張 濤 洪文學(xué) 任宏雷(燕山大學(xué)信息科學(xué)與工程學(xué)院，秦皇島 066004)

2(燕山大學(xué)生物醫(yī)學(xué)工程研究所，秦皇島 066004)

引言

帕金森病是一種常見的中老年神經(jīng)退行性疾病，具有發(fā)病率高且無法治愈的特點(diǎn)。目前最有效的辦法就是早發(fā)現(xiàn)，以減少發(fā)病后期帶來的損失。但由于現(xiàn)有的帕金森病早期診斷過程比較繁瑣，造成漏診率高達(dá)6 成。因此，尋找檢測方便的各種帕金森病早期診斷的方法，成為了帕金森病研究的熱點(diǎn)［1 -2］。

在各種帕金森病的早期診斷方法中，有一種基于語音障礙的帕金森病機(jī)器診斷方法，由于其具有測量方便、成本低廉的特點(diǎn)，受到了廣泛的關(guān)注［3］。在現(xiàn)有的基于語音障礙的帕金森病分析中，研究主要集中在兩個(gè)方面:特征選擇與數(shù)據(jù)分類。

在特征選擇的研究中，目前主要有窮舉法［4］、粗糙集方法［5］和遺傳算法［6］3 個(gè)方法。其中，窮舉法可以獲得相對較高的分類精度，但由于其計(jì)算復(fù)雜度較高而無法獲得實(shí)際應(yīng)用，同時(shí)其特征融合過程難以物理解釋;利用粗糙集方法做特征選擇，其結(jié)果為22 特征，實(shí)際上為全選過程;遺傳算法通過模擬自然進(jìn)化過程來搜索最優(yōu)解，其本質(zhì)屬于隨機(jī)類算法，難以得到穩(wěn)定解。對于帕金森病這樣一種需要進(jìn)行病原解釋的疾病，顯然其診斷在知識發(fā)現(xiàn)領(lǐng)域是無能為力的。

在對帕金森病數(shù)據(jù)的分類研究中，Little 等人的研究小組采用核函數(shù)的支持向量機(jī)(SVM)對其進(jìn)行分類［7］，獲得了較為理想的分類精度。Freddie ?str?m 利用并行神經(jīng)網(wǎng)絡(luò)進(jìn)行帕金森病的預(yù)測［8］，取得了和Little 近似的研究成果。以上方法雖然在分類精度上達(dá)到了較高水平，但在數(shù)據(jù)解釋上，由于映射關(guān)系與帕金森病語音障礙物理意義的脫節(jié)，造成難以對該分類結(jié)果進(jìn)行解釋。同時(shí)，由于難以讓使用者獲得直觀理解，因而分類過程的可解釋性較差。

為了同時(shí)滿足分類的高精度和結(jié)果的可解釋性，筆者提出利用基于計(jì)算幾何原理的多維篩分類器［9］對帕金森病的數(shù)據(jù)進(jìn)行可視化診斷。作為典型的可視化分類器，多維篩分類器從數(shù)據(jù)的表示到分類界面的形成與數(shù)據(jù)的分類，做到了全程可視化，且數(shù)據(jù)與過程對應(yīng)的物理意義明確，解釋性強(qiáng)，不但有利于完成更高精度的數(shù)據(jù)分類，而且可以對分類結(jié)果進(jìn)行解釋。本研究利用多元圖表示原理，對基于語音障礙的帕金森病數(shù)據(jù)進(jìn)行可視化表示與分類，并比較不同參數(shù)下的分類結(jié)果及其分析。

1 測試數(shù)據(jù)集和方法

1.1 測試數(shù)據(jù)集

為了保證實(shí)驗(yàn)數(shù)據(jù)的客觀性、可重現(xiàn)性與可對比性，所有實(shí)驗(yàn)數(shù)據(jù)均采用國際公開數(shù)據(jù)庫完成。在國際公開數(shù)據(jù)庫中，有關(guān)語音障礙的帕金森病的數(shù)據(jù)庫只有兩個(gè)，分別為Parkinson's Dataset(帕金森數(shù)據(jù)集，http://archive. ics. uci. edu/ml/ datasets/Parkinsons)和Parkinsons Telemonitoring Data Set(遠(yuǎn)程帕金森數(shù)據(jù)集，http://archive. ics. uci. edu/ml/datasets/Parkinsons +Telemonitoring)。

