新局部最优解；
[0025]当局部最优解停滞不变时，利用范围剪枝策略和逐维调整策略继续搜索新的个体，更新局部最优解，直至满足迭代终止条件，输出最优的超参数；
[0026]根据最优的超参数得到超参数优化后的ResNet50网络。
[0027]进一步的，超参数包括ResNet50网络中优化器的类型、激活函数的类型、池化类型、初始学习率、动量和失活率。
[0028]进一步的，所述范围剪枝策略如下：
[0029]在每一代个体搜索过程中，利用局部最优解目录矩阵记录每一代的局部最优解；
[0030]当局部最优解对应的适应度值连续多代没有变化时，根据局部最优解目录矩阵倒叙查找上一个适应度值不同于当前局部最优解的历史局部最优解，将当前局部最优解与历史局部最优解之间的距离设为个体搜索新范围。
[0031]进一步的，所述逐维调整策略如下：
[0032]将待优化的ResNet50网络超参数分为整数型超参数和浮点型超参数；
[0033]进行整数型超参数优化，将停滞不前的局部最优解中的浮点型超参数取值保持不
变，在范围剪枝策略得到的个体搜索新范围中遍历整数型超参数的每个可行解，利用整数型超参数的每个可行解与浮点型超参数组成一个新的个体；在对新的个体进行适应度评估之前，遍历蜜蜂目录矩阵，如果蜜蜂目录矩阵中存在相同位置的个体，不进行网络训练，直接从蜜蜂目录矩阵中调用该个体对应的适应度值，如果蜜蜂目录矩阵中不存在相同位置的个体，根据新的个体进行网络训练，计算新个体对应的适应度值，更新局部最优解；遍历个体搜索新范围中整数型超参数的所有可行解，得到浮点型超参数取值不变的情况下最优的整数型超参数；
[0034]进行浮点型超参数优化，将最优的整数型超参数取值保持不变，利用高斯随机化在范围剪枝策略得到的个体搜索新范围中微调浮点型超参数，更新局部最优解。
[0035]进一步的，在雇佣蜂阶段，个体更新公式为：
[0036][0037]其中，表示t+1代第i个个体中第j个超参数的值，表示t代第i个个体中第j个超参数的值，表示t代第k个个体中第j个超参数的值，i≠k，ψ为随机数，ψ∈[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于超参数优化的深度学习帕金森氏声音数据分类方法，其特征在于，包括如下步骤：获取帕金森氏声音数据；对帕金森氏声音数据进行特征提取和数据处理，得到处理后的帕金森氏声音数据；利用超参数优化后的ResNet50网络对处理后的帕金森氏声音数据进行分类，得到帕金森氏声音数据分类结果；其中，利用改进的ABC算法优化ResNet50网络的超参数。2.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法，其特征在于，对帕金森氏声音数据进行特征提取和数据处理的方法为：通过Mel频率倒谱系数对帕金森氏声音数据进行特征提取，将帕金森氏声音数据转换为Mel频率；对Mel频率进行倒谱分析，得到Mel倒谱图；对Mel倒谱图进行归一化处理和尺寸裁剪，得到处理后的帕金森氏声音数据。3.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法，其特征在于，所述改进的ABC算法包括逐维调整策略和范围剪枝策略。4.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法，其特征在于，设ResNet50网络中待优化的超参数的一组可行解为一个个体，利用改进的ABC算法优化ResNet50网络的超参数的方法为：获取一组历史帕金森氏声音数据，对历史帕金森氏声音数据进行特征提取和数据处理，并分类后得到训练数据集；利用混合变量编码策略在预设的搜索范围内进行个体随机初始化，得到初始化后的ResNet50网络；将训练数据集输入到ResNet50网络，得到预测的帕金森氏声音数据分类结果；根据预测的帕金森氏声音数据分类结果计算当前个体对应的适应度值；根据适应度值的大小得到局部最优解并进行存储；执行雇佣蜂、观察蜂、侦察蜂三个阶段，搜索新的个体；根据更新后的个体重新预测帕金森氏声音数据分类结果，计算更新后的个体对应的适应度值，进而更新局部最优解；当局部最优解停滞不变时，利用范围剪枝策略和逐维调整策略继续搜索新的个体，更新局部最优解，直至满足迭代终止条件，输出最优的超参数；根据最优的超参数得到超参数优化后的ResNet50网络。5.根据权利要求4所述的基于超参数优化的深度学习帕金森氏声音数据分类方法，其特征在于，超参数包括ResNet50网络中优化器的类型、激活函数的类型、池化类型、初始学习率、动量和失活率。6.根据权利要求4所述的基于超参数优化的深度学习帕金森氏声音数据分类方法，其特征在于，范围剪枝策略如下：在每一代个体搜索过程中，利用局部最优解目录矩阵记录每一代的局部最优解；当局部最优解对应的适应度值连续多代没有变化时...

【专利技术属性】
技术研发人员：高浩，李淑娟，王邢波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：