基于AdaBoost协作表示算法的语音重度抑郁症检测

发布时间：2020-05-07 22:33

【摘要】：2017年世界卫生组织(WHO)公布,2015年全球抑郁症患者已达3.22亿人。抑郁症是导致15岁至29岁人群自杀死亡的第二大原因。其中重度抑郁症患者(贝克抑郁量表第2版评分为29—63)会有严重的自残、甚至自杀倾向,成为引发当前现状潜在高危群体。国内外学者以抑郁症对语音韵律和声学语言特征的影响为切入点,在检测、识别抑郁症方面已开展卓有成效的尝试和探索。而针对重度抑郁症的语音模式检测尚需深入研究。重度抑郁症患者话语常表现出语速缓慢、停顿偏久、用词单一等特点,且数据样本较少、重度抑郁类和非重度抑郁类分布显著不平衡,加剧抑郁程度信息低度差异困境,使这一问题具有挑战性。协作表示分类器依据将所有类训练样本参与表示测试样本的机制在一定程度上缓解训练样本不足的局限性。然而,在重度抑郁症检测问题中目标类样本过少,无法充分描述其空间分布。现有的研究成果表明,基于单一分类器的传统抑郁症检测方法性能已趋于瓶颈,泛化误差难以进一步降低。针对这些问题,本论文采用AdaBoost集成框架,提出AdaBoost协作表示分类器(AdaBoost-CRC)集成检测模型,通过对基分类器进行加权叠加方式,来提高分类器的精确度。本论文的主要工作为:算法采用帧基美尔倒谱特征(MFCC)均值向量作为话语层特征;对分布不平衡的各类训练样本奇异值分解得到元样本,构建平衡类字典;由平衡类字典建立基分类器,构建集成检测模型。在特征提取环节,通过在指定范围随机选择浊音帧阈值,考察话语层特征扰动效果。AdaBoost-CRC框架采用随机数作为字典原子的各类元样本数量。通过建立多种个体差异基分类器,构建随机动态集成加权分类模型,增强集成检测系统异质性。算法评价采用AVEC2013抑郁症语料库。依据留一人交叉验证,对比神经网络、支持向量机、稀疏表示分类器、协作表示分类器重度抑郁症检测性能。结果表明,所提方法最优。
【图文】：

第 2 章 抑郁症语音基础第 2 章 抑郁症语音基础音概述知角度，语音的产生是结合大脑、视觉、言语和器官运动等多方面最终形着韵律信息，同时产生一系列肌肉运动。语音产生的肌肉运动机理如图 肌肉活动可看作一个声源-滤波操作，声音通过肺、喉和声道等器官来产流送入喉部的动力，喉部相当于调制器将气流形成脉冲而后进入声道，声器其对频率和声门波的频谱做出改变，声音从嘴中传播出来形成声波也就声源由周期性、噪声和冲击性声源构成[13]。语音与不同的声道形态以及他性声源相互作用有关。语音的产生器官有肺、喉部、声道等。人体通过肺气，通过喉咙控制声带，口腔和鼻腔一起组成了声道，嘴唇以及喉部视为腔耦合组成了鼻腔[14]。

图 2.2 MFCC 计算过程图 2.3 Mel 频率滤波器组的频率响应定义为 ,(1)(((1)(1))(()(1))2((1))0,(1)fmkfmfmfmfmfmkfmkfm
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R749.4;TN912.3

