【摘要】：2017年世界衛(wèi)生組織(WHO)公布,2015年全球抑郁癥患者已達(dá)3.22億人。抑郁癥是導(dǎo)致15歲至29歲人群自殺死亡的第二大原因。其中重度抑郁癥患者(貝克抑郁量表第2版評(píng)分為29—63)會(huì)有嚴(yán)重的自殘、甚至自殺傾向,成為引發(fā)當(dāng)前現(xiàn)狀潛在高危群體。國(guó)內(nèi)外學(xué)者以抑郁癥對(duì)語(yǔ)音韻律和聲學(xué)語(yǔ)言特征的影響為切入點(diǎn),在檢測(cè)、識(shí)別抑郁癥方面已開(kāi)展卓有成效的嘗試和探索。而針對(duì)重度抑郁癥的語(yǔ)音模式檢測(cè)尚需深入研究。重度抑郁癥患者話(huà)語(yǔ)常表現(xiàn)出語(yǔ)速緩慢、停頓偏久、用詞單一等特點(diǎn),且數(shù)據(jù)樣本較少、重度抑郁類(lèi)和非重度抑郁類(lèi)分布顯著不平衡,加劇抑郁程度信息低度差異困境,使這一問(wèn)題具有挑戰(zhàn)性。協(xié)作表示分類(lèi)器依據(jù)將所有類(lèi)訓(xùn)練樣本參與表示測(cè)試樣本的機(jī)制在一定程度上緩解訓(xùn)練樣本不足的局限性。然而,在重度抑郁癥檢測(cè)問(wèn)題中目標(biāo)類(lèi)樣本過(guò)少,無(wú)法充分描述其空間分布。現(xiàn)有的研究成果表明,基于單一分類(lèi)器的傳統(tǒng)抑郁癥檢測(cè)方法性能已趨于瓶頸,泛化誤差難以進(jìn)一步降低。針對(duì)這些問(wèn)題,本論文采用AdaBoost集成框架,提出AdaBoost協(xié)作表示分類(lèi)器(AdaBoost-CRC)集成檢測(cè)模型,通過(guò)對(duì)基分類(lèi)器進(jìn)行加權(quán)疊加方式,來(lái)提高分類(lèi)器的精確度。本論文的主要工作為:算法采用幀基美爾倒譜特征(MFCC)均值向量作為話(huà)語(yǔ)層特征;對(duì)分布不平衡的各類(lèi)訓(xùn)練樣本奇異值分解得到元樣本,構(gòu)建平衡類(lèi)字典;由平衡類(lèi)字典建立基分類(lèi)器,構(gòu)建集成檢測(cè)模型。在特征提取環(huán)節(jié),通過(guò)在指定范圍隨機(jī)選擇濁音幀閾值,考察話(huà)語(yǔ)層特征擾動(dòng)效果。AdaBoost-CRC框架采用隨機(jī)數(shù)作為字典原子的各類(lèi)元樣本數(shù)量。通過(guò)建立多種個(gè)體差異基分類(lèi)器,構(gòu)建隨機(jī)動(dòng)態(tài)集成加權(quán)分類(lèi)模型,增強(qiáng)集成檢測(cè)系統(tǒng)異質(zhì)性。算法評(píng)價(jià)采用AVEC2013抑郁癥語(yǔ)料庫(kù)。依據(jù)留一人交叉驗(yàn)證,對(duì)比神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、稀疏表示分類(lèi)器、協(xié)作表示分類(lèi)器重度抑郁癥檢測(cè)性能。結(jié)果表明,所提方法最優(yōu)。
【圖文】：

第 2 章 抑郁癥語(yǔ)音基礎(chǔ)第 2 章 抑郁癥語(yǔ)音基礎(chǔ)音概述知角度，語(yǔ)音的產(chǎn)生是結(jié)合大腦、視覺(jué)、言語(yǔ)和器官運(yùn)動(dòng)等多方面最終形著韻律信息，同時(shí)產(chǎn)生一系列肌肉運(yùn)動(dòng)。語(yǔ)音產(chǎn)生的肌肉運(yùn)動(dòng)機(jī)理如圖 肌肉活動(dòng)可看作一個(gè)聲源-濾波操作，聲音通過(guò)肺、喉和聲道等器官來(lái)產(chǎn)流送入喉部的動(dòng)力，喉部相當(dāng)于調(diào)制器將氣流形成脈沖而后進(jìn)入聲道，聲器其對(duì)頻率和聲門(mén)波的頻譜做出改變，聲音從嘴中傳播出來(lái)形成聲波也就聲源由周期性、噪聲和沖擊性聲源構(gòu)成[13]。語(yǔ)音與不同的聲道形態(tài)以及他性聲源相互作用有關(guān)。語(yǔ)音的產(chǎn)生器官有肺、喉部、聲道等。人體通過(guò)肺氣，通過(guò)喉嚨控制聲帶，口腔和鼻腔一起組成了聲道，嘴唇以及喉部視為腔耦合組成了鼻腔[14]。

圖 2.2 MFCC 計(jì)算過(guò)程圖 2.3 Mel 頻率濾波器組的頻率響應(yīng)定義為 ,(1)(((1)(1))(()(1))2((1))0,(1)fmkfmfmfmfmfmkfmkfm
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：R749.4;TN912.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔣焰;丁曉青;;基于多步校正的改進(jìn)AdaBoost算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2008年10期

