轻度认知障碍早期筛查的语音特征编码模型及其训练方法

1.本发明涉及一种计算机音频技术，特别涉及一种轻度认知障碍早期筛查的语音特征编码模型及其训练方法。

背景技术：

2.阿尔茨海默病是一种持续性神经功能障碍，常起病于老年或老年前期，症状表现有记忆缺失、视空间能力损害、抽象思维和计算力损害、人格和行为改变等。这些症状会不可逆转的逐渐恶化，直至彻底丧失生活能力。阿尔茨海默病的早期阶段被称为轻度认知障碍，在这一阶段可以通过和干预有效的延缓病情发展，达到改善患者生活质量和延长患者生命的目的。因此面向轻度认知障碍的早期筛查是非常关键的。
3.传统的轻度认知障碍的筛查方法包括神经影像学检查、神经心理测评、生物标志物检查等。但是，这些方法都需要专业医师的介入，时间成本和经济成本较高，甚至部分检查方法对人体有侵入性，客观上导致了大多数阿尔茨海默病患者未能被及早确诊。因此，本发明利用语音特征判断患者的认知状况，有效的降低了轻度认知障碍早期筛查的门槛，具有科学价值、社会价值和经济价值。
4.目前，利用语音特征筛查认知障碍的相关研究不多，其中绝大部分研究工作只考虑到阿尔兹海默病人与正常人的二分类，边界较为模糊，无法较好地满足阿尔兹海默病的早筛工作。少数研究工作意识到了对于轻度认知障碍筛查的必要性，但延续着前期研究的习惯，使用某种统一的特征或者融合特征直接进行阿尔兹海默病、轻度认知障碍与正常人的三分类，并没有考虑到更加细化的语音特征与患者语音之间的相关性。以中国专利申请cn114333911a为例，它公开了一种早期阿尔茨海默症识别系统，包括依次信号连接的语音信号采集模块、语音特征提取模块、局部特征建模模块、全局关系建模模块和识别模块，可以将语音切片后提取对数梅尔谱特征，再利用双向长短时记忆网络进行三分类，从而判断患者的状态。然而上述方法忽视了轻度认知障碍处于认知正常和阿尔茨海默病的中间过渡阶段，其对数梅尔谱特征与后两者有很多相似之处，非常容易混淆。因此，最终的分类结果是轻度认知障碍的分类准确率远远低于另外两项。而这样的结果，在临床中的实际意义并不大。
5.因此现有技术需要一种音频特征学习算法，来获取更加深层次的声学信息，并且需要一种针对轻度认知障碍的语音特征编码方法，来提高阿尔茨海默病早期筛查的准确率。

技术实现要素：

6.针对轻度认知障碍的筛查存在的问题，提出了一种轻度认知障碍早期筛查的语音特征编码模型及其训练方法，获取更加深层次的声学信息，提高阿尔茨海默病早期筛查的准确率。
7.本发明的技术方案为：一种轻度认知障碍早期筛查的语音特征编码模型，包括两
个特征提取网络及两个分类器，所有数据送入第一特征提取网络进行阿尔茨海默病患者的音频特征提取，获得的阿尔茨海默病患者的语音特征编码送入第一分类器用于阿尔兹海默病患者的音频与非阿尔兹海默病患者的音频分类，非阿尔兹海默病患者的音频送入第二特征提取网络进行轻度认知障碍患者的音频特征提取，送第二分类器对轻度认知障碍早期的语音特征编码进行分类识别；
8.第一特征提取网络为结合信道间注意力的1d多卷积融合网络，由三个分支网络构成，每个卷积网络分支的末端连接一个高效通道注意力模块，使得网络自适应地将不同的权重分配给不同的通道特征，对三个分支提取到的三个向量进行拼接操作，最后经过全连接层获得一维特征编码，即阿尔茨海默病患者的语音特征编码；
9.第二特征提取网络为基于2d卷积的特征提取网络，采用连续卷积池化结构，最后加入随机失活层减少过拟合，输出特征编码，输入为非阿尔兹海默类型的音频进行处理后得到的高维音频特征，样本输入格式为m
×n×
c，其中m与n分别对应二维特征的宽和高，c对应特征的通道数。
10.一种轻度认知障碍早期筛查的语音特征编码模型训练方法，包括如下步骤：
11.1)采集音频数据并对音频数据集进行预处理：
12.采集自发性语音，每段语音长约30至60秒，语音分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者；