Parkinson's dataset 為牛津大學(xué)的帕金森病檢測數(shù)據(jù)庫(OPDD)，于2007 年由牛津大學(xué)的Max A.Little 建立，共采集到31 人195 份語音樣本，其中23人為確診的帕金森病患者。被測試對象的年齡在46 ～85 歲之間，患病時(shí)間0 ～28 年不等每個(gè)對象都分6 次發(fā)元音［a］，每次的時(shí)間為36 s。

在帕金森數(shù)據(jù)集的基礎(chǔ)上，Max A. Little 于2009 年公布了遠(yuǎn)距離測量的帕金森病語音數(shù)據(jù)遠(yuǎn)程帕金森數(shù)據(jù)集Parkinsons Telemonitoring Data Set(PTDS)。在該測試中，選擇了42 名早期帕金森患者，共收集到5 875個(gè)數(shù)據(jù)樣本，每個(gè)樣本記錄26 個(gè)屬性，因此該數(shù)據(jù)集具有測試意義。

帕金森數(shù)據(jù)集與遠(yuǎn)程帕金森數(shù)據(jù)集均為實(shí)測的語音障礙與帕金森病的關(guān)系。其中，帕金森數(shù)據(jù)集關(guān)注的是能否用語音特征完成患者是否患有帕金森病的診斷，而遠(yuǎn)程帕金森數(shù)據(jù)集則是通過語音特征來完成帕金森病的嚴(yán)重程度判斷。從分類過程上看，二者的分類過程類似，且帕金森數(shù)據(jù)集表示更為簡單。因此，在本文的描述中，如不做特殊聲明，所有的數(shù)據(jù)表示與計(jì)算均采用帕金森數(shù)據(jù)集作為分析樣本，僅在最終分類結(jié)果處加入遠(yuǎn)程帕金森數(shù)據(jù)集的分類結(jié)果，以降低表示過程的重復(fù)。

1.2 帕金森病的可視化分類過程

多維篩可視化分類器對帕金森病的可視化分類原理見文獻(xiàn)［10］。圖1 給出了帕金森數(shù)據(jù)集幾個(gè)典型的子分類空間的數(shù)據(jù)分布。其中，(a)為最大最小基音頻率的組合，可以看到，相同物理含義的特征組合雖然具有一定的分類效果，但混疊嚴(yán)重;(b)為Jitter 的百分比與絕度值組合，由于僅為比例變換，因此走勢基本一致，數(shù)據(jù)不具備分類意義;(c)為DDA 和NHR 的組合，在大多數(shù)的區(qū)域中，兩類數(shù)據(jù)基本完全混疊，其分類意義上效果甚至低于(a);(d)為D2 和DFA 的組合，雖然呈現(xiàn)嚴(yán)重的非線性分布，但分離程度較高。

由此分析可知，從數(shù)據(jù)分類的角度看，帕金森數(shù)據(jù)集不但數(shù)據(jù)空間分布混疊嚴(yán)重，而且類別分布筋混疊嚴(yán)重。這樣的數(shù)據(jù)分布特點(diǎn)符合主動生長的非線性模糊分類特性，因此符合多維篩分類器特色。

圖1 帕金森數(shù)據(jù)的分類空間。(a)最大最小基音頻率組合;(b)Jitter 的百分比與絕度值組合;(c)DDA 和NHR的組合;(d)D2 和DFA 的組合Fig．1 The classify spaces of OPDD． (a)Maximum and minimum vocal fundamental frequency;(b)Jitter(%)and Jitter(Abs);(c)DDA and NHR;(d)D2 and DFA

