语音分离技术在阿尔兹海默症识别中的应用

阿尔兹海默症的识别是预防与治疗该疾病的重要环节,目前的识别及进一步的诊断程序需要医疗专家进行全面检查,消耗大量的成本和时间.本文基于阿尔兹海默症早期认知障碍患者和确诊患者与正常人语言能力的差异,及语音分离模型的语言分类能力,在语音分离模型的基础上加入设计的语言障碍情况鉴别器,提出一种轻量化阿尔兹海默症深度学习识别方法,便于实现对这三种人群的识别,帮助医疗人员进行快速筛查.实验结果表明,本文使用的方法在MFCC特征集上的识别正确率可达84％,相比于基线系统提升约20％,且模型参数量仅有0.54M.此外,在频谱特征集合中,本文模型识别正确率提高约1.4％,参数量为0.23M.在梅尔频谱特征集合中,本文模型识别正确率也提升约4.4％,所需参数量仅为0.21M.