CN102429662B - 家庭环境中睡眠呼吸暂停综合征的筛查系统 - Google Patents
家庭环境中睡眠呼吸暂停综合征的筛查系统 Download PDFInfo
- Publication number
- CN102429662B CN102429662B CN201110355375.6A CN201110355375A CN102429662B CN 102429662 B CN102429662 B CN 102429662B CN 201110355375 A CN201110355375 A CN 201110355375A CN 102429662 B CN102429662 B CN 102429662B
- Authority
- CN
- China
- Prior art keywords
- sound
- snoring
- energy
- sigma
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种家庭环境中睡眠呼吸暂停综合征的筛查系统,其中包括鼾声数据获取模块,鼾声处理模块,判别模块。数据获取模块采集鼾声数据;鼾声信号处理模块中首先对鼾声信号进行分帧、预加重、加窗等语音信号的预处理过程,然后采用双门限检测方法完成鼾声的端点检测,端点检测过程中以鼾声样本的前十帧数据作为背景噪声的第一测度,并将鼾声段数据传递给能量比求解模块。最终求解鼾声段的能量比特征,并将得到的能量比特性传递给判别模块中。判别模块中以能量比作为分类依据,能量比高于某一门限值即为OSAS患者,反之为单纯打鼾者。本发明是一种对患者睡眠干扰小、成本低、在家庭环境中亦能达到较高筛查精度的系统。
Description
技术领域
本发明涉及生物医学领域中睡眠呼吸障碍疾病的筛查,特别涉及家庭环境中的阻塞性睡眠呼吸暂停综合征的筛查系统。
背景技术
睡眠呼吸障碍是睡眠过程中出现的呼吸异常,包括睡眠呼吸暂停综合征、低通气综合征、慢性肺部及神经肌肉疾患引起的有关睡眠呼吸障碍等,其中以阻塞性睡眠呼吸暂停综合征(OSAS)为主。调查发现,美国的中年人群中约有9%的女性和24%的男性患有不同程度的OSAS,OSAS患者占澳大利亚总人口的3-5%,印度则有5.4-7.5%人群受OSAS困扰。研究表明,OSAS会造成白天嗜睡,头昏,头疼,记忆力衰退,乏力,反应迟钝,睡眠行为异常等症状。长期患有OSAS可引起高血压、冠心病、心衰、中风等多种疾病。医学界对此疾病的研究十分重视,且已取得了重大成果。其中,多导睡眠仪(PSG)是公认的检测OSAS的金标准,已被广泛地应用到OSAS诊断中,但其设备有限、检测费用昂贵、对患者睡眠干扰较大以及需专业人员监视等不足极大地制约了PSG的普及化使用,超过90%的患者得不到及时诊治。
研究发现:每5个成年人中就有一个存在打鼾现象,而鼾声是OSAS最直接的临床表征,也就是说,“打鼾”这种现象很有可能潜伏着OSAS或者其他病症。此外,鼾声是由呼吸气流激励上气道产生的响应,而OSAS又是由上气道塌陷引起,因此可以通过分析鼾声特性得到上气道的特性,从而实现OSAS筛查。
基于以上原因,近年来,各国专家、学者已经对基于鼾声特性的OSAS筛查进行了探索性研究:例如通过统计鼾声时间间隔,分析基音周期,功率谱特性,小波域中鼾声幅度、密度和能量分布情况,共振峰特性等特性实现OSAS检测。上述已有方法均以实现OSAS准确诊断为最终目的。但是,我们的研究发现,仅利用鼾声这一单一特性几乎不可能达到与PSG同样或相近的检测精度,无法完全替代PSG检测。此外,现有研究对鼾声样本录制条件要求较高,而对录制条件的要求直接限制了方法的普及使用。总的来说,现有方法不适用于家庭环境中的检测。
发明内容
本发明的主要目的是公开一种对患者睡眠干扰小、成本低、在家庭等环境中亦能达到较高筛查精度的方法。
一种家庭环境中睡眠呼吸暂停综合征的筛查系统,
包括鼾声获取模块:采集鼾声并记录鼾声数据,采样率设为8k Hz、精度为16bit鼾声信号;
鼾声处理模块:
鼾声处理模块包括预处理部、端点检测部、能量比求解部,
其中预处理部,提供鼾声信号的分帧、预加重以及加窗过程,完成鼾声信号的预处理,
端点检测部,区分有声段和无声段,完成鼾声信号中鼾声段的检测,
能量比求解部,求解鼾声信号的子带能量比值,得到子带能量比值;
鼾声判决模块:
将上述鼾声处理模块中求得的子带能量比值与门限值比较。
其中鼾声处理模块的预处理部,在处理之前需要对其分帧,帧长取128ms,帧移为64ms,利用一阶FIR滤波器H(z)=1-0.98z-1实现预加重,在对鼾声信号进行频域处理之前使用如公式(1)的窗函数来减小频谱泄露,其中n为采样点:
其中鼾声处理模块的端点检测部,采用短时能量和短时过零率双门限分析法,具体过程如下:
1)计算每帧的短时能量:
其中,N为帧长1024,m为帧号,n为采样点,Mm为短时能量,xm(n)为鼾声时域波形。
2)假定前10帧为无声帧,计算各帧的短时能量和短时过零率,统计前10帧噪声的平均过零率Mzc,平均过零率方差Vzc,平均短时能量E。
确定门限值,能量门限值如公式(3),其中,EL为低门限值,EH为高门限值,平均短时能量E:
过零率门限zc如公式(4),其中前10帧噪声的平均过零率Mzc,平均过零率方差Vzc:
zc=Mzc+2*Vzc (4)
3)先根据能量门限EL和EH确定出鼾声段的初始起止点[N1,N2],再利用过零率门限zc修正并获得最终起止点[NB,NE],NB为鼾声起始点,NE为鼾声终止点,至此,完成鼾声信号的预处理及端点检测过程;
其中鼾声处理模块的能量比求解部,为了用数字信号处理方法对鼾声信号进行处理,首先需要建立鼾声信号产生的数学模型。其中上气道模型的建立和求解是通过线性预测编码(LPC)实现的,LPC分析过程如下所示:
按最小均方差准则确定预测系数,使得均方误差E[e2(n)]最小,E[e2(n)]定义为:
要求得最小E[e2(n)],需要对E[e2(n)]关于ai求偏导:
代入 得:
E[e(n)s(n-i)]=0 (8)
公式(5)代入公式(8)可得:
因为信号自相关序列为:
R(i-l)=E[s(n-l)s(n-i)],
则公式(9)可写为:
公式(11)称为线性预测的标准方程,写成矩阵形式为:
公式(11)就是尤利-沃克方程,解方程可得到p阶线性预测系数ai和预测误差值,本发明利用莱文森-德宾递推算法求解尤利-沃克方程,该算法流程如下:
步骤1:定义初始条件:
E0=R(0),a1 (0)=1
步骤2:定义反射系数
aj (i)=aj (i-1)-kiai-j (i-1);
Ei=(1-ki 2)Ei-1
该步从低阶开始递推,直到i=p时截止,循环结束后给出各阶次的所有参数。
步骤3:线性预测的系数:
aj=aj (p)1≤j≤p
经过以上过程,求得线性预测器的预测系数ai,并建立p阶全极点模型AR(p)构建时变数字滤波器H(z)模拟上气道结构,其中U(z)为激励信号,S(z)为输出信号:
通过上述模型求出上气道的LPC对数谱,鼾声受上气道的共振作用,呼吸气流的不同频率能量重新分配,其中最高能量对应频率即为第一共振峰。
选取的两通频带范围为:第一子带200-350Hz,第二子带500-650Hz,第一子带对应正常呼吸时鼾声第一共振峰集中频段,第二子带对应发生低通气时鼾声第一共振峰集中频段。
方案A直接求和子带能量比方法,确定低通气状态和正常状态下鼾声第一共振峰对应的频段后,利用AR模型构建预处理后鼾声信号的能量谱,分别计算所选两子带频段内频谱能量,即频域中实现带内能量谱累加求和,第一子带内能量为E1,第二子带内能量为E2,然后取E2与E1的比值,直接求和子带能量比如公式(14),其中f表示频率,N为帧长,sub-band1表示第一子带频率范围,sub-band2表示第二子带频率范围,SN(f)表示信号的短时LPC谱包络。
方案B改进的求和子带能量比方法,对直接求和能量比方法进行改进,通过加权系数对带内鼾声能量谱加权求和,其中第一子带加权能量和为E1′,第二子带加权能量和为E2′,加权求和子带能量比如公式(15),其中B1(f)表示第一子带加权系数,B2(f)表示第二子带加权系数,其它表示同公式(14)。
方案B借鉴梅尔滤波器的设计思想,以汉明窗形式给出加权系数,加权系数曲线如图1所示。
本发明以两个频段的能量比作为特征对OSAS进行筛查,这样,我们研究的不是某个单频点,而是整个频率段的信息。即使第一共振峰频率由于噪声的影响而出现偏差,只要偏差不是很大,仍可落在设定的频段内,算法仍然可以做出正确的判决。具有更强的鲁棒性和针对性,更适用于家庭等环境中OSAS筛查。
(15)
附图说明
图1(a)是低频段加权系数曲线
图1(b)是高频段加权系数曲线
图2(a)是正常鼾声和低通气鼾声的时域图
图2(b)是正常鼾声和低通气鼾声的频域图
图3(a)是本发明提出的方案A中各步骤的流程图
图3(b)是本发明提出的方案B中各步骤的流程图
图4为本发明提出两种方法的箱线图对比
图5为本发明提出两种方法性能评价的ROC曲线
具体实施方式
如附图所示本发明的家庭环境中睡眠呼吸暂停综合征的筛查系统,
包括鼾声获取模块:所用鼾声信号利用非接触单向麦克风(20-20000Hz,SM81)置于患者口鼻上方18-20cm处录制6-8小时鼾声信号,录制时采样率设为8k Hz,精度为16bit,并利用电脑(IBM Think Pad 400)记录并保存数据。
鼾声处理模块:
鼾声处理模块主要包括预处理部、端点检测部、能量比求解部,
其中预处理部,提供鼾声信号的分帧、预加重以及加窗过程,完成鼾声信号的预处理。
