CN102499637A - 阻塞性睡眠呼吸暂停低通气综合症筛查方法及其装置 - Google Patents
阻塞性睡眠呼吸暂停低通气综合症筛查方法及其装置 Download PDFInfo
- Publication number
- CN102499637A CN102499637A CN2011102891505A CN201110289150A CN102499637A CN 102499637 A CN102499637 A CN 102499637A CN 2011102891505 A CN2011102891505 A CN 2011102891505A CN 201110289150 A CN201110289150 A CN 201110289150A CN 102499637 A CN102499637 A CN 102499637A
- Authority
- CN
- China
- Prior art keywords
- sound
- snoring
- snorer
- formant
- frequency
- 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.)
- Granted
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种阻塞性睡眠呼吸暂停低通气综合症(OSAHS)筛查方法及其装置,利用鼾声的共振峰特性作为筛查OSAHS的技术指标;本发明首先用短时能量法分离出鼾声段,之后用LPC建模,求得LPC的预测系数之后利用求根法求得鼾声段的第一共振峰频率,由于不同模式的共振峰频率的范围不同,可以用来区分不同的鼾声段,我们利用K均值将每一个打鼾者的所有第一共振峰频率分类,根据分类结果确定个体化的区分正常鼾声和不正常鼾声的阈值;然后模拟PSG中的AHI指标求得一小时内呼吸暂停和低通气的平均次数。根据OSAHS的评判标准来判断此数据段是正常情况的鼾声还是患有OSAHS的鼾声。本发明提供一种低成本、适用性强、操作简单、非接触的OSAHS筛查装置及其方法。
Description
技术领域
本发明应用计算机测量技术筛查睡眠呼吸暂停低通气综合症,涉及一种无接触的阻塞性睡眠呼吸暂停低通气综合症筛查装置及其方法。
背景技术
阻塞性睡眠呼吸暂停低通气综合症(Obstructive Sleep Apnea HypopneaSyndrome,OSAHS)是一种具有严重危害及潜在危险的高发性疾病,由于睡眠时发生低氧及高碳酸血症,最终引起全身多系统、多器官的渐进性危害。
OSAHS最常见的症状是打鼾,表现为鼾声时高时低,并可以完全中断,严重患者可以憋醒。憋醒后可以出现心慌、心悸、憋气等。同室睡眠者可以观察到,随着打鼾的停止,患者呼吸出现明显的停顿,并以用力深吸气终止呼吸暂停,尔后是一更响的鼾声。随着病情的进展,打鼾逐渐加重。呼吸暂停期间胸腹部呼吸呈现矛盾运动。伴随呼吸暂停的出现及呼吸暂停时间过长,可出现身体的不自主运动甚至突然坐起。患者还可以表现为睡眠行为异常等。患者晨起头痛,白天困倦、嗜睡,严重者记忆、判断、注意力、抽象推理能力和警觉认识能力下降,缺氧可刺激红细胞生成素增高,血流缓慢,促发或加重血栓形成,加重心肌缺血缺氧,诱发各种心律失常和心肌梗塞,严重影响患者的生存质量和寿命。
一直以来,多导睡眠图监测(Polysomnogram,PSG)是公认的诊断OSAHS的“金标准”。PSG监测时需要受检者在医院的检查室中进行整晚大约8个小时的观察,所以检查的人数是十分受限的。PSG检查时需要将各种电极导联到患者身体各处获取生理信号,严重的影响了受检者的睡眠质量,将会给检测结果带来影响,尤其是对儿童人群。此外,因为被检测者睡眠环境的改变,一次检查有时也难以保证检测结果的准确性。PSG监测一次的费用大约是300-500之间,这使得一部分打鼾者因为检查费用的昂贵而没有得到诊断。由于PSG检查设备的有限,而众多的患病人数使得大量的患者得不到及时的诊治,严重危害身体健康。研究人员随机的对602位志愿者调查显示:大约82%男性和93%的女性中度和重度SAHS患者没有得到诊断。另一方面,虽然打鼾是睡眠呼吸暂停低通气综合症最显著的临床症状,但也并不是所有的打鼾者都患有睡眠呼吸暂停低通气综合症,有些人打鼾也可能是因为鼻炎等其他疾病引起的。所以目前需要一种更加舒适的、便携的、低费用的、适用于家庭环境的检测器来完成对OSAHS的筛查,减小PSG检查的负荷,让更多的打鼾者得到及时的诊断。
近年来,人们已经对基于鼾声特性的OSAHS检测进行了探索性研究:Hsu.Y.L分析单位时间内的鼾声数,鼾声持续时间和间隔,间断鼾声数,最后以鼾声数和间断鼾声数为指标进行判断;Wakwella A S则通过分析基因等时域参数特性来实现OSAHS筛查,但是鼾声时域特性易受录制条件的影响,筛查结果并不理想。为了克服时域检测的弊端,人们转而研究鼾声的变换域特性达到区分OSAHS患者和单纯打鼾者的目的,例如鼾声的功率谱特性,小波域中鼾声幅度、密度和能量分布情况、共振峰特性等。其中,最能表现上气道声学特性变化的共振峰方法是是目前较为流行的一种方法。已有一些文献中指出第一共振峰的频率随着上气道状态的变化而变化。较窄的上气道会产生较大的第一共振峰频率。也就是说,低通气状态下产生的鼾声第一共振峰频率要高于正常鼾声的第一共振峰频率。Andrew et al.已提出可以利用固定阈值来区分有病和无病鼾声。但是通过分析我们发现,对于目前已有的文献中,都是使用一个固定的门限值来区分正常鼾声和非正常鼾声,并没有考虑到由于个体差异而导致的影响。
发明内容
为了克服已有方法中由于个体差异带来的影响,本发明提供一种非接触、简捷、可靠、排除个体差异的阻塞性睡眠呼吸暂停低通气综合症筛查装置及其方法。
阻塞性睡眠呼吸暂停低通气综合症筛查方法,包括:
第一步:接收带噪鼾声数据,对其进行分帧处理,将鼾声数据分为有多个重叠的鼾声帧,并计算每个鼾声帧的短时能量,得到每一个鼾声帧的短时能量;
第二步:
利用双门限法进行鼾声段的端点检测,认为有声段的声音是鼾声数据;
