面向帕金森病语音诊断的非监督两步式卷积稀疏迁移学习算法

帕金森病(Parkinson’s Disease,PD)语音诊断存在小样本问题,如果借助相关语音数据集进行迁移学习,容易加重训练集和测试集之间的分布差异,影响分类准确率.为了解决上述矛盾问题,本文提出了两步式稀疏迁移学习算法.该算法分为两大步:第一步算法为语音段特征同时优选的快速卷积稀疏编码算法,构造卷积稀疏编码算子用于快速学习公共语音数据集的结构信息,然后将其迁移到PD语音目标集以弥补后者样本信息的不足,接着再同时对语音段和特征进行同时优选以获得更有价值的信息;第二步算法为联合局部结构信息分布对齐算法,对训练集和测试集进行域适应,在保持各自样本结构信息的同时,最小化分布误差.实验结果表明:本文算法中每一步迁移学习算法均有效;与相关算法相比,本文算法准确率显著较高,达97.5%.