【相似文献】

相关期刊论文 前10条

1 蒋焰;丁晓青;;基于多步校正的改进AdaBoost算法[J];清华大学学报(自然科学版)网络.预览;2008年10期

2 严智;张鹏;谢川;张钰林;李保军;;一种快速AdaBoost.RT集成算法时间序列预测研究[J];电子测量与仪器学报;2019年06期

3 李闻;王显博;;基于Adaboost算法的人脸检测的研究[J];中外企业家;2019年26期

4 李军;闫佳佳;;基于KELM-AdaBoost方法的短期风电功率预测（英文）[J];控制工程;2019年03期

5 王伦;;Adaboost-SVM多因子选股模型[J];经济研究导刊;2019年10期

6 叶晓波;秦海菲;吕永林;;一种改进的Adaboost-BP算法在手写数字识别中的研究[J];大理大学学报;2019年06期

7 王玲娣;徐华;;AdaBoost的多样性分析及改进[J];计算机应用;2018年03期

8 杜瑞超;华继学;翟夕阳;李志鹏;;基于改进Real AdaBoost算法的软件可靠性预测[J];空军工程大学学报(自然科学版);2018年01期

9 王玲娣;徐华;;一种基于聚类和AdaBoost的自适应集成算法[J];吉林大学学报(理学版);2018年04期

10 牛清宁;周志强;刘文超;;基于Adaboost算法的人眼检测技术在路考系统中的应用[J];汽车与安全;2016年04期

相关会议论文 前10条

1 蔡念;金丰;阮恭勤;潘晴;许少秋;;基于AdaBoost算法的图像复原方法[A];第十五届全国图象图形学学术会议论文集[C];2010年

2 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

3 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年计算机应用与系统建模国际会议论文集[C];2012年

4 陆文聪;钮冰;金雨欢;;基于AdaBoost算法的亚细胞位置预测[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年

5 陈宏伟;刘建伟;费向东;;一种半监督环境下的Adaboost算法[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

6 唐晓丹;苗振江;;基于AdaBoost和粒子滤波的目标跟踪[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 于淼;李乃民;王宽全;贾丹兵;闫子飞;;基于AdaBoost的中医舌诊分类算法研究[A];第二次全国中西医结合诊断学术研讨会论文集[C];2008年

8 李晶;陈媛媛;;基于AdaBoost的车牌字符识别模型研究[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅰ）[C];2008年

9 张超;苗振江;;基于AdaBoost的面部信息感知[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

10 郭翌;汪源源;;基于Adaboost算法的颈动脉粥样硬化判别方法[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年

相关重要报纸文章 前1条

1 张阳;5G时代，AI能走多远？[N];人民邮电;2019年

相关博士学位论文 前10条

1 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

2 Ebenezer Owusu;[D];江苏大学;2014年

3 习文星;移动背景下视觉的行人检测、识别与跟踪技术研究[D];中国科学院研究生院(上海技术物理研究所);2015年

4 卢金娜;基于优化算法的径向基神经网络模型的改进及应用[D];中北大学;2015年

5 卢岩;交通监控中的运动人体目标检测与跟踪[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2011年

6 王小明;可变光照下人脸检测与识别研究[D];华东师范大学;2010年

7 孙元;多媒体语义检索关键问题研究[D];吉林大学;2010年

8 王颖;成熟microRNA识别及其功能预测方法研究[D];哈尔滨工程大学;2016年

9 吴暾华;面向中医面诊诊断信息提取的若干关键技术研究[D];厦门大学;2008年

10 高常鑫;基于上下文的目标检测与识别方法研究[D];华中科技大学;2010年

相关硕士学位论文 前10条

1 贾宏云;基于AdaBoost模型的藏文文本分类研究与实现[D];西藏大学;2019年

2 曹大陆;基于Adaboost算法的遮挡人脸检测研究[D];哈尔滨工程大学;2019年

3 张松;基于SVM和Adaboost的多分类算法研究[D];山东师范大学;2019年

4 李阳萱;烟草异物图像检测技术研究及仿真[D];西南科技大学;2018年

5 张竞文;基于AdaBoost协作表示算法的语音重度抑郁症检测[D];吉林大学;2019年

6 刘俊杰;商品图片中的文字检测与识别系统设计[D];华中师范大学;2017年

7 曾雷;基于改进的LLE与Adaboost算法的人脸表情识别[D];中国石油大学(华东);2017年

8 刘嘉璐;基于支持向量机集成模型的我国混合型开放式基金投资价值分析[D];厦门大学;2018年

9 魏依萌;基于GPU加速的Adaboost车辆检测技术研究[D];哈尔滨工程大学;2018年

10 苏倩;基于人脸识别的类门禁系统[D];西安理工大学;2014年

，

本文编号：2653648