第三步:将每一帧的鼾声数据通过一个60-1000Hz的带通滤波器,并对每一帧鼾声加窗处理;
本发明中我们仅利用鼾声的第一共振峰参数,而第一共振峰频率的分布范围在60-1000Hz范围内,因此将每一帧鼾声数据通过60-1000Hz的带通滤波器;为了减少频域中由于加窗造成的频谱泄露问题,使用如下式所示的窗函数:
实际处理的是中间的512个点,弱化两端的256点;
第四步:共振峰的提取是在AR模型基础之上进行的,将上气道看作是一个P阶的AR模型,并求出每一帧的第一共振峰频率;
估计每一帧预处理后鼾声的第一共振峰频率;将产生鼾声数据的上气道模型看作是一个全极点的AR模型,
用公式表示为
其中P为AR模型的阶数,ai为线性预测(LPC)系数,通过利用Levinson-Durbin递推算法求解Yule-Walker方程得到预测系数;根据所述的AR模型预测系数估计第一共振峰频率,
计算公式为:F1=fs×θ1/2π
式中fs表示采样率,θ1表示AR模型中第一个极点的相位;
第五步:将打鼾者整晚鼾声的第一共振峰频率用K均值聚类算法分为两类,其中较小的聚类中心可以看作是该打鼾者的基准频率,
每一个打鼾者的个体化阈值设定为2.2倍的基准频率,用来区分每一个打鼾者的鼾声是正常鼾声还是不正常鼾声;第六步:如果每一个鼾声段中最大第一共振峰频率高于个体化阈值,就将该帧所在的鼾声段认为是不正常的鼾声段,否则就认为是正常的鼾声,统计一小时内不正常鼾声段得个数,如果高于判断标准就初步认为是阻塞性睡眠呼吸暂停低通气综合症打鼾者,反之就认为是正常的打鼾者。
步骤二中的所述的双门限法是改进的基于短时能量的双门限法端点检测方法,能量阈值自适应的过程:
En=λ*En-1+(1-λ)*en式中,
En为能量阈值,en为当前帧的短时能量值,λ取值为0.3。
利用K均值聚类算法将每一个打鼾者整晚鼾声的第一共振峰频率分为两类,并将较小的聚类中心近似看作是基准频率,方法如下:
随机的选择两个初始聚类中心,聚类中心可以通过迭代算法得到:
(1)根据到每一个数据点到聚类中心的欧式距离最小的原则,将所有的数据分为两类;
(2)根据下式计算标准差函数:Err=||x(1)-m1||2+||x(2)-m2||2,其中:x(1)和x(2)分别表示聚类1和聚类2中的数据点,m1和m2分别表示聚类1和聚类2的聚类中心;
(3)如果当前的标准差函数之前的标准差函数相差大于10-5,计算两个类中所有数据的均值作为下次迭代的聚类中心,跳到步骤(1)。
K均值聚类算法将共振峰频率分为两类之后,较小的聚类中心近似认为是该打鼾者的基准频率。
如果一小时内最大共振峰频率的个数大于5次/时,初步认为该打鼾者是阻塞性睡眠呼吸暂停低通气综合症打鼾者,反之就判为是单纯的打鼾者。
阻塞性睡眠呼吸暂停低通气综合症筛查装置,包括:
分帧模块,用于接收带噪鼾声数据,对其进行分帧处理,将所述带噪鼾声数据分为有多个重叠的鼾声帧,并计算每个鼾声帧的短时能量,得到每一个鼾声帧的短时能量;
鼾声段检测模块,与所述分帧模块连接,利用改进的双门限端点检测法检测出所有的鼾声段;
预处理模块,与所述的鼾声段检测模块相连接,本发明中我们仅利用鼾声的第一共振峰参数,将每一帧鼾声数据通过60-1000Hz的带通滤波器;为了减少频域中由于加窗造成的频谱泄露问题,此处我们使用如下式所示的窗函数:
实际处理的是中间的512个点,弱化两端的256点;
共振峰提取模块,与所述的预处理模块连接,用于估计每一帧预处理后鼾声的第一共振峰频率;首先利用线性预测(LPC)技术预测每一帧鼾声数据的AR模型系数,并根据所述的AR模型系数得到第一共振峰频率,计算公式为:F1=fs×θ1/2π,式中fs表示采样率,θ1表示AR模型中第一个极点的相位;
共振峰分类模块,与所述的共振峰提取模块连接,用于求取每一个打鼾者的基准频率(上气道处于非阻塞状态时的共第一共振峰频率),将每一个打鼾者的一整晚鼾声的第一共振峰频率利用K均值聚类算法分为两类,将较小的聚类中心的频率认为是该打鼾者的基准频率;将每一个打鼾者的个体化阈值设定为该打鼾者基准频率的2.2倍;
初步判决模块,与所述的共振峰分类模块连接,统计一小时内不正常鼾声段的个数,如果高于设定的判定阈值就初步认为是患有OSAHS的打鼾者,否则就认为是正常的打鼾者。
还包括:
诊断标准数据存储模块,与初步判决模块相连接,用于存储判断阻塞性睡眠呼吸暂停低通气综合症的筛查标准和范围,包括:个体化阈值、阻塞性睡眠呼吸暂停低通气综合症的筛查标准,所述的阻塞性睡眠呼吸暂停低通气综合症S筛查标准为每小时的睡眠中有5次或以上超过个体化阈值的最大共振峰频率数。
本发明实施例的OSAHS筛查方法及装置,通过利用鼾声数据的第一共振峰频率参数,结合K均值聚类算法设定个体化的阈值,并模拟PSG检测中AHI指标来实现OSAHS的初步筛查,改进了现有技术中由于个体差异存在导致的误判和漏检,提高了筛查的灵敏度和特异度。
附图说明
图1为本发明无接触的OSAHS筛查方法实施例的流程图;
图2为本发明无接触的OSAHS筛查装置实施例的流程图;
图3为几个打鼾者的鼾声片段样本图;
图4为对应图3中鼾声片段的共振峰频谱包络图。
具体实施方式
在OSAHS筛查系统中,对于一个特定的OSAHS打鼾者来说,产生正常鼾声和不正常鼾声时的上气道所处的状态是不同的,产生不正常鼾声时的上气道处于阻塞状态,对应的反应上气道宽窄程度的第一共振峰参数的频率分布范围也是不同的。根据共振峰参数的这一特性,可以通过设定一个共振峰阈值来区分正常的鼾声段和不正常的鼾声段。简单地说,就是通过一个共振峰阈值来区分正常鼾声和不正常鼾声的第一共振峰频率,从而达到区分两种不同鼾声的目的,对于正常的鼾声段,其第一共振峰频率处于较低的频段,而对于不正常的鼾声段,其第一共振峰频率处于较高的频段,于是可以利用两者的第一共振峰频率的差异,进行正常鼾声段和非正常鼾声段的划分。
本发明实施例的OSAHS筛查方法中正常鼾声和非正常鼾声的区分是基于个体化阈值进行的,即使用一个能适应个体变化的阈值来区分不同打鼾者的正常鼾声和不正常鼾声。
下面结合附图对本发明OSAHS筛查方法及装置作详细的介绍。