研究发现:99%的鼾声持续时间分布在0.5s到1.8s之间。98.5%的鼾声间隔时间分布在1.4s到4.0s。在一个鼾声持续时间内,鼾声的时域参数和频率参数是基本保持不变的。
因为鼾声信号具有短时平稳性,在处理之前需要对其分帧,帧长取128ms,帧移为64ms。利用一阶FIR滤波器H(z)=1-0.98z-1实现预加重,其目的是为了去除口唇辐射的影响,增加鼾声信号的高频分辨率。在对鼾声信号进行频域处理之前使用如公式(1)的窗函数来减小频谱泄露,其中n为采样点:
端点检测部,区分有声段和无声段,完成鼾声信号中鼾声段的检测。
采用短时能量和短时过零率双门限分析法,具体过程如下:
1)计算每帧的短时能量:
其中,公式编辑N为帧长1024,m为帧号,n为采样点,Mm为短时能量,xm(n)为鼾声时域波形。
2)假定前10帧为无声帧,计算各帧的短时能量和短时过零率,统计前10帧噪声的平均过零率Mzc,平均过零率方差Vzc,平均短时能量E。
确定门限值,能量门限值如公式(3),其中,EL为低门限值,EH为高门限值,平均短时能量E:
过零率门限zc如公式(4),其中前10帧噪声的平均过零率Mzc,平均过零率方差Vzc:
zc=Mzc+2*Vzc (4)
3)先根据能量门限EL和EH确定出鼾声段的初始起止点[N1,N2],再利用过零率门限zc修正并获得最终起止点[NB,NE],NB为鼾声起始点,NE为鼾声终止点,至此,完成鼾声信号的预处理及端点检测过程;
能量比求解部,求解患者的子带能量比值,以子带能量比值作为特征实现OSAS检测。
为了用数字信号处理方法对鼾声信号进行处理,首先需要建立鼾声信号产生的数学模型。因为鼾声也是一种声音,其模型与语音信号类似。本发明是针对OSAS疾病的检测,而鼾声是呼吸气流激励上气道产生的响应,因此,我们只关心患者的上气道模型。上气道模型的建立和求解是通过线性预测编码(LPC)实现的,LPC分析过程如下所示:
按最小均方差准则确定预测系数,使得均方误差E[e2(n)]最小,E[e2(n)]定义为:
要求得最小E[e2(n)],需要对E[e2(n)]关于ai求偏导:
代入 得:
E[e(n)s(n-i)]=0 (8)
公式(5)代入公式(8)可得:
因为信号自相关序列为:
R(i-l)=E[s(n-l)s(n-i)],
则公式(9)可写为:
公式(11)称为线性预测的标准方程,写成矩阵形式为:
公式(11)就是尤利-沃克方程,解方程可得到p阶线性预测系数ai和预测误差值。本发明利用莱文森-德宾递推算法求解尤利-沃克方程,该算法流程如下:
步骤1:定义初始条件:
E0=R(0),a1 (0)=1
步骤2:定义反射系数
aj (i)=aj (i-1)-kiai-j (i-1);
Ei=(1-ki 2)Ei-1
该步从低阶开始递推,直到i=p时截止,循环结束后给出各阶次的所有参数。
步骤3:线性预测的系数:
aj=aj (p) 1≤j≤p
经过以上过程,求得线性预测器的预测系数ai,并建立p阶全极点模型AR(p)构建时变数字滤波器H(z)模拟上气道结构,其中U(z)为激励信号,S(z)为输出信号:
通过上述模型求出上气道的LPC对数谱,鼾声受上气道的共振作用,呼吸气流的不同频率能量重新分配,其中最高能量对应频率即为第一共振峰。当患者上气道塌陷或者阻塞而发生低通气时,鼾声最高能量出现在高频段,反之出现在低频段。
基于上述原理,本发明借鉴梅尔倒谱中子带能量的思想,提出一种新的、能减小噪声影响的基于鼾声子带能量比的OSAS筛查方法,并针对鼾声特性,简化了梅尔滤波器组的设计,仅使用两个滤波器的能量特性实现OSAS筛查。根据文献提供数据,并对本数据库内鼾声样本统计分析,本发明选取的两通频带范围为:第一子带200-350Hz,第二子带500-650Hz。前者对应正常呼吸时鼾声第一共振峰集中频段,后者对应发生低通气时鼾声第一共振峰集中频段。因为无病打鼾者只存在正常打鼾状态,其鼾声第一共振峰基本落在低频段,因此,第一子带能量高于第二子带能量,后者与前者的比值通常较小;反之二者的比值通常较大,根据此特性,可以达到区分OSAS患者和无病打鼾者的目的。
本发明基于上述原理提出两种子带能量比值的求解方案,直接求和子带能量比方法和改进求和子带能量比方法,如下所述:
方案A直接求和子带能量比方法
确定低通气状态和正常状态下鼾声第一共振峰对应的频段后,本发明利用AR模型构建预处理后鼾声信号的能量谱,分别计算本发明所选两子带频段内频谱能量,即频域中实现带内能量谱累加求和,第一子带内能量为E1,第二子带内能量为E2,然后取E2与E1的比值,最后根据子带能量比的特性实现OSAS筛查。直接求和子带能量比如公式(14),其中f表示频率,N为帧长,sub-band1表示第一子带频率范围,sub-band2表示第二子带频率范围,SN(f)表示信号的短时LPC谱包络。
方案B改进的求和子带能量比方法