1.3 實(shí)驗(yàn)方法

在可視化模式識別中，為了保證方法的普適性，設(shè)置了眾多可調(diào)參數(shù)。對于同一個(gè)數(shù)據(jù)，不同的表示方法、不同的量化階、不同的非線性優(yōu)化以及加權(quán)算法，都將導(dǎo)致最終分類精度的差別。下面將以帕金森數(shù)據(jù)集與遠(yuǎn)程帕金森數(shù)據(jù)集為測試對象，論述不同參數(shù)下多維篩分類器各階段的表現(xiàn)與分類精度，進(jìn)而驗(yàn)證帕金森病在可視化模式識別下的可行性。

在對帕金森數(shù)據(jù)集的測試中，選取全部特征作為備選特征，把空間量化分為水平量化與垂直量化進(jìn)行，分別對應(yīng)組成散點(diǎn)圖的兩個(gè)特征分量。量化級從5 級開始，以5 級為遞進(jìn)量，共遞進(jìn)20 級，即最高量化級為100。因此，對每個(gè)特征進(jìn)行20 次不同等級的量化，并將這些量化后的特征分別進(jìn)行組合。對于遠(yuǎn)程帕金森數(shù)據(jù)集，采用橫縱量化階相等的方案進(jìn)行測試。

在特征選擇分析中，通過對不同特征組成的分類空間的可視化分析，確定分類意義明顯的分類空間，進(jìn)而對所用特征進(jìn)行分析，以此發(fā)現(xiàn)可視化模式識別選用的特征向量與帕金森病臨床診斷之間的關(guān)聯(lián)。同時(shí)，可獲得分類性能的直觀認(rèn)識，利用LDA、QDA、kNN、parzen 窗、SVM 等經(jīng)典分類器作為對比測試方法。為保證測試結(jié)果的客觀性，參考分類器均采用PRTools 中的軟件包完成。

2 實(shí)驗(yàn)結(jié)果與討論

2.1 不同的量化級下分類精度對比

對同一個(gè)數(shù)據(jù)，采用不同的量化級可獲得不同的數(shù)據(jù)量化精度。一般來說，量化級越多，量化后的圖形與原始圖形越接近。但在模式識別中，適當(dāng)?shù)亟档土炕燃?，不但可以有效地降低運(yùn)算復(fù)雜度，同時(shí)可以消除部分由于測量不精確而形成的孤立點(diǎn)對分類精度的影響。因此，在不同的量化級下，分類器將表現(xiàn)不同的分類精度。下面的測試關(guān)注量化級對分類精度的影響。

利用文中1.3 節(jié)所述的方法，對帕金森數(shù)據(jù)集進(jìn)行測試。為了直觀地觀察不同量化級對分類精度的影響，采用形成等高區(qū)域表示圖，其結(jié)果如圖2所示。

由圖2 可知，量化階對診斷精度的影響大約為5%。當(dāng)量化級過小時(shí)，分類精度較低;而隨著量化級數(shù)的升高，分類精度也相應(yīng)提高;但當(dāng)超過某一精度時(shí)，精度反而下降。對于帕金森病數(shù)據(jù)，當(dāng)橫縱量化階均為65 時(shí)，可達(dá)到當(dāng)前條件下的最高分類精度91.28%這和Little 等的實(shí)驗(yàn)結(jié)果相當(dāng)。但從整體趨勢上看，圖形的對稱性較為明顯，因此其影響趨勢具有橫縱量化階趨同的結(jié)構(gòu)——當(dāng)類空間橫縱方向量化階相等時(shí)，對于分類性能的影響具有典型意義?；诖耍瑢τ谶h(yuǎn)程帕金森數(shù)據(jù)集，采用橫縱量化階相等的方案進(jìn)行測試，其結(jié)果如表1 所示。由此可以看到，與帕金森數(shù)據(jù)集相同，遠(yuǎn)程帕金森數(shù)據(jù)集的分類精度也受到量化等級的影響。