图1为本发明OSAHS筛查方法实施例的流程图,如图1所示,本实施例的OSAHS筛查方法包括以下步骤:
步骤01,接收含有噪声的声音数据,对其进行分帧处理,将所述的声音分为多个重叠的语音帧,并计算每一帧的短时能量;
计算每一帧的短时能量是进行鼾声段检测的前序步骤,由于有声部分的短时能量要高于无声部分的短时能量,利用短时能量可以区分有声段和无声段,因此首先要计算每一帧信号的短时能量,才能在后续的步骤中利用短时能量来进行有声段和无声段的检测。其中接收的数据是经过A/D转换后的数字语音数据,本发明中的分帧处理是将鼾声数据分为多个有重叠的声音帧,帧间的重叠率为50%。
步骤02,利用双门限法进行鼾声段的端点检测,认为有声段的声音是鼾声数据;
在进行正常鼾声和非正常鼾声区分之前,首先应该将鼾声段检测出来,本发明中我们利用比较经典的双门限检测法检测鼾声段,但是常用的基于短时能量的端点检测方法门限是固定的,不能适应随机噪声的变化,这就容易造成端点检测的误检和漏检,容易将能量较大的随机噪声误判为鼾声。为了自适应随机噪声的变化,本文采用基于能量的自适应端点检测,短时能量的门限根据噪声的变化做出自适应的调整。
在自适应的过程中当连续几帧的短时能量值超过高门限值时便标记为有声段,实际录制的声音中往往也会存在短时能量值较大而持续时间较短的随机噪声。实验中发现,99%的鼾声持续时间分布在0.5s到1.8s之间。在自适应的过程中为了减小误判率,将有声段最短持续时间0.5s作为一个判断有声段是否为鼾声的条件,可以有效地剔除持续时间短暂而短时能量值又较大的随机噪声。
将前10帧默认为无声段。计算前10帧的短时能量均值作为初始的能量阈值Einit。
能量阈值的确定:
其中,ELT和EHT为经验值,实验中设定
能量阈值自适应的过程:
E=λ*E+(1-λ)*e (3)
式中,E为能量阈值,e为当前帧的短时能量值。λ取值为0.3。
步骤03,将每一帧的鼾声数据通过一个60-1000Hz的带通滤波器,并对每一帧鼾声加窗处理;
在本发明中我们使用的是鼾声的第一共振峰作为区分正常鼾声和非正常鼾声的参数,而第一共振峰的频率分布在60-1000Hz,因此我们只需要使用鼾声60-1000Hz频段内的数据即可,使鼾声数据通过带通滤波器之后降低高频和工频干扰,起到一定的降噪作用;对共振峰的提取是在频域内进行的,为了减少频谱泄露的影响,我们使用的窗函数如下式所示:
即,保留中间的512个点,弱化两端的256个点,实际处理的是中间保留真实值的512个点。加窗处理完成之后就需要计算每一帧的共振峰。
步骤04,共振峰的提取是在AR模型基础之上进行的,将上气道看作是一个P阶的AR模型,用公式可以表示为
式中:P为AR模型的阶数,ai为LPC系数。假设经过滤波加窗之后的一帧鼾声数据可以表示为s(n),激励信号为u(n)。则实际输出值和预测值分别为:
线性预测的误差为 均方误差为
若使得均方误差最小,对(6)式求偏导,求偏导之后的每一项与信号的短时自相关函数进行对比之后得到的均方误差写为矩阵形式为:
(5)式即为Yule-Walker方程,系数矩阵不但是对称的,而且平行于主对角线的任一条对角线上的元素都相等,这样的矩阵称为Toeplitz矩阵,利用Levinson-Durbin递推算法求解线性方程组(5)。
求得AR模型的系数之后利用求根法求得每一帧的第一共振峰频率,AR模型的极点与共振峰频率之间的关系式:
(6)式即为得到的每一帧的第一共振峰频率值,其中fs表示采样率,θ1表示的是预测模型中第一个极点对应的相位;
步骤05,利用K均值聚类算法将每一个打鼾者一整晚鼾声数据的第一共振峰频率分为两类,并将较小聚类中心的频率设定为该打鼾者的基准频率(上气道未阻塞时的第一共振峰频率),用来区分正常鼾声和非正常鼾声的第一共振峰频率阈值(个体化阈值)设定为2.2倍的基准频率;
不同人的上气道结构是不同的,例如:女性和儿童的上气道本身很窄,而成年男性的上气道本身很宽。对应的,由于上气道的宽窄程度不同导致鼾声的第一共振峰的基准频率也是不同的。很明显个体化的基准频率在基于共振峰方法的筛查系统中是十分重要的。但是在之前的基于共振峰方法的筛查中忽视了这个重要的信息。本发明实施例中我们利用K均值聚类算法计算个体化的基准频率。
睡眠过程中,OSAHS打鼾者的上气道有两种状态:正常状态(未阻塞状态)和不正常状态(阻塞状态);而正常打鼾者只有一种状态,即正常状态。对于一个特定的OSAHS打鼾者来说,他一整晚鼾声的第一共振峰频率可以分为两类:第一类对应着正常状态的一类,第二类对应不正常状态的一类。我们可以将第一类的中心作为该打鼾者的基准频率。然而,由于正常打鼾者只有一种状态,如果我们强制的把一整晚鼾声的第一共振峰频率分为两类,我们可以将第一类的中心近似为基准频率。
当然,在实际应用中我们事先并不知道该打鼾者是否患病,根据上述的分析,对于一个特定的打鼾者,不管他是否患病,他一整晚鼾声的第一共振峰频率可以分为两类。而且我们可以将第一类的聚类中心作为我们获得个体化阈值的基准频率,这样我们就可以近似的获得每一位被筛查者的基准频率。
K均值聚类算法是一种传统的无监督的将数据分为K类的聚类算法,在此我们选择K均值聚类算法将鼾声的共振峰频率分为两种不同的类。
首先我们随机的选择两个初始聚类中心,聚类中心可以通过迭代算法得到:
(4)根据到每一个数据点到聚类中心的欧式距离最小的原则,将所有的数据分为两类;
(5)根据下式计算标准差函数:Err=||x(1)-m1||2+||x(2)-m2||2,其中:x(1)和x(2)分别表示聚类1和聚类2中的数据点,m1和m2分别表示聚类1和聚类2的聚类中心;
(6)如果当前的标准差函数之前的标准差函数相差大于10-5,计算两个类中所有数据的均值作为下次迭代的聚类中心,跳到步骤(1)。
K均值聚类算法将共振峰频率分为两类之后,较小当然聚类中心频率近似认为是该打鼾者的基准频率。
之前的研究已经提出阻塞时上气道的第一共振峰频率要高于正常状态的第一共振峰频率。当患有OSAHS的病人的上气道发生阻塞时,对应的口鼻气流较基础水平会下降50%以上,我们认为不正常鼾声的第一共振峰频率高于正常状况的2倍以上,即高于2倍以上的基准频率。因此我们在本文中认为个体化的阈值是基准频率的两倍左右,这个阈值用来区分正常鼾声的第一共振峰频率和非正常鼾声的第一共振峰频率。经过研究发现当个体化阈值为2.2倍的基准频率时可以达到较好的筛查结果。