利用梅尔倒谱的思想,本发明对直接求和能量比方法进行改进,通过加权系数对带内鼾声能量谱加权求和,其中第一子带加权能量和为E1′,第二子带加权能量和为E2′,加权求和子带能量比如公式(15),其中B1(f)表示第一子带加权系数,B2(f)表示第二子带加权系数,其它表示同公式(14)。
方案B借鉴梅尔滤波器的设计思想,以汉明窗形式给出加权系数,加权系数曲线如图1所示。
本发明以两个频段的能量比作为特征对OSAS进行筛查,这样,我们研究的不是某个单频点,而是整个频率段的信息。即使第一共振峰频率由于噪声的影响而出现偏差,只要偏差不是很大,仍可落在设定的频段内,算法仍然可以做出正确的判决。具有更强的鲁棒性和针对性,更适用于家庭等环境中OSAS筛查。
鼾声判决模块:
判决模块中,本发明采用线性分类器将上一模块中求得的子带能量比分类,高于门限值的即为OSAS患者,低于门限值的为单纯打鼾者。最终,利用ROC曲线和箱线图对本发明中提出两种方案的分类特性进行简要评估。AUC是评价诊断试验整体性能的定量指标,本发明提出两种方案的曲线下面积分别为:方案A的AUC=0.829,方案B的AUC=0.938。方案B优于方案A是因为,方案B考虑到第一共振峰在各频率点出现概率不同,在出现概率较高的中心频率附近赋予较大的权重系数,在出现概率较低的边缘频率点赋予较小的权重系数,使得改进方法可以灵活的修正鼾声第一共振峰的偏差,有效减小谐波频率处于子带边缘的噪声干扰。
经过以上处理本发明得到的筛查灵敏度为92.86%,特异性为92.74%,已基本满足OSAS筛查的实际应用要求,有望成为一种类似于常规体检的筛查方法。
图2(a)是正常鼾声和低通气鼾声的时域图,上图为单纯打鼾者鼾声时域曲线,下图为OSAS患者鼾声时域曲线。明显发现单纯打鼾者鼾声片断时域曲线表现为多个振幅、间隔大致相仿的复合波;OSAS患者鼾声的时域曲线表现为多个振幅、间隔不规则的复合波。图2(b)是正常鼾声和低通气鼾声的频域图,上图为单纯打鼾者鼾声LPC频谱包络图,下图为OSAS患者鼾声频谱包络图。频谱包络中最大幅值所对应的频率值即为鼾声的第一共振峰频率。图中可明显发现正常鼾声的能量集中在低频段,低通气鼾声能量集中在高频段。本发明通过提取鼾声的能量特性实现OSAS的筛查。
描述本发明工作流程的示例如图3所示:
1.鼾声的采集模块中,我们利用非接触式麦克风(距患者口鼻18-20cm)录制鼾声数据,并记录在计算机硬盘中。录制时设置信号的采样率为8k Hz,采样精度为16bit。
2.实验所用样本是患者整晚6-8小时鼾声数据,与语音相似,鼾声也是非平稳过程,采用语音信号处理的方法对其进行预处理。与语音不同的是鼾声音素单一、有声段无声段变化明显,预处理过程比正常语音简单。包括,取帧长1024点,帧移512点;加入汉明窗减小频谱泄露;端点检测采用短时能量检测方法。经过以上几步完成鼾声信号的预处理。
3.本发明利用AR(p)模型构建预处理后鼾声信号的能量谱如图2(b)所示,上图为正常鼾声的LPC谱包络,下图为低通气鼾声LPC谱包络。
4.能量比求解模块中,方案A中直接计算本发明中所选两频段内的子带内的能量值累加值E1、E2,然后计算高频子带与低频子带能量的比值Er。同理,方案B中计算本发明中所选两频段内的子带能量谱的加权累加值E1′、E2′,其中加权系数曲线如图1所示,然后计算高频子带与低频子带能量的比值Er′,最后将得到的能量比传递到判决部分中。
5.判决部分中,以高低频子带能量比值作为分类依据,分析本发明数据库中所有鼾声样本,找到最优的门限值作为分类值完成OSAS筛查,当患者能量比高于某门限值时,判为OSAS患者,反之为单纯打鼾者。
6.筛查效果评估部分,我们利用ROC曲线和箱线图对本发明中提出两种方案的分类特性进行简要评估。所述箱线图以能量比Er为特征,如图4所示,图4(a)为方案A(直接求和子带能量比法),图4(b)为方案B(改进求和能量比法)。图中发现,方案B明显优于方案A。所述ROC曲线以1-特异度为横轴,灵敏度为纵轴,画出本发明提出的两种方案的ROC曲线如图5所示,并利用曲线下面积(AUC)对两种方案的筛查结果进行评定。
Claims (5)
1.一种家庭环境中睡眠呼吸暂停综合征的筛查系统,其特征在于:
包括鼾声获取模块:采集鼾声并记录鼾声数据,采样率设为8kHz、精度为16bit鼾声信号;
鼾声处理模块:
鼾声处理模块包括预处理部、端点检测部、能量比求解部,
其中预处理部,提供鼾声信号的分帧、预加重以及加窗过程,完成鼾声信号的预处理,
端点检测部,区分有声段和无声段,完成鼾声信号中鼾声段的检测,
能量比求解部,求解鼾声信号的子带能量比值,得到子带能量比值;
鼾声判决模块:
将上述鼾声处理模块中求得的子带能量比值与门限值比较;
其中鼾声处理模块的能量比求解部;
为了用数字信号处理方法对鼾声信号进行处理,首先需要建立鼾声信号产生的数学模型;其中上气道模型的建立和求解是通过线性预测编码LPC实现的,LPC分析过程如下所示:
按最小均方差准则确定预测系数,使得均方误差E[e2(n)]最小,E[e2(n)]定义为:
要求得最小E[e2(n)],需要对E[e2(n)]关于ai求偏导:
代入 得:
E[e(n)s(n-i)]=0 (8)
公式(5)代入公式(8)可得:
因为信号自相关序列为:
则公式(9)可写为:
公式(11)称为线性预测的标准方程,写成矩阵形式为:
公式(11)就是尤利-沃克方程,解方程可得到p阶线性预测系数ai和预测误差值,利用莱文森-德宾递推算法求解尤利-沃克方程,该算法流程如下:
步骤1:定义初始条件:
E0=R(0),a1 (0)=1
步骤2:定义反射系数
aj (i)=aj (i-1)-kiai-j (i-1);
Ei=(1-ki 2)Ei-1
本步骤从低阶开始递推,直到i=p时截止,循环结束后给出各阶次的所有参数;
步骤3:线性预测的系数:
aj=aj (p) 1≤j≤p
经过以上过程,求得线性预测器的预测系数ai,并建立p阶全极点模型AR(p)构建时变数字滤波器H(z)模拟上气道结构,其中U(z)为激励信号,S(z)为输出信号:
通过上述模型求出上气道的LPC对数谱,鼾声受上气道的共振作用,呼吸气流的不同频率能量重新分配,其中最高能量对应频率即为第一共振峰;
选取的两通频带范围为:第一子带200-350Hz,第二子带500-650Hz,第一子带对应正常呼吸时鼾声第一共振峰集中频段,第二子带对应发生低通气时鼾声第一共振峰集中频段。
2.根据权利要求1所述的家庭环境中睡眠呼吸暂停综合征的筛查系统,其特征在于:其中鼾声处理模块的预处理部
在处理之前需要对鼾声信号分帧,帧长取128ms,帧移为64ms,利用一阶FIR滤波器H(z)=1-0.98z-1实现预加重,在对鼾声信号进行频域处理之前使用如公式(1)的窗函数来减小频谱泄露,其中n为采样点:
3.根据权利要求1所述的家庭环境中睡眠呼吸暂停综合征的筛查系统,其特征在于:其中鼾声处理模块的端点检测部
采用短时能量和短时过零率双门限分析法,具体过程如下:
1)计算每帧的短时能量:
其中,N为帧长1024,m为帧号,n为采样点,Mm为短时能量,xm(n)为鼾声时域波形;
2)假定前10帧为无声帧,计算各帧的短时能量和短时过零率,统计前10帧噪声的平均过零率Mzc,平均过零率方差Vzc,平均短时能量E;
确定门限值,能量门限值如公式(3),其中,EL为低门限值,EH为高门限值,平均短时能量E:
过零率门限zc如公式(4),其中前10帧噪声的平均过零率Mzc,平均过零率方差Vzc:
zc=Mzc+2*Vzc (4)
3)先根据能量门限EL和EH确定出鼾声段的初始起止点[N1,N2],再利用过零率门限zc修正并获得最终起止点[NB,NE],NB为鼾声起始点,NE为鼾声终止点,至此,完成鼾声信号的预处理及端点检测过程。
4.根据权利要求1所述的家庭环境中睡眠呼吸暂停综合征的筛查系统,特征在于:所述能量比求解部采用直接求和子带能量比方法,该方法具体如下:
确定低通气状态和正常状态下鼾声第一共振峰对应的频段后,利用AR模型构建预处理后鼾声信号的能量谱,分别计算所选两子带频段内频谱能量,即频域中实现带内能量谱累加求和,第一子带内能量为E1,第二子带内能量为E2,然后取E2与E1的比值,直接求和子带能量比如公式(14),其中f表示频率,N为帧长,sub-band1表示第一子带频率范围,sub-band2表示第二子带频率范围,SN(f)表示信号的短时LPC谱包络。
5.根据权利要求4所述的家庭环境中睡眠呼吸暂停综合征的筛查系统,特征在于:改进的求和子带能量比方法如下:
对直接求和能量比方法进行改进,通过加权系数对带内鼾声能量谱加权求和,其中第一子带加权能量和为E1′,第二子带加权能量和为E2′,加权求和子带能量比如公式(15),其中B1(f)表示第一子带加权系数,B2(f)表示第二子带加权系数,其它表示同公式(14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110355375.6A CN102429662B (zh) | 2011-11-10 | 2011-11-10 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110355375.6A CN102429662B (zh) | 2011-11-10 | 2011-11-10 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102429662A CN102429662A (zh) | 2012-05-02 |
CN102429662B true CN102429662B (zh) | 2014-04-09 |
Family
