阻塞性睡眠呼吸暂停综合征（Obstructive Sleep Apnea Syndrome,OSAS）是一种流行的且与睡眠有关的呼吸系统疾病。它的主要表现为睡眠期间上呼吸道重复地发生部分或完全阻塞。在本研究中,我们使用OSAS患者清醒时的语音信号,来检测OSAS的严重程度。当前,基于语音的OSAS检测方法使用传统语音特征。传统特征集一般使用梅尔频率倒谱系数（MFCC）、共振峰、能量、线性预测编码（LPC）系数、共振峰导数、共振峰带宽、谐噪比（Harmonic to Noise Ratio,HNR）、ΔMFCC、ΔΔMFCC、对数能量、基频抖动（jitter）、振幅抖动（shimmer）和基频（Fundamental frequency）等。然而,传统语音特征是在正常语音频率范围（<6kHz）中计算的,但是它通常忽略了出现在许多病理声音中的较高频率范围内的信号分量。同时,传统语音特征所使用的参数是从用于正常语音处理/识别的参数中借用的,这些参数对于检测OSA患者的声音不是最佳的。其次,从对患者的语音进行数字信号分析的观察中发现,频谱图和检测到的共振峰轨迹在各种严重性级别之间具有明显不同的语音特性。此外,我们还发现使用传统语音的参数设置对共振峰轨迹跟踪不是最佳的。其他语音特征亦然。因此,我们为基于语音的OSA检测研发新的特征集。本项研究专注于两个特征集:（1）高频成分特征集,（2）时频特征集。我们将特征集提取出来并比较它们在OSAS检测中的性能。对于高频成分特征集,我们在传统特征集的基础上,对其参数进行改变和研发出了新的特征,使传统特征集具备更多高频成分。对于时频特征集,我们先计算持续语音的频谱图,然后将离散余弦变换（DCT）应用于频谱幅值图像,然后以用之字扫描顺序从DCT系数中提取特征向量。最后,我们将截取特征向量前9)个点以表征这些样本。为了找到最佳的9),我们还设置了9)的多个值。得到特征集后,我们将首先使用主成分分析（PCA）进行重组并选择特征空间,然后使用正向序列特征选择（SFFS）对所选数据进行双重筛选,最后使用朴素贝叶斯分类器（Naive Bayes Classifier,NBC）和二元判别分析（Quadratic Discriminant Analysis,QDA）对OSAS的严重性进行检测。验证方法,我们选择使用k-折交叉验证（k-fold）和留一法（LOO）来进行验证。由结果可得,时频特征集表现优于高频分量特征集,而高频分量特征集优于传统特征集。由此,我们可得出,传统特征集并不适合基于语音的OSAS检测。其中,使用元音在高频分量特征集和传统特征集中比粤语数字要好,但时频特征的表现差别不大。