步骤06,统计一小时内高于个体化阈值的最大共振峰频率个数,如果统计的个数大于5次/时,就初步将该打鼾者认为是OSAHS打鼾者,否则就认为是正常的打鼾者;
临床上,PSG检测过程中评判OSAHS的患病程度的指标是呼吸暂停-低通气指数(AHI),并认为如果AHI大于5次/时,就认为该打鼾这是OSAHS打鼾者,否则就认为是正常的打鼾者;在本发明实施例中,我们模拟PSG的检测标准AHI,统计一小时内不正常的鼾声段个数,并结合低通气的定义,即发生低通气时口鼻气流较基础水平下降50%以上并持续10s以上,如果一小时内不正常鼾声段的个数大于5次/时,初步认为该打鼾者是OSAHS打鼾者,反之就判为是单纯的打鼾者。
本发明实施例提供了一种筛查OSAHS的方法,通过利用鼾声的共振峰特性达到区分正常鼾声和不正常鼾声的目的,该发明实施例改进了目前已有算法中使用固定阈值时因为个体差异存在而带来的错误判断,该发明实施例利用K均值聚类算法找到每一个打鼾者的基准频率,根据基准频率为每一个打鼾者设定一个个体化的阈值来区分两类不同的鼾声段,个体化阈值的使用减少了由于个体差异存在导致的误判和漏检现象,提高的筛查系统的灵敏度和特异度,本发明实施例的方法应用在42例(30例OSAHS打鼾者和12例正常打鼾者)打鼾者的数据中可以得到90%的灵敏度和91.7%的特异度。
本发明的有益效果主要表现在:1、低成本;2、舒适、非接触;3、适用于各种人群;4、操作简单。
图2为本发明OSAHS筛查装置实施例的流程图,如图2所示,本发明的OSAHS筛查装置包括以下几个模块:
分帧模块11,用于接收带噪鼾声数据,对其进行分帧处理,将所述带噪鼾声数据分为有多个重叠的鼾声帧,并计算每个鼾声帧的短时能量,得到每一个鼾声帧的短时能量;
鼾声段检测模块12,与所述分帧模块连接,利用双门限的端点检测方法检测出所有的有声段;
预处理模块13,与所述的鼾声段检测模块相连接,此处我们仅利用鼾声的第一共振峰参数,将每一帧鼾声数据通过60-1000Hz的带通滤波器;为了减少频域中由于加窗造成的频谱泄露问题,此处我们使用如下式所示的窗函数:
实际处理的是中间的512个点,弱化两端的256点;
共振峰提取模块14,与所述的预处理模块连接,用于预测每一帧鼾声数据的AR模型系数,并根据所述的AR模型系数得到第一共振峰频率,计算公式为:F1=fs×θ1/2π,式中fs表示采样率,θ1表示AR模型中第一个极点的相位;
共振峰分类模块15,与所述的共振峰提取模块连接,用于求取每一个打鼾者的基准频率(上气道处于非阻塞状态时的共第一共振峰频率),将每一个打鼾者的一整晚鼾声的第一共振峰频率利用K均值聚类算法分为两类,将较小的聚类中心的频率认为是该打鼾者的基准频率。
睡眠过程中,OSAHS打鼾者的上气道有两种状态:正常状态(未阻塞状态)和不正常状态(阻塞状态);而正常打鼾者只有一种状态,即正常状态。对于一个特定的OSAHS打鼾者来说,他一整晚鼾声的第一共振峰频率可以分为两类:第一类对应着正常状态的一类,第二类对应不正常状态的一类。我们可以将第一类的中心作为该打鼾者的基准频率。然而,由于正常打鼾者只有一种状态,如果我们强制的把一整晚鼾声的第一共振峰频率分为两类,我们可以将第一类的中心近似为基准频率。
当然,在实际应用中我们事先并不知道该打鼾者是否患病,根据上述的分析,对于一个特定的打鼾者,不管他是否患病,他一整晚鼾声的第一共振峰频率可以分为两类。而且我们可以将第一类的聚类中心作为我们获得个体化阈值的基准频率,这样我们就可以近似的获得每一位被筛查者的基准频率。
该模块中同时还包括个体化阈值的确定模块,对于患有OSAHS的打鼾者来说,当该打鼾者发生低通气或是呼吸暂停时,其上气道会比正常情况窄50%以上,这将导致反应上气道宽窄程度的第一共振峰频率是基准频率的2倍以上。在本发明中我们发现当个体化阈值设定为2.2倍基准频率时会有较好的筛查结果。
初步判决模块16,与所述的共振峰分类模块连接,统计一小时内异常鼾声段的个数,如果高于设定的判定标准就初步认为是患有OSAHS的打鼾者,否则就认为是正常的打鼾者。
本发明实施例的OSAHS筛查方法及装置,通过利用鼾声数据的第一共振峰频率参数,结合K均值聚类算法设定个体化的阈值,并初次模拟PSG检测中AHI指标来实现OSAHS的初步筛查,改进了现有技术中由于个体差异存在导致的误判和漏检,提高了筛查的灵敏度和特异度。
图3、图4为本发明实施例实验过程中的一个例子。
图3中的S1,S2分别是两个正常打鼾者没有发病时的鼾声段,O3是OSAHS患者患病时的鼾声片段。
图4中对应的是三个鼾声片段的LPC频谱包络,对应的第一共振峰的频率分别为:527.86Hz、472.22Hz、469.33Hz,如果用一个固定的共振峰阈值470Hz作为区分正常鼾声和不正常鼾声的标准,则S1、S2被误判为有病的鼾声段,O3被误判为是无病的鼾声段。如果用一个个体化的阈值,能适应个体差异的标准来判断,三者的个体化阈值分别为:546.91Hz、530.39Hz、429.91Hz,利用不同的个体化阈值将会降低误判率,提高整个系统的灵敏度和特异度。
最后应该说明的是:以上实施例仅用以本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各试试例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种阻塞性睡眠呼吸暂停低通气综合症筛查方法,其特征在于,包括:
第一步:接收带噪鼾声数据,对其进行分帧处理,将鼾声数据分为有多个重叠的鼾声帧,并计算每个鼾声帧的短时能量,得到每一个鼾声帧的短时能量;
第二步:
利用双门限法进行鼾声段的端点检测,认为有声段的声音是鼾声数据;
第三步:将每一帧的鼾声数据通过一个60-1000Hz的带通滤波器,并对每一帧鼾声加窗处理;