ID=45978275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110355375.6A Active CN102429662B (zh) | 2011-11-10 | 2011-11-10 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102429662B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3954278A4 (en) * | 2019-05-31 | 2022-06-15 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR MONITORING APNEA |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103251388B (zh) * | 2013-04-25 | 2014-12-10 | 北京大学深圳研究生院 | 基于智能手机平台的打鼾监测方法和监测及防治系统 |
CN103345921B (zh) * | 2013-07-15 | 2015-08-26 | 南京理工大学 | 基于多特征的夜间睡眠声信号分析方法 |
CN103385707A (zh) * | 2013-07-31 | 2013-11-13 | 太仓市同维电子有限公司 | 一种能分辨鼾声类型的智能路由器及其分辨方法 |
CN104739412B (zh) * | 2013-12-29 | 2017-11-03 | 中国移动通信集团公司 | 一种对睡眠呼吸暂停进行监测的方法和设备 |
CN103735267B (zh) * | 2014-01-02 | 2016-03-30 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
CN104905791B (zh) * | 2014-03-11 | 2017-07-28 | 上海宽带技术及应用工程研究中心 | 基于聚类算法来提取呼吸信号的方法及系统 |
CN104622432B (zh) * | 2015-02-06 | 2017-06-06 | 华南理工大学 | 基于低音比的睡眠鼾声监测方法及系统 |
CN105534480B (zh) * | 2016-01-05 | 2018-08-14 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法及装置 |
CN105962897B (zh) * | 2016-04-27 | 2018-10-02 | 南京理工大学 | 一种自适应的鼾声信号检测方法 |
WO2018070522A1 (ja) * | 2016-10-14 | 2018-04-19 | 公立大学法人大阪府立大学 | 嚥下診断装置およびプログラム |
CN106691382B (zh) * | 2016-12-26 | 2020-12-15 | 赛博龙科技(北京)有限公司 | 一种基于时频相似性的鼾声检测方法及装置 |
WO2018122217A1 (en) * | 2016-12-28 | 2018-07-05 | Koninklijke Philips N.V. | Method of characterizing sleep disordered breathing |
CN107358965B (zh) * | 2017-06-09 | 2020-12-22 | 华南理工大学 | 一种睡眠鼾声分类检测方法及系统 |
CN107811610B (zh) * | 2017-09-27 | 2020-12-15 | 深圳和而泰智能控制股份有限公司 | 一种呼吸率检测方法、装置、电子设备及存储介质 |
CN108697328B (zh) * | 2017-12-27 | 2021-07-13 | 深圳和而泰数据资源与云技术有限公司 | 一种鼾声识别方法及止鼾装置 |
CN109350014A (zh) * | 2018-12-10 | 2019-02-19 | 苏州小蓝医疗科技有限公司 | 一种鼾声识别方法与系统 |
CN109507675B (zh) * | 2019-01-07 | 2020-10-16 | 中国科学院声学研究所东海研究站 | 基于频分系统实现水下多目标时延估计处理的方法 |
CN110013222A (zh) * | 2019-04-03 | 2019-07-16 | 杭州电子科技大学 | 一种用于睡眠呼吸暂停检测的系统 |
TWI735879B (zh) * | 2019-05-16 | 2021-08-11 | 醫療財團法人徐元智先生醫藥基金會亞東紀念醫院 | 利用神經網路從鼾聲來預測睡眠呼吸中止之方法 |