2 嚴(yán)智;張鵬;謝川;張鈺林;李保軍;;一種快速AdaBoost.RT集成算法時(shí)間序列預(yù)測(cè)研究[J];電子測(cè)量與儀器學(xué)報(bào);2019年06期

3 李聞;王顯博;;基于Adaboost算法的人臉檢測(cè)的研究[J];中外企業(yè)家;2019年26期

4 李軍;閆佳佳;;基于KELM-AdaBoost方法的短期風(fēng)電功率預(yù)測(cè)（英文）[J];控制工程;2019年03期

5 王倫;;Adaboost-SVM多因子選股模型[J];經(jīng)濟(jì)研究導(dǎo)刊;2019年10期

6 葉曉波;秦海菲;呂永林;;一種改進(jìn)的Adaboost-BP算法在手寫(xiě)數(shù)字識(shí)別中的研究[J];大理大學(xué)學(xué)報(bào);2019年06期

7 王玲娣;徐華;;AdaBoost的多樣性分析及改進(jìn)[J];計(jì)算機(jī)應(yīng)用;2018年03期

8 杜瑞超;華繼學(xué);翟夕陽(yáng);李志鵬;;基于改進(jìn)Real AdaBoost算法的軟件可靠性預(yù)測(cè)[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年01期

9 王玲娣;徐華;;一種基于聚類(lèi)和AdaBoost的自適應(yīng)集成算法[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2018年04期

10 牛清寧;周志強(qiáng);劉文超;;基于Adaboost算法的人眼檢測(cè)技術(shù)在路考系統(tǒng)中的應(yīng)用[J];汽車(chē)與安全;2016年04期

相關(guān)會(huì)議論文 前10條

1 蔡念;金豐;阮恭勤;潘晴;許少秋;;基于AdaBoost算法的圖像復(fù)原方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[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年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

4 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

5 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

6 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

7 于淼;李乃民;王寬全;賈丹兵;閆子飛;;基于AdaBoost的中醫(yī)舌診分類(lèi)算法研究[A];第二次全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)研討會(huì)論文集[C];2008年

8 李晶;陳媛媛;;基于AdaBoost的車(chē)牌字符識(shí)別模型研究[A];2008中國(guó)儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅰ）[C];2008年

9 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

10 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)重要報(bào)紙文章 前1條

1 張陽(yáng);5G時(shí)代，AI能走多遠(yuǎn)？[N];人民郵電;2019年

相關(guān)博士學(xué)位論文 前10條

1 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

2 Ebenezer Owusu;[D];江蘇大學(xué);2014年

3 習(xí)文星;移動(dòng)背景下視覺(jué)的行人檢測(cè)、識(shí)別與跟蹤技術(shù)研究[D];中國(guó)科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

4 盧金娜;基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用[D];中北大學(xué);2015年

5 盧巖;交通監(jiān)控中的運(yùn)動(dòng)人體目標(biāo)檢測(cè)與跟蹤[D];中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）;2011年

6 王小明;可變光照下人臉檢測(cè)與識(shí)別研究[D];華東師范大學(xué);2010年

7 孫元;多媒體語(yǔ)義檢索關(guān)鍵問(wèn)題研究[D];吉林大學(xué);2010年

8 王穎;成熟microRNA識(shí)別及其功能預(yù)測(cè)方法研究[D];哈爾濱工程大學(xué);2016年

9 吳暾華;面向中醫(yī)面診診斷信息提取的若干關(guān)鍵技術(shù)研究[D];廈門(mén)大學(xué);2008年

10 高常鑫;基于上下文的目標(biāo)檢測(cè)與識(shí)別方法研究[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 賈宏云;基于AdaBoost模型的藏文文本分類(lèi)研究與實(shí)現(xiàn)[D];西藏大學(xué);2019年

2 曹大陸;基于Adaboost算法的遮擋人臉檢測(cè)研究[D];哈爾濱工程大學(xué);2019年

3 張松;基于SVM和Adaboost的多分類(lèi)算法研究[D];山東師范大學(xué);2019年

4 李陽(yáng)萱;煙草異物圖像檢測(cè)技術(shù)研究及仿真[D];西南科技大學(xué);2018年

5 張競(jìng)文;基于AdaBoost協(xié)作表示算法的語(yǔ)音重度抑郁癥檢測(cè)[D];吉林大學(xué);2019年

6 劉俊杰;商品圖片中的文字檢測(cè)與識(shí)別系統(tǒng)設(shè)計(jì)[D];華中師范大學(xué);2017年

7 曾雷;基于改進(jìn)的LLE與Adaboost算法的人臉表情識(shí)別[D];中國(guó)石油大學(xué)(華東);2017年

8 劉嘉璐;基于支持向量機(jī)集成模型的我國(guó)混合型開(kāi)放式基金投資價(jià)值分析[D];廈門(mén)大學(xué);2018年

9 魏依萌;基于GPU加速的Adaboost車(chē)輛檢測(cè)技術(shù)研究[D];哈爾濱工程大學(xué);2018年

10 蘇倩;基于人臉識(shí)別的類(lèi)門(mén)禁系統(tǒng)[D];西安理工大學(xué);2014年

，

本文編號(hào)：2653648