本发明中我们仅利用鼾声的第一共振峰参数,而第一共振峰频率的分布范围在60-1000Hz范围内,因此将每一帧鼾声数据通过60-1000Hz的带通滤波器;为了减少频域中由于加窗造成的频谱泄露问题,使用如下式所示的窗函数:
实际处理的是中间的512个点,弱化两端的256点;
第四步:共振峰的提取是在AR模型基础之上进行的,将上气道看作是一个P阶的AR模型,并求出每一帧的第一共振峰频率;
估计每一帧预处理后鼾声的第一共振峰频率;将产生鼾声数据的上气道模型看作是一个全极点的AR模型,
用公式表示为
其中P为AR模型的阶数,ai为线性预测(LPC)系数,通过利用Levinson-Durbin递推算法求解Yule-Walker方程得到预测系数;根据所述的AR模型预测系数估计第一共振峰频率,
计算公式为:F1=fs×θ1/2π
式中fs表示采样率,θ1表示AR模型中第一个极点的相位;
第五步:将打鼾者整晚鼾声的第一共振峰频率用K均值聚类算法分为两类,其中较小的聚类中心可以看作是该打鼾者的基准频率,
每一个打鼾者的个体化阈值设定为2.2倍的基准频率,用来区分每一个打鼾者的鼾声是正常鼾声还是不正常鼾声;第六步:如果每一个鼾声段中最大第一共振峰频率高于个体化阈值,就将该帧所在的鼾声段认为是不正常的鼾声段,否则就认为是正常的鼾声,统计一小时内不正常鼾声段得个数,如果高于判断标准就初步认为是阻塞性睡眠呼吸暂停低通气综合症打鼾者,反之就认为是正常的打鼾者。
2.根据权利要求1所述的阻塞性睡眠呼吸暂停低通气综合症筛查方法,其特征在于,
步骤二中的所述的双门限法是改进的基于短时能量的双门限法端点检测方法,能量阈值自适应的过程:
En=λ*En-1+(1-λ)*en式中,
En为能量阈值,en为当前帧的短时能量值,λ取值为0.3。
3.根据权利要求1所述阻塞性睡眠呼吸暂停低通气综合症筛查方法,其特征在于,利用K均值聚类算法将每一个打鼾者整晚鼾声的第一共振峰频率分为两类,并将较小的聚类中心近似看作是基准频率,方法如下:
随机的选择两个初始聚类中心,聚类中心可以通过迭代算法得到:
(1)根据到每一个数据点到聚类中心的欧式距离最小的原则,将所有的数据分为两类;
(2)根据下式计算标准差函数:Err=||x(1)-m1||2+||x(2)-m2||2,其中:x(1)和x(2)分别表示聚类1和聚类2中的数据点,m1和m2分别表示聚类1和聚类2的聚类中心;
(3)如果当前的标准差函数之前的标准差函数相差大于10-5,计算两个类中所有数据的均值作为下次迭代的聚类中心,跳到步骤(1),
K均值聚类算法将共振峰频率分为两类之后,较小的聚类中心近似认为是该打鼾者的基准频率。
4.根据权利要求1所述的阻塞性睡眠呼吸暂停低通气综合症筛查方法,,其特征在于,
如果一小时内最大共振峰频率的个数大于5次/时,初步认为该打鼾者是阻塞性睡眠呼吸暂停低通气综合症打鼾者,反之就判为是单纯的打鼾者。
5.一种阻塞性睡眠呼吸暂停低通气综合症筛查装置,其特征在于,包括:
分帧模块,用于接收带噪鼾声数据,对其进行分帧处理,将所述带噪鼾声数据分为有多个重叠的鼾声帧,并计算每个鼾声帧的短时能量,得到每一个鼾声帧的短时能量;
鼾声段检测模块,与所述分帧模块连接,利用改进的双门限端点检测法检测出所有的鼾声段;
预处理模块,与所述的鼾声段检测模块相连接,本发明中我们仅利用鼾声的第一共振峰参数,将每一帧鼾声数据通过60-1000Hz的带通滤波器;为了减少频域中由于加窗造成的频谱泄露问题,此处我们使用如下式所示的窗函数:
实际处理的是中间的512个点,弱化两端的256点;
共振峰提取模块,与所述的预处理模块连接,用于估计每一帧预处理后鼾声的第一共振峰频率;首先利用线性预测(LPC)技术预测每一帧鼾声数据的AR模型系数,并根据所述的AR模型系数得到第一共振峰频率,计算公式为:F1=fs×θ1/2π,式中fs表示采样率,θ1表示AR模型中第一个极点的相位;
共振峰分类模块,与所述的共振峰提取模块连接,用于求取每一个打鼾者的基准频率(上气道处于非阻塞状态时的共第一共振峰频率),将每一个打鼾者的一整晚鼾声的第一共振峰频率利用K均值聚类算法分为两类,将较小的聚类中心的频率认为是该打鼾者的基准频率;将每一个打鼾者的个体化阈值设定为该打鼾者基准频率的2.2倍;
初步判决模块,与所述的共振峰分类模块连接,统计一小时内不正常鼾声段的个数,如果高于设定的判定阈值就初步认为是患有OSAHS的打鼾者,否则就认为是正常的打鼾者。
6.根据权利要求5所述的阻塞性睡眠呼吸暂停低通气综合症筛查装置,其特征在于,包括:
诊断标准数据存储模块,与初步判决模块相连接,用于存储判断阻塞性睡眠呼吸暂停低通气综合症的筛查标准和范围,包括:个体化阈值、阻塞性睡眠呼吸暂停低通气综合症的筛查标准,所述的阻塞性睡眠呼吸暂停低通气综合症S筛查标准为每小时的睡眠中有5次或以上超过个体化阈值的最大共振峰频率数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110289150 CN102499637B (zh) | 2011-09-26 | 2011-09-26 | 阻塞性睡眠呼吸暂停低通气综合症筛查装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110289150 CN102499637B (zh) | 2011-09-26 | 2011-09-26 | 阻塞性睡眠呼吸暂停低通气综合症筛查装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102499637A true CN102499637A (zh) | 2012-06-20 |
CN102499637B CN102499637B (zh) | 2013-11-06 |
Family
ID=46211819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110289150 Active CN102499637B (zh) | 2011-09-26 | 2011-09-26 | 阻塞性睡眠呼吸暂停低通气综合症筛查装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102499637B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103190911A (zh) * | 2013-04-16 | 2013-07-10 | 南京理工大学 | 基于鼾声共振峰和功率比轨迹的上气道变化监测方法 |
CN103345921A (zh) * | 2013-07-15 | 2013-10-09 | 南京理工大学 | 基于多特征的夜间睡眠声信号分析方法 |
CN103622697A (zh) * | 2013-11-27 | 2014-03-12 | 广州医学院第一附属医院 | 一种睡眠呼吸病理分型方法 |
CN103735267A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
CN104739412A (zh) * | 2013-12-29 | 2015-07-01 | 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 |
CN104905791A (zh) * | 2014-03-11 | 2015-09-16 | 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 |
CN105708487A (zh) * | 2016-01-14 | 2016-06-29 | 中山佳维电子有限公司 | 一种人体打鼾检测装置的打鼾检测控制方法 |
CN105962897A (zh) * | 2016-04-27 | 2016-09-28 | 南京理工大学 | 一种自适应的鼾声信号检测方法 |
CN106691382A (zh) * | 2016-12-26 | 2017-05-24 | 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 |
WO2017118126A1 (zh) * | 2016-01-05 | 2017-07-13 | 深圳和而泰智能控制股份有限公司 | 一种鼾声检测方法及装置 |
CN106999055A (zh) * | 2014-12-11 | 2017-08-01 | 皇家飞利浦有限公司 | 用于确定针对睡眠阶段分类的谱边界的系统和方法 |
CN107205652A (zh) * | 2014-12-05 | 2017-09-26 | 新加坡科技研究局 | 具有特征生成和自动映射的睡眠分析系统 |
CN108209930A (zh) * | 2016-12-22 | 2018-06-29 | 中国移动通信有限公司研究院 | 一种胎动计数方法及装置 |
CN109497949A (zh) * | 2018-12-12 | 2019-03-22 | 深圳融昕医疗科技有限公司 | 呼吸暂停类型的检测方法、装置、呼吸机和存储介质 |
CN110448401A (zh) * | 2019-09-04 | 2019-11-15 | 杭州深蓝睡眠科技有限公司 | 一种止鼾系统及止鼾方法 |
CN110570880A (zh) * | 2019-09-04 | 2019-12-13 | 杭州深蓝睡眠科技有限公司 | 一种鼾声信号识别方法 |
CN110634504A (zh) * | 2019-09-16 | 2019-12-31 | 北京理工大学 | 一种鼾声检测方法和装置 |
CN111938650A (zh) * | 2020-07-03 | 2020-11-17 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
CN113314143A (zh) * | 2021-06-07 | 2021-08-27 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
CN115120197A (zh) * | 2022-06-17 | 2022-09-30 | 歌尔股份有限公司 | 监测睡眠时呼吸状况的方法和装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2574596Y (zh) * | 2002-10-25 | 2003-09-24 | 张开逊 | 睡眠呼吸障碍快捷诊断监护装置 |
WO2010066008A1 (en) * | 2008-12-10 | 2010-06-17 | The University Of Queensland | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index |
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
- 2011-09-26 CN CN 201110289150 patent/CN102499637B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2574596Y (zh) * | 2002-10-25 | 2003-09-24 | 张开逊 | 睡眠呼吸障碍快捷诊断监护装置 |
WO2010066008A1 (en) * | 2008-12-10 | 2010-06-17 | The University Of Queensland | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index |
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 |
Non-Patent Citations (1)
Title |
---|
王莹等: "OSAHS患者与正常人上呼吸道流场特性比较", 《大连理工大学学报》, vol. 49, no. 4, 31 July 2009 (2009-07-31), pages 476 - 481 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103190911A (zh) * | 2013-04-16 | 2013-07-10 | 南京理工大学 | 基于鼾声共振峰和功率比轨迹的上气道变化监测方法 |
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 |
CN103345921A (zh) * | 2013-07-15 | 2013-10-09 | 南京理工大学 | 基于多特征的夜间睡眠声信号分析方法 |
CN103622697A (zh) * | 2013-11-27 | 2014-03-12 | 广州医学院第一附属医院 | 一种睡眠呼吸病理分型方法 |
WO2015078082A1 (zh) * | 2013-11-27 | 2015-06-04 | 张孝文 | 一种睡眠呼吸病理分型方法 |
CN103622697B (zh) * | 2013-11-27 | 2015-12-30 | 广州医学院第一附属医院 | 一种睡眠呼吸病理分型方法 |
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 |
CN104739412A (zh) * | 2013-12-29 | 2015-07-01 | 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 |
CN103735267A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
CN104905791A (zh) * | 2014-03-11 | 2015-09-16 | 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 |
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 |
CN107205652B (zh) * | 2014-12-05 | 2021-06-29 | 新加坡科技研究局 | 具有特征生成和自动映射的睡眠分析系统 |
CN107205652A (zh) * | 2014-12-05 | 2017-09-26 | 新加坡科技研究局 | 具有特征生成和自动映射的睡眠分析系统 |
CN106999055B (zh) * | 2014-12-11 | 2021-04-27 | 皇家飞利浦有限公司 | 用于确定针对睡眠阶段分类的谱边界的系统和方法 |
CN106999055A (zh) * | 2014-12-11 | 2017-08-01 | 皇家飞利浦有限公司 | 用于确定针对睡眠阶段分类的谱边界的系统和方法 |
WO2017118126A1 (zh) * | 2016-01-05 | 2017-07-13 | 深圳和而泰智能控制股份有限公司 | 一种鼾声检测方法及装置 |
CN105708487A (zh) * | 2016-01-14 | 2016-06-29 | 中山佳维电子有限公司 | 一种人体打鼾检测装置的打鼾检测控制方法 |
CN105708487B (zh) * | 2016-01-14 | 2018-06-26 | 中山佳维电子有限公司 | 一种人体打鼾检测装置的打鼾检测方法 |
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 |
CN105962897A (zh) * | 2016-04-27 | 2016-09-28 | 南京理工大学 | 一种自适应的鼾声信号检测方法 |
CN108209930A (zh) * | 2016-12-22 | 2018-06-29 | 中国移动通信有限公司研究院 | 一种胎动计数方法及装置 |
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 |
CN106691382A (zh) * | 2016-12-26 | 2017-05-24 | 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 |
CN109497949A (zh) * | 2018-12-12 | 2019-03-22 | 深圳融昕医疗科技有限公司 | 呼吸暂停类型的检测方法、装置、呼吸机和存储介质 |
CN110570880A (zh) * | 2019-09-04 | 2019-12-13 | 杭州深蓝睡眠科技有限公司 | 一种鼾声信号识别方法 |
CN110448401A (zh) * | 2019-09-04 | 2019-11-15 | 杭州深蓝睡眠科技有限公司 | 一种止鼾系统及止鼾方法 |
CN110570880B (zh) * | 2019-09-04 | 2022-02-18 | 杭州深蓝睡眠科技有限公司 | 一种鼾声信号识别方法 |
CN110634504A (zh) * | 2019-09-16 | 2019-12-31 | 北京理工大学 | 一种鼾声检测方法和装置 |
CN110634504B (zh) * | 2019-09-16 | 2021-09-21 | 北京理工大学 | 一种鼾声检测方法和装置 |
CN111938650A (zh) * | 2020-07-03 | 2020-11-17 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
CN111938650B (zh) * | 2020-07-03 | 2024-06-11 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
CN113314143A (zh) * | 2021-06-07 | 2021-08-27 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
CN113314143B (zh) * | 2021-06-07 | 2024-01-30 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
CN115120197A (zh) * | 2022-06-17 | 2022-09-30 | 歌尔股份有限公司 | 监测睡眠时呼吸状况的方法和装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102499637B (zh) | 2013-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102499637B (zh) | 阻塞性睡眠呼吸暂停低通气综合症筛查装置 | |
CN102429662B (zh) | 家庭环境中睡眠呼吸暂停综合征的筛查系统 | |
Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
CN108670200B (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
CN102458245B (zh) | 使用血氧饱和度信号辨别潮式呼吸模式 | |
Azarbarzin et al. | Automatic and unsupervised snore sound extraction from respiratory sound signals | |
Ozdas et al. | Investigation of vocal jitter and glottal flow spectrum as possible cues for depression and near-term suicidal risk | |
Nabi et al. | Characterization and classification of asthmatic wheeze sounds according to severity level using spectral integrated features | |
Almazaydeh et al. | Apnea detection based on respiratory signal classification | |
Jin et al. | Acoustic analysis of snoring in the diagnosis of obstructive sleep apnea syndrome: a call for more rigorous studies | |
JP7197922B2 (ja) | 機械学習装置、解析装置、機械学習方法および解析方法 | |
WO2018011801A1 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
Nabi et al. | Identification of asthma severity levels through wheeze sound characterization and classification using integrated power features | |
CN103190911B (zh) | 基于鼾声共振峰和功率比轨迹的上气道变化监测方法 | |
Knocikova et al. | Wavelet analysis of voluntary cough sound in patients with respiratory diseases | |
De Silva et al. | A method to screen obstructive sleep apnea using multi-variable non-intrusive measurements | |
Dafna et al. | OSA severity assessment based on sleep breathing analysis using ambient microphone | |
Travieso et al. | Building a Cepstrum-HMM kernel for Apnea identification | |
Beattie et al. | Classification of breathing events using load cells under the bed | |
Ghulam Nabi et al. | Wheeze sound analysis using computer-based techniques: A systematic review | |
Azarbarzin et al. | Unsupervised classification of respiratory sound signal into snore/no-snore classes | |
Kheddache et al. | Characterization of pathologic cries of newborns based on fundamental frequency estimation | |
Zhao et al. | A snoring detector for OSAHS based on patient's individual personality | |
Shi et al. | Obstructive sleep apnea detection using difference in feature and modified minimum distance classifier | |
Li et al. | Crackles detection method based on time-frequency features analysis and SVM |
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 |