CN110473563A (zh) * | 2019-08-19 | 2019-11-19 | 山东省计算中心(国家超级计算济南中心) | 基于时频特征的呼吸声检测方法、系统、设备及介质 |
CN110547802B (zh) * | 2019-09-11 | 2022-09-06 | 京东方科技集团股份有限公司 | 识别呼吸状态的装置 |
CN111297327B (zh) * | 2020-02-20 | 2023-12-01 | 京东方科技集团股份有限公司 | 一种睡眠分析方法、系统、电子设备及存储介质 |
CN111323481B (zh) * | 2020-02-25 | 2021-05-28 | 西安交通大学 | 一种基于声音信号的大型结构活动多余物检测方法 |
CN111345782B (zh) * | 2020-03-12 | 2023-10-10 | 深圳数联天下智能科技有限公司 | 鼾声类型识别方法及电子设备 |
CN112190253A (zh) * | 2020-09-17 | 2021-01-08 | 广东工业大学 | 一种阻塞性睡眠呼吸暂停症严重程度的分类方法 |
CN112562701B (zh) * | 2020-11-16 | 2023-03-28 | 华南理工大学 | 心音信号双通道自适应降噪算法、装置、介质及设备 |
CN114176568B (zh) * | 2021-12-29 | 2023-01-17 | 深圳融昕医疗科技有限公司 | 基于呼吸压力信号的鼾声检测方法 |
CN114488841B (zh) * | 2022-04-12 | 2022-10-18 | 慕思健康睡眠股份有限公司 | 一种智能穿戴设备的数据搜集处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138796A (zh) * | 2011-04-14 | 2011-08-03 | 广州医学院第一附属医院 | 基于鼾声分析的睡眠监测阻塞定位仪 |
CN102138795A (zh) * | 2011-02-21 | 2011-08-03 | 上海大学 | 根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方法 |
-
2011
- 2011-11-10 CN CN201110355375.6A patent/CN102429662B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138795A (zh) * | 2011-02-21 | 2011-08-03 | 上海大学 | 根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方法 |
CN102138796A (zh) * | 2011-04-14 | 2011-08-03 | 广州医学院第一附属医院 | 基于鼾声分析的睡眠监测阻塞定位仪 |
Non-Patent Citations (2)
Title |
---|
A snoring deterctor for OSAHS based on patient"s individual personality;Haixiu Zhang,Wenlong liu,ect;《Awareness sicence and technology(iCAST)2011 3rd International Confrerence》;20110930;24-27 * |
Haixiu Zhang,Wenlong liu,ect.A snoring deterctor for OSAHS based on patient"s individual personality.《Awareness sicence and technology(iCAST)2011 3rd International Confrerence》.2011,24-27. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3954278A4 (en) * | 2019-05-31 | 2022-06-15 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR MONITORING APNEA |
Also Published As
Publication number | Publication date |
---|---|
CN102429662A (zh) | 2012-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102429662B (zh) | 家庭环境中睡眠呼吸暂停综合征的筛查系统 | |
