论文部分内容阅读
阻塞型呼吸暂停低通气综合征(Obstructive Sleep Apnea Hypopnea Syndrome,OSAHS)是一种常见的睡眠障碍疾病。目前诊断该病的“金标准”是多导睡眠图(Polysomnography,PSG)。但医院PSG设备数量有限、诊断费用昂贵且监测手段繁琐。便携的诊断方法已成为当前迫切需要研究的问题。在PSG设备检测的多种信号中,患者的声学信号鼾声对该病的诊断具有重要作用,为方便受试者可以在家中进行诊断,本文仅采用鼾声作为该疾病的筛查依据,设计快速的诊断方法,开发手机APP进行检测,具体工作包括以下三个方面:(1)基于迁移学习的夜间睡眠鼾声识别方法研究:针对受试者家里睡眠背景声音复杂,鼾声的准确识别具有较大困难的问题,本文采用卷积神经网络自动学习鼾声特征表示,并进行迁移学习,采用多项损失逻辑回归算法建立鼾声识别模型,具体使用公开声学数据集ESC-50和采集的患者鼾声数据结合进行训练,实现了在家庭复杂背景环境下的睡眠鼾声检测识别。(2)基于鼾声的OSAHS诊断方法研究:为提高基于鼾声的OSAHS诊断准确率,本文在传统声学特征计算的基础上进一步进行深度学习特征的提取;然后,使用多项损失逻辑回归算法建立基于深度特征的OSAHS定性诊断模型,并与仅采用传统特征的模型进行对比,具有较高的准确性;为进一步对患者的病情进行细致的评估,又使用深度神经网络建立基于深度特征的OSAHS定量诊断模型,实验证明该模型的实验结果与PSG设备诊断结果的相关性达到了 87%,可以有效评估患者的呼吸紊乱指数以得到更细致的评估结果。(3)基于Android的家庭睡眠障碍检测系统的研究与实现:面向家庭环境开发智能睡眠检测手机APP,首先实现家庭环境下睡眠声音采集和鼾声识别,其次将基于深度神经网络的OSAHS定量诊断模型应用在APP中。受试者可在家里进行呼吸质量评估和OSAHS筛查,在实际应用中得到了认可。