13.所有语音作为训练数据和测试数据的音频文件被统一降噪处理，采用berouti谱减法，对音频进行切分数量扩充，再经过筛除过滤，获得的数据集用于第一特征提取网络训练与测试；
14.2)将预处理后音频数据集送入第一特征提取网络进行训练，每次训练时对音频数据基于决策机制的度量学习模块的分段处理，采用不同的声学特征以及分类方案，把音频或者相应的声学特征输入度量学习模块生成对应的特征向量并分类，两个度量学习模块用于特征向量的自监督聚类，保障特征提取网络生成特征的可用性；
15.3)第二特征提取网络对步骤2)中训练后的第一特征提取网络分类器识别出的非阿尔兹海默类型语音进行二阶段声学特征提取，即识别出的非阿尔兹海默类型语音转化为plp特征形式，并作为第二特征提取网络的输入，最终以端到端的形式获取到面向轻度认知障碍早期筛查的语音特征编码。
16.进一步，所述步骤1)中使用berouti谱减法降噪处理具体方法如下：纯净音频的功率谱由下式求得：
[0017][0018]
其中，ω为一帧音频向量；|x(ω)|2为纯净功率谱,|y(ω)|2为带噪功率谱；|d(ω)|2为噪声功率谱；α为当前音频信噪比；取原始音频前几帧的平均噪声功率谱替代|d(ω)|2；设置β为0.02；
[0019]
音频帧长由下式求得，窗口重叠为50％，取前5帧的平均噪声谱作为噪声谱，式中帧速率framerate为16000，
[0020]
[0021]
通过音频切片的方式对音频进行切分数量扩充，划分为2秒的短音频片段，短音频之间的重叠窗口为1秒；考虑到音频向量过短可能会导致其不包含有效的音频信息，通过下式对音频样本进行了筛除过滤：
[0022][0023]
其中w是一段完整的音频向量，ω为其中2秒的音频切片，γ为阈值设定为0.3，l为w的长度，l为ω的长度，如果求得false则代表去除音频样本，反之保留，最终生成用于对照实验的数据集。
[0024]
进一步，所述步骤2)训练中，运用三元组损失函数作为度量学习模块的损失函数，样本的输入形式为锚样本、正样本、负样本的三元组形式，其中锚样本与正样本是同类样本、与负样本为异类样本，损失函数如下式：
[0025][0026]
其中margin是间隔参数，用于拉大锚样本与正样本对和锚样本与负样本对之间的差距；损失函数将特征向量之间的l2距离作为度量距离，通过不断地训练网络，从而使得锚样本与正样本的l2距离小于间隔参数，锚样本与负样本的l2距离大于间隔参数，以此来达到特征向量的聚类效果。
[0027]
进一步，所述步骤2)训练中三元组样本采用去相关样本生成器从内存中动态生成三元组，在每轮训练中，去相关样本生成器以随机的顺序选取不同的样本作为锚样本，且保证一个每轮训练中所有的样本都能作为一次锚样本来构建三元组，做到三元组顺序上的去相关；去相关样本生成器通过随机的方式进行三元组构建的，使得在不同的训练迭代中很难再次出现相同的三元组，做到元组结构上的去相关。
[0028]
进一步，所述步骤3)获得13维plp特征作为用于面向轻度认知障碍早期的语音特征编码提取的声学特征，该特征利用等响度预加重和立方根压缩，最后用线性预测自回归模型来获取倒谱系数。
[0029]
一种训练后轻度认知障碍早期筛查的语音特征编码模型运用方法，将长语音切分成多段2s短音频方式，将2s短音频送入训练后轻度认知障碍早期筛查的语音特征编码模型，并根据每个短音频的分类结果做最终投票，从而获得长音频类别。
[0030]
本发明的有益效果在于：本发明轻度认知障碍早期筛查的语音特征编码模型及其训练方法，用于解决阿尔兹海默病早筛音频分类研究中，容易出现的轻度认知障碍与健康对照之间的分类困难问题，为阿尔兹海默病的早筛研究提供了新的思路。
附图说明
[0031]
图1是本发明方法所用模型架构图；
[0032]
图2是本发明方法中结合信道间注意力的1d多卷积融合网络结构示意图；