Kim et al. | Detection of sleep disordered breathing severity using acoustic biomarker and machine learning techniques | |
Parsa et al. | Identification of pathological voices using glottal noise measures | |
CN102499637B (zh) | 阻塞性睡眠呼吸暂停低通气综合症筛查装置 | |
Windmon et al. | Tussiswatch: A smart-phone system to identify cough episodes as early symptoms of chronic obstructive pulmonary disease and congestive heart failure | |
US10007480B2 (en) | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-Gaussianity index | |
CN103251388B (zh) | 基于智能手机平台的打鼾监测方法和监测及防治系统 | |
Krishnamoorthy et al. | Enhancement of noisy speech by temporal and spectral processing | |
CN103093759B (zh) | 一种基于移动终端的嗓音检测评估装置及方法 | |
Upadhya et al. | Thomson Multitaper MFCC and PLP voice features for early detection of Parkinson disease | |
Kapoor et al. | Parkinson’s disease diagnosis using Mel-frequency cepstral coefficients and vector quantization | |
CN111640439A (zh) | 一种基于深度学习的呼吸音分类方法 | |
WO2019216320A1 (ja) | 機械学習装置、解析装置、機械学習方法および解析方法 | |
CN112820279B (zh) | 基于语音上下文动态特征的帕金森检测模型构建方法 | |
Chang et al. | Performance evaluation and enhancement of lung sound recognition system in two real noisy environments | |
Reggiannini et al. | A flexible analysis tool for the quantitative acoustic assessment of infant cry | |
Singh et al. | Preliminary analysis of cough sounds | |
CN113974607B (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
CN105962897A (zh) | 一种自适应的鼾声信号检测方法 | |
Morshed et al. | Automated heart valve disorder detection based on PDF modeling of formant variation pattern in PCG signal | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
Song et al. | AHI estimation of OSAHS patients based on snoring classification and fusion model | |
CN116434739A (zh) | 构建识别心力衰竭不同分期的分类模型的装置及相关组件 | |
Vieira et al. | Combining entropy measures and cepstral analysis for pathological voices assessment | |
Godino-Llorente et al. | Discriminative methods for the detection of voice disorders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |