论文部分内容阅读
阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是一种常见的与睡眠相关的呼吸疾病,打鼾是OSAHS患者最直接、最典型的特征。近年来,国内外许多研究者都尝试利用鼾声分析技术辅助诊断OSAHS患者,试图探索一种低廉、便捷、有效的OSAHS患者检测系统。本文通过分析鼾声的声学特征,识别出OSAHS患者和普通打鼾者,并对OSAHS患者的七类鼾声进行分类,进而预测OSAHS患者的AHI值。针对鼾声片段的自动识别,文中提出一种基于声音图谱和神经网络的方法识别鼾声。潜在鼾声片段经子带谱熵法检测出后,提取潜在鼾声片段的时域图、频谱图、语谱图、Mel时频图和CQT时频图,并分别采用模型CNNs-DNNs和模型CNNs-LSTMs-DNNs分类鼾声和非鼾声。结果表明,鼾声与非鼾声在频域特征上存在显著性差异,尤其是低频特征。在本文提取的5种图谱中,Mel时频图能更好地反映鼾声与非鼾声的区别。当使用Mel时频图和模型CNNs-LSTMs-DNNs分类鼾声时,分类效果最佳,能达到95.07%的准确率,95.42%的灵敏度和95.82%的特异性。由于OSAHS患者和普通打鼾者的鼾声有所不同,论文探讨比较了鼾声的常见频域特征和不同分类器在区分OSAHS患者和普通打鼾者的表现能力。在识别出鼾声片段后,从鼾声片段中提取梅尔倒谱系数、800Hz功率比、谱熵等10种声学特征,再利用基于随机森林的特征选择算法筛选出Top-6特征,并用5种机器学习模型验证Top-6特征的有效性。结果表明,在综合考虑分类性能和计算效率的情况下,逻辑回归模型与Top-6特征的组合表现最好,可以成功区分OSAHS患者和普通打鼾者。该方法计算复杂度低、对OSAHS患者鼾声识别率较高,在识别出OSAHS鼾声的基础上,能够评估出患者是否患有OSAHS。OSAHS患者整晚的鼾声特性存在差异,文中将其分为呼吸暂停前鼾声、呼吸暂停中鼾声、呼吸暂停后鼾声、低通气前鼾声、低通气中鼾声、低通气后鼾声和普通鼾声七类。论文提取七类鼾声的梅尔倒谱系数、谱熵、800Hz功率比等声学特征,利用Relef F算法对提取的特征进行筛选,并分别用支持向量机、逻辑回归和随机森林三个机器学习模型对鼾声进行七分类研究。实验结果表明,在分类模型中随机森林的分类能力最强,其与Top-20特征在鼾声的七分类中能够达到80.36%的整体分类准确率,这为利用七类鼾声预测患者的AHI提供基础。