【技术实现步骤摘要】
本专利技术涉及抑郁症识别，具体涉及基于深度学习的抑郁症语音识别方法及系统。
技术介绍
1、抑郁症是一种常见的精神障碍，表现为持续的悲伤情绪、兴趣或愉悦感丧失等症状。抑郁症的诊断通常依赖于临床医生的主观评估，可能导致抑郁症诊断不准确。深度学习是一种能够从大量数据中自动学习特征表示的机器学习技术，在抑郁症识别领域，深度学习用于分析患者的语音、文本、生理信号等多种类型的数据，从而实现对抑郁症的诊断。
2、现有技术从患者的语音中提取特征，如音调、节奏与音量等，通过神经网络分析抑郁症人群与健康人群的差异，从而实现基于患者的语音特征诊断抑郁症。但是由于老年人与慢性疾病患者等人群会因自身原因产生和抑郁症患者类似的生理或心理状态，导致非抑郁症人群与抑郁症人群的语音特征相似，从而使抑郁症诊断的准确率较低。
技术实现思路
1、为了解决非抑郁症人群与抑郁症人群的语音特征相似，使抑郁症诊断的准确率较低的技术问题，本专利技术的目的在于提供一种基于深度学习的抑郁症语音识别方法及系统，所采用的技术方案具体如下：
2、第一方面，本专利技术一个实施例提供了一种基于深度学习的抑郁症语音识别方法，该方法包括：
3、获取训练个体与待测个体的语音数据，以及每个语音数据的分词集合与每种语音属性的特征序列；
4、根据训练个体的任意两个语音数据的同种语音属性的特征序列中元素差异与元素波动程度的差异，对训练个体的所有语音数据进行聚类，得到训练个体的语音簇；基于所述语音簇内语音数据个数
5、将每个语音簇内语音数据的分词集合内分词构成的集合记为词簇集合；根据训练个体的所有语音簇的词簇集合内同一分词在其所属语音簇内的出现次数，以及存在训练个体的语音簇的词簇集合内每个分词的语音簇个数，构建训练个体的特征分词集合；
6、结合训练个体的所有语音属性的特征语音值和所述特征分词集合对神经网络进行训练，利用训练好的神经网络对待测个体进行抑郁症检测。
7、进一步地，所述训练个体的语音簇的获取方法，包括：
8、对于每个语音数据的每种语音属性的特征序列，计算特征序列中除第一个元素外的其余元素与其相邻前一个元素的差值的均值，作为波动集中值；将特征序列中所有元素的均值作为特征集中值；
9、根据训练个体的任意两个语音数据的同种语音属性的所述波动集中值的差异与所述特征集中值的差异，获取训练个体的任意两个语音数据的特征距离；
10、基于所述特征距离对训练个体的所有语音数据进行聚类，将得到的聚类簇记为语音簇。
11、进一步地，所述获取训练个体的任意两个语音数据的特征距离，包括：
12、将训练个体的每个语音数据的每种语音属性的所述波动集中值与所述特征集中值的乘积，作为训练个体的每个语音数据的每种语音属性的波动特征值；
13、计算训练个体的任意两个语音数据的同种语音属性的所述波动特征值的差值绝对值的均值，作为训练个体的任意两个语音数据的特征距离。
14、进一步地，所述获取训练个体的每种语音属性的特征语音值，包括：
15、将每个语音簇内语音数据的每种语音属性的特征序列中所有元素的众数，作为对应语音簇的每种语音属性的局部特征值；
16、将训练个体的所有语音簇按照语音簇内语音数据总个数从小到大顺序排列，得到簇序列；获取簇序列中每个语音簇的下标值记为每个语音簇的特征权重；
17、利用所述特征权重对每个语音簇的每种语音属性的所述局部特征值进行加权，得到每个语音簇的每种语音属性的加权特征值；计算训练个体的所有语音簇的每种语音属性的所述加权特征值的均值作为训练个体的每种语音属性的特征语音值。
18、进一步地，所述构建训练个体的特征分词集合，包括：
19、根据训练个体的每个语音簇的词簇集合内每个分词在对应语音簇内的出现次数，以及每个语音簇内存在所述词簇集合内每个分词的语音数据个数，获取训练个体的每个语音簇的词簇集合内每个分词的常用度；
20、根据训练个体的所有语音簇的词簇集合内同一分词的所述常用度，以及存在语音簇的词簇集合内每个分词的语音簇个数，获取训练个体的所有语音簇的词簇集合内每个分词的语义特征值；
21、对于训练个体的所有语音数据的分词集合内分词的所述语义特征值，将最大的预设数量个所述语义特征值对应分词构成的集合作为训练个体的特征分词集合。
22、进一步地，所述获取训练个体的每个语音簇的词簇集合内每个分词的常用度，包括：
23、对于训练个体的每个语音簇，从语音簇的词簇集合内任选一个分词记为示例分词；
24、从语音簇内语音数据中选取分词集合内存在示例分词的语音数据，记为示例存在数据，将语音簇内所有语音数据中示例存在数据的占比，作为示例分词的第一值；
25、将示例分词在语音簇内所有语音数据的分词集合内出现的频率，记为示例分词的第二值；
26、根据所述第一值与所述第二值，获取示例分词的常用度；所述第一值与所述第二值均和所述常用度为正相关关系。
27、进一步地，所述获取训练个体的所有语音簇的词簇集合内每个分词的语义特征值，包括：
28、从训练个体的语音簇的词簇集合内任选一个分词记为目标分词；从训练个体的所有语音簇中选取目标存在簇，所述目标存在簇内语音数据的分词集合内存在目标分词；
29、计算训练个体的所有目标存在簇的词簇集合内目标分词的所述常用度的均值，作为目标分词的常用整体值；将训练个体的所有语音簇中目标存在簇的占比，作为目标分词的出现值；
30、根据所述常用整体值与所述出现值，获取目标分词的语义特征值。
31、进一步地，所述对训练个体的所有语音数据进行聚类的方法为凝聚层次聚类算法。
32、进一步地，所述训练个体包括抑郁症患者与正常个体。
33、第二方面，本专利技术另一个实施例提供了一种基于深度学习的抑郁症语音识别系统，该系统包括：
34、数据采集模块，用于获取训练个体与待测个体的语音数据，以及每个语音数据的分词集合与每种语音属性的特征序列；
35、语音特征提取模块，用于根据训练个体的任意两个语音数据的同种语音属性的特征序列中元素差异与元素波动程度的差异，对训练个体的所有语音数据进行聚类，得到训练个体的语音簇；基于所述语音簇内语音数据个数调整语音数据的每种语音属性的特征序列中元素，获取训练个体的每种语音属性的特征语音值；
36、特征分词筛选模块，用于将每个语音簇内语音数据的分词集合内分词构成的集合记为词簇集合；根据训练个体的所有语音簇的词簇集合内同一分词在其所属语音簇内的出现次数，以及存在训练个体的语音簇的词簇集合内每个分词的语音簇个数，构建训练个体的特征分词集合；
37、抑郁症检测模块，用于结合训练个体的所述本文档来自技高网...
【技术保护点】
1.一种基于深度学习的抑郁症语音识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述训练个体的语音簇的获取方法，包括：
3.根据权利要求2所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述获取训练个体的任意两个语音数据的特征距离，包括：
4.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述获取训练个体的每种语音属性的特征语音值，包括：
5.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述构建训练个体的特征分词集合，包括：
6.根据权利要求5所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述获取训练个体的每个语音簇的词簇集合内每个分词的常用度，包括：
7.根据权利要求5所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述获取训练个体的所有语音簇的词簇集合内每个分词的语义特征值，包括：
8.根据权利要求2所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所
9.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述训练个体包括抑郁症患者与正常个体。
10.一种基于深度学习的抑郁症语音识别系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种基于深度学习的抑郁症语音识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述训练个体的语音簇的获取方法，包括：
3.根据权利要求2所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述获取训练个体的任意两个语音数据的特征距离，包括：
4.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述获取训练个体的每种语音属性的特征语音值，包括：
5.根据权利要求1所述的一种基于深度学习的抑郁症语音识别方法，其特征在于，所述构建训练个体的特征分词集合，包括：
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：沈宇星，彭小兵，
申请(专利权)人：成都好麦科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。