[0033]
图3是本发明方法中基于2d卷积的特征提取网络结构示意图；
[0034]
图4是本发明方法中度量学习模块示意图；
[0035]
图5是本发明方法中去相关样本生成器结构示意图。
具体实施方式
[0036]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0037]
本发明的核心在于特征编码的生成方式，模型中会使用分类器对2s短音频生成的特征编码进行评估。在实际应用中，为提高分类精度通常会对长语音进行分类。结合本发明，则可以采用将长语音切分成多段2s短音频方式，并根据每个短音频的分类结果做最终投票，从而获得长音频类别。至于详细的投票方案可以自行选择，这里便不再进行过多描述。
[0038]
本发明面向轻度认知障碍早期筛查的语音特征编码方法，该方法使用到的模型架构如图1，其中两个特征提取网络分别是两个模块的核心组件。值得注意的是，在两个模块中都使用了基于xgboost的分类器(xgboost classifier)与特征提取网络(feature generation net)相连接。xgboost是一种训练速度快且性能极为优异的集成学习模型。第一个分类器(xgboost classifier one)利用面向阿尔茨海默病的语音特征编码将所有数据分为阿尔兹海默病患者的音频与非阿尔兹海默病患者的音频；第二个分类器(xgboost classifier two)利用面向轻度认知障碍患者的音频特征将非阿尔兹海默病患者的音频分为认知正常的音频和轻度认知障碍患者的音频。本发明通过基于xgboost的分类器对经由特征提取网络得到的特征编码进行分类性能测试，并根据分类结果对特征提取网络进行微调，最终获得分类性能较为优异的面向轻度认知障碍早期筛查的语音特征编码。
[0039]
方法具体包括如下步骤：
[0040]
步骤1：对音频数据集进行预处理。首先，作为训练数据和测试数据的音频文件被统一降噪处理，采用的技术是berouti谱减法。谱减法即通过带噪声信号的频谱减去噪声信号频谱，berouti谱减法在此基础上做出改进，避免了谱减后功率归零的情况。其次，经过降噪后的音频文件被切分为2秒一段的短音频集，片段之间的重叠部分为1秒，在保留原音频特征信息的情况下扩充了数据集。最后，被切片扩充后的短音频集经过筛除过滤，去除了一些无意义或低价值的音频段，该数据集用于步骤2的特征提取网络训练与测试。
[0041]
步骤2：如图1、2所示，构建一个结合信道间注意力的1d多卷积融合网络，用于音频切片向量的特征提取工作。该网络由三个分支网络构成，三个分支的卷积核大小分别是3、5和7，赋予了网络的多视角感知能力，使网络能够结合不同感受野下的信息进行综合的特征提取。每个卷积网络分支的末端都会连接一个高效通道注意力(efficient channel attention)模块，使得网络能够自适应地给将不同的权重分配给不同的通道特征，从而帮助突出一些较为重要的特征，也能够弱化其余特征的影响。最后对三个分支提取到的三个向量进行拼接操作，经过全连接层获得最终长为32的一维特征编码，即面向阿尔茨海默病的语音特征编码。在该网络末端接入分类器，可将被分类为阿尔兹海默病的特征编码的相应语音过滤，保留正常人与轻度认知障碍患者的语音，待步骤3进行更进一步的面向轻度认知障碍早期的语音特征编码生成与甄别。
[0042]
步骤3：如图1、3所示，构建一个基于2d卷积的特征提取网络。将步骤2中认定为非阿尔兹海默类型的音频进行处理后得到的高维音频特征作为样本输入网络。样本输入格式为m
×n×
c，其中m与n分别对应二维特征的宽和高，c对应特征的通道数。网络整体采用传统
的连续卷积池化结构，最后加入随机失活层减少过拟合，输出长度为32的特征编码。至此，本发明成功获取到面向轻度认知障碍早期的语音特征编码。
[0043]
步骤1中在音频数据集的选择上，本发明采用的是自发性语音，比如看图说话或自由聊天，常伴有许多的停顿、重复、无意义的语助词或不完整的段落，更加接近人们日常生活中的对话。每段语音长约30至60秒。所有语音可以分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者。
[0044]
数据集收集完毕后需要进行降噪处理。本发明使用berouti谱减法，其纯净音频的功率谱可由公式1求得：
[0045][0046]
其中，ω为一帧音频向量，|x(ω)|2为纯净功率谱，|y(ω)|2为带噪功率谱，|d(ω)|2为噪声功率谱，α为当前音频信噪比。由于我们不能提前得知|d(ω)|2，因此计算过程中一般取原始音频前几帧的平均噪声功率谱做替代。本发明中设置β为0.02，音频帧长由式公式(2)求得，窗口重叠为50％，取前5帧的平均噪声谱作为噪声谱，式中帧速率framerate为16000。
[0047][0048]
由于音频样本总数不多，本发明通过音频切片的方式对音频进行切分数量扩充，划分为2秒的短音频片段，短音频之间的重叠窗口为1秒。考虑到音频向量过短可能会导致其不包含有效的音频信息，通过公式(3)对音频样本进行了筛除过滤：
[0049][0050]
其中w是一段完整的音频向量，ω为其中2秒的音频切片，γ为阈值设定为0.3，l为w的长度，l为ω的长度。如果求得false则代表去除音频样本，反之保留，最终生成了用于对照实验的数据集。
[0051]
步骤2中在语音特征提取过程中，本发明提出了基于决策机制的度量学习模块的分段处理的方法,见图1。这个方法包含两个不同的语音特征提取模型，分别采用了不同的声学特征以及分类方案，从而使得不同阶段的分类精度都能够达到一个较高的水准，以此来缓解轻度认知障碍识别精度低问题。两次分类的工作流程是类似的，把音频或者相应的声学特征输入度量学习模块生成对应的特征向量并分类。其中两个度量学习模块用于特征向量的自监督聚类，从而保障特征提取网络生成特征的可用性。
[0052]
在上述方法中，为了有效的甄别不同类型的语音特征，本发明提出运用三元组损失函数作为度量学习模块的损失函数，如图4所示，这就要求对该模块进行训练时，样本的输入形式应当为(锚样本、正样本、负样本)的三元组形式，其中锚样本与正样本是同类样本、与负样本为异类样本。损失函数形如公式(4)：
[0053]
其中margin是间隔参数，用于拉大锚样本与正样本对和锚样本与负样本对之间的差距。公式(4)将特征向量之间的l2距离作为度量距离。通过不断地训练网络，从而使得锚样本与正样本的l2距离小于间隔参数，锚样本与负样本的l2距离大于间隔参数，以此来达到特征向量的聚类效果，本发明设定度量学习模块一与二的间隔参数分别设置为3和2。特征生成网络与度量学习模块的关系见附图4。考虑到当前样本量较少，通过人工神经网络进行特征向量分类容易产生严重的过拟合，因此本发明将该分类工作交由机器学习模型完成。特征提取网络获得的特征向量将作为该模型的训练与测试样本进行训练与测试。
[0054]
本发明还提出了一种去相关样本生成器。传统的三元组样本集存在有几种缺陷。首先是三元组样本一经生成就不再改变，而样本集是根据已有的不同类别非元组形式样本通过随机或某种规则进行组合生成的。因此内存中会存放一些无效三元组，网络无法从这些三元组中学习到新的信息。其次，由于无法完全地做到样本的去相关性，使得网络不断学习到训练集中样本的顺序信息，而这些信息在本发明中是无用且冗余的。最后是无法充分利用样本。假设样本有n类，每类有m个，则可以构成的不重复三元组数量为：
[0055][0056]
显然，计算机内存难以存放太多三元组样本，每次只能加载部分，这导致样本无法被充分利用。本发明提出的去相关样本生成器很好的解决了上述问题，其结构如附图5所示。首先它通过从内存中动态生成三元组的方式进行网络训练，尽可能地做到了样本的充分运用。其次在每轮训练中，该生成器都会以随机的顺序选取不同的样本作为锚样本，且保证一个每轮训练中所有的样本都能作为一次锚样本来构建三元组，这就做到三元组顺序上的去相关。最后该生成器会通过随机的方式进行三元组构建的，这使得在不同的训练迭代中很难再次出现相同的三元组，因此做到了元组结构上的去相关，同时这也能够一定程度上避免了同一个无效三元组对网络的训练产生持续的影响，因为每轮训练中用到的三元组几乎都是不同的，无效三元组会在生成的过程中被随机重构。
[0057]
步骤3中在声学特征的选择上，本发明尝试使用了多种领域内性能表现优异的声学特征进行系统地效果比较，其中包含13维的mfcc特征，13维的plp特征，39维的mfcc-delta-delta特征，以及26维的pasta-plp特征。最终结果显示，针对于轻度语言障碍与正常可控的音频的分类性能上，plp》rasta-plp》mfcc-delta-delta》mfcc。因此我们最终选用13维plp特征作为用于面向轻度认知障碍早期的语音特征编码提取的声学特征。
[0058]
比较中mfcc特征，该特征能提取出音频中的可辨识信息，高度叠合人耳的听觉特性，是一种泛化型与鲁棒性较强的特征。本发明选用26个三角滤波器将音频映射到26个不同的频带上，提取到26维的mfcc特征。由于人无法感受到高频信息，这里选取前13维mfcc特征作为可用特征。在此基础上，本发明还将原mfcc的一阶导与二阶导拼接到原始mfcc特征之后，得到39维的mfcc-delta-delta特征。本发明还采用了plp特征，该特征利用到了等响度预加重和立方根压缩，最后用线性预测自回归模型来获取倒谱系数。本发明同样采用26个滤波器，最终选取前13维plp特征作为可用特征。在此基础上，本发明还使用了rasta-plp特征，这是一种经过修正的线性预测倒谱系数，根据人的听觉感知特性修改功率谱得到rasta特征并在原始plp特征上进行叠加，共26维pasta-plp特征。
[0059]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：

1.一种轻度认知障碍早期筛查的语音特征编码模型，其特征在于，包括两个特征提取网络及两个分类器，所有数据送入第一特征提取网络进行阿尔茨海默病患者的音频特征提取，获得的阿尔茨海默病患者的语音特征编码送入第一分类器用于阿尔兹海默病患者的音频与非阿尔兹海默病患者的音频分类，非阿尔兹海默病患者的音频送入第二特征提取网络进行轻度认知障碍患者的音频特征提取，送第二分类器对轻度认知障碍早期的语音特征编码进行分类识别；第一特征提取网络为结合信道间注意力的1d多卷积融合网络，由三个分支网络构成，每个卷积网络分支的末端连接一个高效通道注意力模块，使得网络自适应地将不同的权重分配给不同的通道特征，对三个分支提取到的三个向量进行拼接操作，最后经过全连接层获得一维特征编码，即阿尔茨海默病患者的语音特征编码；第二特征提取网络为基于2d卷积的特征提取网络，采用连续卷积池化结构，最后加入随机失活层减少过拟合，输出特征编码，输入为非阿尔兹海默类型的音频进行处理后得到的高维音频特征，样本输入格式为m
×
n
×
c，其中m与n分别对应二维特征的宽和高，c对应特征的通道数。2.一种轻度认知障碍早期筛查的语音特征编码模型训练方法，其特征在于，包括如下步骤：1)采集音频数据并对音频数据集进行预处理：采集自发性语音，每段语音长约30至60秒，语音分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者；所有语音作为训练数据和测试数据的音频文件被统一降噪处理，采用berouti谱减法，对音频进行切分数量扩充，再经过筛除过滤，获得的数据集用于第一特征提取网络训练与测试；2)将预处理后音频数据集送入第一特征提取网络进行训练，每次训练时对音频数据基于决策机制的度量学习模块的分段处理，采用不同的声学特征以及分类方案，把音频或者相应的声学特征输入度量学习模块生成对应的特征向量并分类，两个度量学习模块用于特征向量的自监督聚类，保障特征提取网络生成特征的可用性；3)第二特征提取网络对步骤2)中训练后的第一特征提取网络分类器识别出的非阿尔兹海默类型语音进行二阶段声学特征提取，即识别出的非阿尔兹海默类型语音转化为plp特征形式，并作为第二特征提取网络的输入，最终以端到端的形式获取到面向轻度认知障碍早期筛查的语音特征编码。3.根据权利要求2所述轻度认知障碍早期筛查的语音特征编码模型训练方法，其特征在于，所述步骤1)中使用berouti谱减法降噪处理具体方法如下：纯净音频的功率谱由下式求得：其中，ω为一帧音频向量；|x(ω)|2为纯净功率谱,|y(ω)|2为带噪功率谱；|d(ω)|2为噪声功率谱；α为当前音频信噪比；取原始音频前几帧的平均噪声功率谱替代|d(ω)|2；设置β为0.02；
音频帧长由下式求得，窗口重叠为50％，取前5帧的平均噪声谱作为噪声谱，式中帧速率framerate为16000，通过音频切片的方式对音频进行切分数量扩充，划分为2秒的短音频片段，短音频之间的重叠窗口为1秒；考虑到音频向量过短可能会导致其不包含有效的音频信息，通过下式对音频样本进行了筛除过滤：其中w是一段完整的音频向量，ω为其中2秒的音频切片，γ为阈值设定为0.3，l为w的长度，l为ω的长度，如果求得false则代表去除音频样本，反之保留，最终生成用于对照实验的数据集。4.根据权利要求2所述轻度认知障碍早期筛查的语音特征编码模型训练方法，其特征在于，所述步骤2)训练中，运用三元组损失函数作为度量学习模块的损失函数，样本的输入形式为锚样本、正样本、负样本的三元组形式，其中锚样本与正样本是同类样本、与负样本为异类样本，损失函数如下式：其中margin是间隔参数，用于拉大锚样本与正样本对和锚样本与负样本对之间的差距；损失函数将特征向量之间的l2距离作为度量距离，通过不断地训练网络，从而使得锚样本与正样本的l2距离小于间隔参数，锚样本与负样本的l2距离大于间隔参数，以此来达到特征向量的聚类效果。5.根据权利要求4所述轻度认知障碍早期筛查的语音特征编码模型训练方法，其特征在于，所述步骤2)训练中三元组样本采用去相关样本生成器从内存中动态生成三元组，在每轮训练中，去相关样本生成器以随机的顺序选取不同的样本作为锚样本，且保证一个每轮训练中所有的样本都能作为一次锚样本来构建三元组，做到三元组顺序上的去相关；去相关样本生成器通过随机的方式进行三元组构建的，使得在不同的训练迭代中很难再次出现相同的三元组，做到元组结构上的去相关。6.根据权利要求2所述轻度认知障碍早期筛查的语音特征编码模型训练方法，其特征在于，所述步骤3)获得13维plp特征作为用于面向轻度认知障碍早期的语音特征编码提取的声学特征，该特征利用等响度预加重和立方根压缩，最后用线性预测自回归模型来获取倒谱系数。7.一种训练后轻度认知障碍早期筛查的语音特征编码模型运用方法，其特征在于，将长语音切分成多段2s短音频方式，将2s短音频送入训练后轻度认知障碍早期筛查的语音特征编码模型，并根据每个短音频的分类结果做最终投票，从而获得长音频类别。

技术总结

本发明涉及一种轻度认知障碍早期筛查的语音特征编码模型及其训练方法，其中使用两阶段特征编码生成方式，每一阶段均具有一个特征编码提取网络与一个分类器。第一阶特征提取网络会将音频转化为面向阿尔兹海默病的特征编码形式，分类器会根据该编码，将音频分类为阿尔兹海默病与非阿尔兹海默病。第二阶段特征提取网络则会将非阿尔兹海默病的音频转化为PLP特征形式，并最终生成面向轻度认知障碍早期筛查的语音特征编码。该编码在轻度认知障碍与健康可控的分类上体现出优异性能，能够有效提高阿尔兹海默病早期筛查的准确率。阿尔兹海默病早期筛查的准确率。阿尔兹海默病早期筛查的准确率。