圖2 量化階對帕金森數(shù)據(jù)集精度的影響Fig．2 The relationship between quantization levels and precision in OPDD

表1 量化階對遠(yuǎn)程帕金森數(shù)據(jù)集精度的影響Tab．1 The relationship between quantization levels and precision in PTDS

2.2 特征選擇分析

對于帕金森數(shù)據(jù)，利用散點(diǎn)圖表示下的多維篩分類器進(jìn)行分類，共形成231 個(gè)特征空間。在相同條件下，不同的子分類器空間下分類的精度將有所不同。圖3 表示兩個(gè)不同特征組合下形成的分類空間。其中，(a)可以對健康與患病兩類情況分別進(jìn)行表示，僅有少部分為模糊區(qū)域;(b)中的大部分區(qū)域表示患病類別，而確定的健康類別占有面積很少，甚至低于模糊區(qū)域面積。因此，從應(yīng)用角度看，(a)適合于進(jìn)行分類，而(b)對于分析患者的患病嚴(yán)重程度可能更為合適。

圖3 不同特征組合下的子分類器類空間。(a)PPE 與DFA 組合空間;(b)APQ3 與APQ5 組合空間Fig．3 The sub classifier spaces combined by different features． (a)PPE and DFA;(b)APQ3 and APQ5

對子分類器信息的分析過程，實(shí)質(zhì)是對特征進(jìn)行篩選的過程。綜合分析帕金森數(shù)據(jù)集和遠(yuǎn)程帕金森數(shù)據(jù)集，具有分類意義明確的前3 個(gè)特征分別為HNR、PPE 和DFA。其中，HNR 為語音信號的諧波信噪比，與發(fā)音顫抖、發(fā)音氣息較重相關(guān);PPE 為基音頻率變化的非線性測量，反映了發(fā)音過程中的頻率域變化;DFA 則從非線性動力學(xué)角度，對語音特征進(jìn)行了噪聲度量。三者均與發(fā)音的噪聲部分相關(guān)，而這種噪聲大多是由于發(fā)聲時(shí)氣流經(jīng)過聲帶而產(chǎn)生。正常人在發(fā)聲時(shí)，可以對該噪聲進(jìn)行抑制。由以上分析可以初步判斷:在帕金森病的早期，由于運(yùn)動機(jī)能受損，患者無法控制發(fā)聲過程中的噪聲，因此產(chǎn)生發(fā)音氣息較重、音節(jié)顫抖等現(xiàn)象，而這些現(xiàn)象也正是基于語音障礙的帕金森病的臨床典型癥

狀［11］。

2.3 與其他分類器比較

在與其他分類器分類精度的對比實(shí)驗(yàn)中，各分類器對帕金森數(shù)據(jù)集和遠(yuǎn)程帕金森數(shù)據(jù)集的分類精度如表2 所示。

表2 不同分類器分類精度對比 %Tab．2 The comparison of precision (%)from different classifiers

由表2 可知，對于帕金森病這樣的高維復(fù)雜數(shù)據(jù)，很難獲得較高的分類精度。其中，以LDA 為代表的線性分類器由于其分類界面的線性約束，因此獲得的分類精度最低;而對于以非線性為代表的QDA 分類器，在分類結(jié)果中精度較高，說明其模型與帕金森病數(shù)據(jù)分布模型基本符合，即帕金森病數(shù)據(jù)為典型的非線性分布數(shù)據(jù);kNN 分類器基于測量的思想，尋求待分類樣本與訓(xùn)練樣本的最大相似性，但由于數(shù)據(jù)類別混疊嚴(yán)重，因此其分類效果一般;Parzen 窗分類器則是利用了空間窗口分析，僅考慮了窗口大小對分類結(jié)果的影響，可認(rèn)為是多維篩的子集;SVM 作為統(tǒng)計(jì)學(xué)習(xí)理論和核方法的典型代表，其分類效果在傳統(tǒng)分類器中可以達(dá)到最優(yōu)，但仍低于多維篩方法5.03%。

該結(jié)果也充分說明，帕金森數(shù)據(jù)必須通過向高維的映射才可以做到更好的分類;而多維篩分類器在集成了SVM 的高維映射特性的同時(shí)，也具有非線性模糊分類器的典型特征。與經(jīng)典分類器相比，多維篩分類器模型與帕金森病數(shù)據(jù)的模型更為吻合，因此獲得了更高的分類精度。

3 結(jié)論

筆者分別對帕金森數(shù)據(jù)集與遠(yuǎn)程帕金森數(shù)據(jù)集兩個(gè)國際公開的帕金森病語音障礙數(shù)據(jù)集進(jìn)行了不同條件下的實(shí)驗(yàn)測試。首先，針對不同特征組合下的數(shù)據(jù)分布進(jìn)行了可視化分析，驗(yàn)證了“并非所有特征組合都適合分類”的結(jié)論。其次，對不同量化階下的數(shù)據(jù)精度進(jìn)行了對比，發(fā)現(xiàn)的精度差別與類空間分布相關(guān)，且該相關(guān)可通過對類空間分布的直觀觀察獲得，驗(yàn)證了可視化在分類過程中的作用，進(jìn)而完成了特征選擇過程并進(jìn)行了特征分析。最后，通過與經(jīng)典分類器的對比，驗(yàn)證了可視化模式識別在帕金森病可視化診斷中的優(yōu)勢。

通過實(shí)驗(yàn)，證明了基于語音障礙的帕金森病可視化診斷的可行性與功能特色，為可視化模式識別在疾病診斷中的進(jìn)一步應(yīng)用奠定了基礎(chǔ)。

［1］ Cho Chienwen，Chao Wenhung，Lin Shenghuang，et al． A vision-based analysis system for gait recognition in patients with Parkinson's disease ［J］. Expert Systems with Applications，2009，36:7033 -7039.

［2］ Dominique G，Pierre B，Christian L，et al． Auditory temporal processing in Parkinson's disease［J］. Neuropsychologia，2008，46:2326 -2335.

［3］ 張濤，洪文學(xué)，常鳳香，等. 基于元音分類度的帕金森病語音特征分析［J］. 中國生物醫(yī)學(xué)工程學(xué)報(bào)，2011，30(3):476-480.

［4］ Max AL，Patrick EM，Eric JH，et al． Suitability of dysphonia measurements for telemonitoring of Parkinson's disease ［J］.IEEE Transactions on Biomedical Engineering，2009，56(4):1015 -1022.

［5］ Revett K， Gorunescu F， Salem AB. Feature selection in Parkinson's disease:a rough sets approach ［C］ //Barbara K，Waldemar P，eds. International Multiconference on Computer Science and Information Technology. Mragowo:IEEE Digital Library，2009:425 -428.

［6］ Guo Peifang，Prabir B，Nawwaf K. Advances in detecting Parkinson's disease ［J］. Lecture Notes in Computer Science，2010，6165:306 -314.

［7］ Max AL，Patrick EM，Stephen JR，et al． Exploiting nonlinear recurrence and fractal scaling properties for voice disorder detection［J］. Biomed Eng Online，2007，6:23.

［8］ Freddie A，Rasit K. A parallel neural network approach to prediction of Parkinson's disease ［J］. Expert Systems with Applications，2011，38:12470 -12474.

［9］ 張濤，洪文學(xué). 基于計(jì)算幾何的非線性可視化分類器設(shè)計(jì)［J］. 電子學(xué)報(bào)，2011，39(1):53 -58.

［10］ 張濤，洪文學(xué)，李銘婷，等. 基于多維篩分類器的可視化帕金森病診斷. 燕山大學(xué)學(xué)報(bào)［J］，2010，34(2):180 -184.

［11］ 趙國華. 帕金森病的中西醫(yī)結(jié)合治療［M］. 北京:人民衛(wèi)生出版社，2010:32 -50.