CN103735267A - 一种基于鼾声筛查osahs的装置 - Google Patents

一种基于鼾声筛查osahs的装置 Download PDF

Info

Publication number
CN103735267A
CN103735267A CN201410000686.4A CN201410000686A CN103735267A CN 103735267 A CN103735267 A CN 103735267A CN 201410000686 A CN201410000686 A CN 201410000686A CN 103735267 A CN103735267 A CN 103735267A
Authority
CN
China
Prior art keywords
sound
signal
snoring
snoring signal
module
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
Application number
CN201410000686.4A
Other languages
English (en)
Other versions
CN103735267B (zh
Inventor
侯丽敏
张长恒
殷善开
易红良
孟丽丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201410000686.4A priority Critical patent/CN103735267B/zh
Publication of CN103735267A publication Critical patent/CN103735267A/zh
Application granted granted Critical
Publication of CN103735267B publication Critical patent/CN103735267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于鼾声筛查OSAHS的装置，该装置包括声音录音装置(1)、鼾声信号检测模块(2)、呼吸事件初次判断模块(3)、鼾声信号特征提取模块(4)、鼾声信号判别模块(5)、呼吸事件再次判断模块(6)、呼吸絮乱指数计算模块(7)，该装置首先检测得到每一个鼾声信号，判断相邻的鼾声信号之间是否存在呼吸事件，若存在，将第一呼吸事件之后的鼾声信号设定为候选鼾声信号；然后利用推土机距离(EMD)判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号，根据候选鼾声信号的判断结果进一步判断呼吸事件初次判断模块(3)中的第一呼吸事件是否正确；最后统计呼吸事件的次数，计算出患者的呼吸絮乱指数(AHI)，实现OSAHS的筛查。该装置具有操作简单，不影响患者睡眠，费用低等优点。

Description

一种基于鼾声筛查OSAHS的装置
技术领域
本发明涉及一种基于鼾声确定呼吸道阻塞引起的呼吸暂停或低通气的装置，具体地说是涉及一种基于鼾声筛查OSAHS的装置。
背景技术
阻塞性睡眠呼吸暂停低通气综合症(Obstructive Sleep Apnea-Hypopnea Syndrome, OSAHS)是一种睡眠时因上呼吸道阻塞引起的呼吸暂停或通气不足的呼吸障碍疾病。
目前用来诊断OSAHS的标准方法为多导睡眠仪(Polysomnography, PSG)，此仪器通过记录监测者睡眠时身体的多路体征信号的变化，确定身体是否患有OSAHS，并能够确定患者病情轻重程度。多导睡眠仪(PSG)记录的多路体征信号中有：脑电信号，眼动信号，心电图，肌电图，血氧饱和度信号，口鼻气流信号，咽部震动信号，其中判定患者是否发生呼吸暂停事件或低通气事件的主要依据是患者的口鼻气流信号。经文献检索，作者刘新兵、周明成在2012年出版的心血管康复医学杂志 (vol.21,No.3)上发表的“阻塞性睡眠呼吸暂停低通气综合症和心血管事件相关性及其机制探讨”一文，该文对阻塞性睡眠呼吸暂停低通气综合症中的呼吸暂停、低通气的判断提出的判断依据，文章中指出：呼吸暂停是指患者睡眠中口鼻气流完全停止>10秒；低通气是指呼吸强度较基础值降低>50%，并伴有血氧饱和度较基础值下降>4% ，且持续时间>10秒。呼吸暂停和低通气统称为呼吸事件，10秒为判断呼吸事件的阈值T。
上述多导睡眠仪(PSG)通过计算出呼吸紊乱指数(Apnea Hypopnea Index, AHI)，确定患者病情的严重程度。呼吸紊乱指数（AHI）的计算方法是将患者睡眠监测过程中，产生的呼吸暂停和低通气的次数除以睡眠时间，以次/小时为单位。医学标准规定，按照呼吸紊乱指数（AHI）值的不同，将OSAHS症状分为四类：
1、0< AHI ≤ 5属于正常；
2、5< AHI ≤ 15属于轻度OSAHS；
3、15< AHI≤ 30属于中度OSAHS；
4、AHI>30属于重度OSAHS。
目前用来诊断OSAHS的标准方法为多导睡眠仪(Polysomnography, PSG)，此仪器通过记录监测者睡眠时身体的多路体征信号的变化，确定身体是否患有OSAHS，并能够确定患者病情轻重程度。多导睡眠仪(PSG)记录的多路体征信号中有：脑电信号，眼动信号，心电图，肌电图，血氧饱和度信号，口鼻气流信号，咽部震动信号，其中判定患者是否发生呼吸暂停事件或低通气事件的主要依据是患者的口鼻气流信号。经文献检索，作者刘新兵、周明成在2012年出版的心血管康复医学杂志 (vol.21,No.3)上发表的“阻塞性睡眠呼吸暂停低通气综合症和心血管事件相关性及其机制探讨”一文，该文对阻塞性睡眠呼吸暂停低通气综合症中的呼吸暂停、低通气的判断提出的判断依据，文章中指出：呼吸暂停是指患者睡眠中口鼻气流完全停止>10秒；低通气是指呼吸强度较基础值降低>50%，并伴有血氧饱和度较基础值下降>4% ，且持续时间>10秒。呼吸暂停和低通气统称为呼吸事件，10秒为判断呼吸事件的阈值T。
上述多导睡眠仪(PSG)通过计算出呼吸紊乱指数(Apnea Hypopnea Index, AHI)，确定患者病情的严重程度。呼吸紊乱指数（AHI）的计算方法是将患者睡眠监测过程中，产生的呼吸暂停和低通气的次数除以睡眠时间，以次/小时为单位。医学标准规定，按照呼吸紊乱指数（AHI）值的不同，将OSAHS症状分为四类：
1、0< AHI ≤ 5属于正常；
2、5< AHI ≤ 15属于轻度OSAHS；
3、15< AHI≤ 30属于中度OSAHS；
4、AHI>30属于重度OSAHS。
目前，多导睡眠仪(PSG)作为诊断OSAHS的标准，用于对患者的症状进行诊断，但是也存在诸多不足。首先，利用多导睡眠仪(PSG)检查时，需要将口鼻热敏传感器等几十个电极导联到患者身体各处获取生理信号，不仅医护人员操作起来十分复杂，而且严重影响受检者的睡眠质量；其次，多导睡眠仪(PSG)检查一次价格昂贵，至少500元以上；最后，由于多导睡眠仪(PSG)检查设备复杂，操作不方便，影响睡眠质量，价格昂贵，导致部分患者得不到及时的治疗。为了设计一种鼾声筛查呼吸道阻塞引起的OSAHS的装置，检索了涉及利用推土机距离(Earth Mover's Distance，EMD)判别鼾声的相关文献。例如，作者邓剑勋、熊忠阳在2012出版的在四川大学学报 (vol.21,No.3)上发表的“基于EMD的融合特征快速多示例人脸识别算法”一文，该文提出的EMD的数学模型如下：
设某产品有m个产地                                               
Figure 424511DEST_PATH_IMAGE002
，供应量分别为
Figure 403968DEST_PATH_IMAGE004
；n个销地
Figure 183706DEST_PATH_IMAGE006
的需求量分别为
Figure 641232DEST_PATH_IMAGE008
；产品从产地
Figure 455604DEST_PATH_IMAGE010
运输到销地
Figure 340383DEST_PATH_IMAGE012
的单位运价为
Figure 607417DEST_PATH_IMAGE014
，求怎样分配从产地
Figure 806317DEST_PATH_IMAGE016
到销地
Figure 537512DEST_PATH_IMAGE018
的运输量
Figure 530876DEST_PATH_IMAGE020
，才能使总运输成本最小，其最小目标函数为：
                       
Figure 347523DEST_PATH_IMAGE022
                            (1)
约束条件为：
                  
Figure 84534DEST_PATH_IMAGE024
                 (2)
在式(2)的约束条件下，采用线性规划算法得到满足目标函数中的
Figure 670237DEST_PATH_IMAGE026
，得到
Figure 100081DEST_PATH_IMAGE026
之后，即得到
Figure 406953DEST_PATH_IMAGE028
和
Figure 744393DEST_PATH_IMAGE030
之间的EMD距离值，其计算表达式如下：
                           
Figure 387864DEST_PATH_IMAGE032
                          (3)。
发明内容
本发明的目的在于针对现有技术存在的不足，提供一种基于鼾声筛查OSAHS的装置，该装置具有操作简单，不影响患者睡眠，费用低等优点。
为了达到上述目的，本发明采用下述技术方案：
一种基于鼾声筛查OSAHS的方法，其具体操作步骤为：
(1)、采用声音录音装置，记录患者整个睡眠时间段的语音信号，将语音信号转换为WAV格式的语音信号；
(2)、对步骤(1)中所述的WAV格式的语音信号进行基于频谱能量的端点检测，检测得到每个鼾声信号； 
(3)、判断步骤(2)中所述的相邻的鼾声信号之间是否存在呼吸事件，设定步骤(2)中所述的相邻的鼾声信号的时间间隔为R秒，判断呼吸事件的阈值为T，当患者睡眠中口鼻气流持续时间大于呼吸事件阈值T，即，令T=10秒，若R≥10，则认为相邻的鼾声信号之间存在第一呼吸事件，将判断后的第一呼吸事件之后的鼾声信号设定为候选鼾声信号；若R <10，则认为相邻的鼾声信号之间不存在第一呼吸事件； 
(4)、对步骤(3)中所述的候选鼾声信号按帧提取候选鼾声信号的子带能量分布比例，该子带能量分布比例为候选鼾声信号的子带能量分布比例特征向量； 
(5)、采用EMD识别候选鼾声信号的子带能量分布比例特征向量，判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号，其中，简单鼾声信号为正常打鼾者的鼾声信号，OSAHS鼾声信号为OSAHS患者的鼾声信号； 
首先，确定简单鼾声信号的子带能量分布比例特征向量
Figure 785348DEST_PATH_IMAGE034
；
然后，确定EMD距离阈值TH；
最后，计算候选鼾声信号的子带能量分布比例特征向量
Figure 576586DEST_PATH_IMAGE033
与简单鼾声信号的子带能量分布比例特征向量
Figure 655401DEST_PATH_IMAGE034
之间的EMD距离值DS，若DS≥TH，则判断候选鼾声信号为OSAHS鼾声信号；若DS<TH，则判断候选鼾声信号为简单鼾声信号；
(6)、进一步判断上述步骤(3)中所判断的第一呼吸事件是否正确，若步骤(5)中所述的候选鼾声信号为OSAHS鼾声信号，则确认上述步骤(3)中所判断的第一呼吸事件是正确的，将上述步骤(3)中所判断的第一呼吸事件标记为呼吸事件；若步骤(5)中所述的候选鼾声信号为简单鼾声信号，则确认上述步骤(3)中所判断的第一呼吸事件是错误的，将上述步骤(3)中所判断的第一呼吸事件标记为非呼吸事件； 
(7)、统计语音信号中呼吸事件的次数，将语音信号中呼吸事件的次数除以语音信号的时间，得到患者的呼吸紊乱指数(AHI)。
一种基于鼾声筛查OSAHS的装置，该装置包括声音录音装置(1)、鼾声信号检测模块(2)、呼吸事件初次判断模块(3)、鼾声信号特征提取模块(4)、鼾声信号判别模块(5)、呼吸事件再次判断模块(6)、呼吸絮乱指数计算模块(7)，
所述的声音录音装置(1)，用于记录患者整个睡眠时间段的语音信号，将语音信号转换为WAV格式的语音信号；
所述的鼾声信号检测模块(2)，该模块与所述的声音录音装置(1)相连接，用于将声音录音装置(1)记录的WAV格式的语音信号进行基于频谱能量的端点检测，检测得到每个鼾声信号； 
所述的呼吸事件初次判断模块(3)，该模块与所述的鼾声信号检测模块(2)相连接，用于判断鼾声信号检测模块(2)中的相邻的鼾声信号之间是否存在呼吸事件，设定鼾声信号检测模块(2)中所述的相邻的鼾声信号的时间间隔为R秒，判断呼吸事件的阈值为T，当患者睡眠中口鼻气流持续时间大于呼吸事件阈值T，即，令T=10秒，若R≥10，则认为相邻的鼾声信号之间存在第一呼吸事件，将判断后的第一呼吸事件之后的鼾声信号设定为候选鼾声信号；若R<10，则认为相邻的鼾声信号之间不存在第一呼吸事件；
所述的鼾声信号特征提取模块(4)，该模块与所述的呼吸事件初次判断模块(3)相连接，用于按帧提取候选鼾声信号的子带能量分布比例，该子带能量分布比例为候选鼾声信号的子带能量分布比例特征向量
Figure 153378DEST_PATH_IMAGE033
； 
所述的鼾声信号判别模块(5)，该模块与所述的鼾声信号特征提取模块(4)相连接，采用EMD识别候选鼾声信号的特征向量
Figure 987342DEST_PATH_IMAGE033
，判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号，其中，简单鼾声信号为正常打鼾者的鼾声信号，OSAHS鼾声信号为OSAHS患者的鼾声信号；
首先，确定简单鼾声信号的子带能量分布比例特征向量
Figure 937980DEST_PATH_IMAGE034
；
然后，确定EMD距离阈值TH； 
最后，计算候选鼾声信号的子带能量分布比例特征向量
Figure 820486DEST_PATH_IMAGE033
与简单鼾声信号的子带能量分布比例特征向量
Figure 235286DEST_PATH_IMAGE034
之间的EMD距离值DS，若DS≥TH，则判断候选鼾声信号为OSAHS鼾声信号；若DS<TH，则判断候选鼾声信号为简单鼾声信号；
所述的呼吸事件再次判断模块(6)，该模块与所述的鼾声信号判别模块(5)相连接，用于进一步判断上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是否正确，若鼾声信号判别模块(5)中所述的候选鼾声信号为OSAHS鼾声信号，则确认上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是正确的，将上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件标记为呼吸事件；若鼾声信号判别模块(5)中所述的候选鼾声信号为简单鼾声信号，则确认上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是错误的，将上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件标记为非呼吸事件；
所述的呼吸絮乱指数计算模块(7)，与所述的呼吸事件再次判断模块(6)相连接，用于计算患者的呼吸紊乱指数(AHI)，统计语音信号中呼吸事件的次数，将语音信号中呼吸事件的次数除以语音信号的时间，得到患者的呼吸紊乱指数(AHI)。
本发明的一种基于鼾声筛查OSAHS的装置与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：利用本发明装置检查时，不需要将口鼻热敏传感器等多个电极导联到患者身体各处获取生理信号，仅需要将麦克风固定在距离患者口鼻处15cm处，记录患者整个睡眠时间段的语音信号，通过分析患者的语音信号实现OSAHS的筛查；同时，本发明装置检查一次的价格在500元以内，低于多导睡眠仪(PSG)检查一次的价格。总之，本发明方法具有操作简单，不影响患者睡眠，费用低等优点。
附图说明
图1是本发明方法的流程图；
图2是本发明的装置的结构示意图；
图3是采用本发明的装置诊断OSAHS的正确率的统计表。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
如图1所示，一种基于鼾声筛查OSAHS的方法，包括如下步骤：
(1)、采用声音录音装置，记录患者整个睡眠时间段的语音信号，录音的方案设定为对患者采用非接触式麦克风，麦克风型号为Sony EM-C10，频率响应范围是50Hz到16000Hz，录音时固定在距离患者口鼻处约15cm距离处，使用Windows下的音频软件Adobe Audition 3.0对鼾声信号进行记录并保存于电脑中，录音的格式设定为WAV，采用8kHz采样，16bit量化，语音信号的信噪比SNR≥10dB；
(2)、对步骤(1)中所述的WAV格式的语音信号进行基于频谱能量的端点检测，检测得到每个鼾声信号； 
所述步骤(2)中的基于频谱能量的端点检测的具体步骤为：
(2-1)、对步骤(1)中所述的WAV格式的语音信号进行分帧，得到语音信号中的每一帧信号，其中，帧长为32ms，帧移为16ms；
(2-2)、对步骤(2-1)中所述的每一帧信号进行离散傅里叶变换(DFT)，得到每一帧信号的短时谱，离散傅里叶变换的计算公式如下：
                   
Figure 177835DEST_PATH_IMAGE036
            (4)
其中，
Figure DEST_PATH_IMAGE037
为一帧信号的采样值，
Figure 678086DEST_PATH_IMAGE038
为一帧信号的短时谱，
Figure DEST_PATH_IMAGE039
为DFT的窗宽，
Figure 98703DEST_PATH_IMAGE039
=256；
(2-3)、对步骤(2-1)中所述的每一帧信号，每一帧信号的频谱范围为0到4000Hz，将每一帧信号的频谱在整个频谱范围内划分为8个子带，每个子带的带宽为500Hz，计算得到每一帧信号的频谱总能量
Figure 633590DEST_PATH_IMAGE040
及每一帧信号中的8个子带的频谱能量
Figure DEST_PATH_IMAGE041
，每一帧信号的频谱总能量的计算公式如下：
                        
Figure DEST_PATH_IMAGE043
                         (5)
其中，
Figure 749235DEST_PATH_IMAGE038
为一帧信号的短时谱，
Figure 35860DEST_PATH_IMAGE040
为一帧信号的频谱总能量；
每一帧信号中的第m个子带的频谱能量
Figure 97357DEST_PATH_IMAGE041
的计算公式如下：
                   
Figure DEST_PATH_IMAGE045
                    (6)
其中，
Figure 444025DEST_PATH_IMAGE038
为一帧信号的短时谱，
Figure 856551DEST_PATH_IMAGE041
为一帧信号中的第m个子带的频谱能量； 
(2-4)、对步骤(2-3)中所述的每一帧信号的频谱总能量按照从小到大排序，得到频谱总能量的最小值
Figure DEST_PATH_IMAGE047
，则认为
Figure 946867DEST_PATH_IMAGE047
相对应的一帧信号为噪声信号；
(2-5)、对步骤(2-4)中所述的噪声信号，计算该帧信号中的8个子带的频谱能量
Figure DEST_PATH_IMAGE049
，其中，
Figure DEST_PATH_IMAGE051
，乘以提升系数
Figure DEST_PATH_IMAGE053
，得到步骤(2-1)中所述的每一帧信号中的8个子带的噪声能量阈值
Figure DEST_PATH_IMAGE055
，其中，
Figure DEST_PATH_IMAGE057
，
Figure 253084DEST_PATH_IMAGE053
=2.5；
(2-6)、对步骤(2-1)中所述的每一帧信号，判断每一帧信号中的8个子带的频谱能量
Figure DEST_PATH_IMAGE059
是否大于对应子带的噪声能量阈值
Figure DEST_PATH_IMAGE061
，设一帧信号中有
Figure DEST_PATH_IMAGE063
个子带的频谱能量大于对应子带的噪声能量阈值
Figure DEST_PATH_IMAGE065
，
Figure 467213DEST_PATH_IMAGE063
的计算公式为：
Figure DEST_PATH_IMAGE067
，其中，
Figure DEST_PATH_IMAGE069
，
Figure DEST_PATH_IMAGE071
，若
Figure 98570DEST_PATH_IMAGE063
≥5，则认为该帧信号为鼾声信号；若
Figure 462556DEST_PATH_IMAGE063
<5，则认为该帧信号为非鼾声信号； 
(2-7)、设有持续N帧信号为鼾声信号，若N≥10,将N帧信号合并为一个鼾声信号；
(3)、判断步骤(2)中所述的相邻的鼾声信号之间是否存在呼吸事件，设定步骤(2)中所述的相邻的鼾声信号的时间间隔为R秒，判断呼吸事件的阈值为T，当患者睡眠中口鼻气流持续时间大于呼吸事件阈值T，即，令T=10秒，若R≥10，则认为相邻的鼾声信号之间存在第一呼吸事件，将判断后的第一呼吸事件之后的鼾声信号设定为候选鼾声信号；若R<10，则认为相邻的鼾声信号之间不存在第一呼吸事件；
(4)、对步骤(3)中所述的候选鼾声信号按帧提取候选鼾声信号的子带能量分布比例，该子带能量分布比例为候选鼾声信号的子带能量分布比例特征向量
Figure DEST_PATH_IMAGE073
；
具体地说，设步骤(3)中所述的候选鼾声信号有N帧信号，对N帧信号中的每一帧信号，首先将每一帧信号的频谱在0到4000Hz范围内划分为8个子带，每个子带的带宽为500Hz，计算出每个子带的频谱能量占频谱总能量的百分比，得到每一帧信号的子带能量分布比例，然后计算出该候选鼾声信号的子带能量分布比例
Figure DEST_PATH_IMAGE075
，
Figure 885447DEST_PATH_IMAGE075
的计算表达式如下：
                     
Figure DEST_PATH_IMAGE077
                          (7)
其中，
Figure DEST_PATH_IMAGE079
为候选鼾声信号中第n帧信号的子带能量分布比例，N为候选鼾声信号的帧数，该子带能量分布比例
Figure 334883DEST_PATH_IMAGE075
为候选鼾声信号的子带能量分布比例特征向量；
(5)、采用EMD识别候选鼾声信号的特征向量
Figure 657597DEST_PATH_IMAGE073
，判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号，其中，简单鼾声信号为正常打鼾者的鼾声信号，OSAHS鼾声信号为OSAHS患者的鼾声信号；
所述步骤(5)中利用EMD判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号的具体步骤为：
 (5-1)、确定简单鼾声信号的子带能量分布比例特征向量；
(5-2)、确定EMD距离阈值TH；
(5-3)、计算候选鼾声信号的子带能量分布比例特征向量
Figure 454651DEST_PATH_IMAGE073
与简单鼾声信号的子带能量分布比例特征向量
Figure 125804DEST_PATH_IMAGE081
之间的EMD距离值DS，若DS≥TH，则判断候选鼾声信号为OSAHS鼾声信号；若DS<TH，则判断候选鼾声信号为简单鼾声信号。
所述步骤(5-1)中的简单鼾声信号的子带能量分布比例特征向量的确定步骤为：
(5-1-1)、选取120名患者作为统计对象，录音环境为医院睡眠监测病房，所有患者在记录语音信号的同时进行多导睡眠仪(PSG)的监测，根据多导睡眠仪(PSG)的诊断结果可将120名患者分为四类：正常打鼾者、轻度OSAHS患者、中度OSAHS患者和重度OSAHS患者，每类患者有30名，对30名正常打鼾者的语音信号，分别得到5个鼾声信号，共计150个鼾声信号； 
(5-1-2)、首先求得步骤(5-1-1)中所述的150个鼾声信号的子带能量分布比例特征向量，然后计算出150个鼾声信号的子带能量分布比例特征向量的平均值，作为简单鼾声信号的子带能量分布比例特征向量
Figure 309978DEST_PATH_IMAGE081
，
Figure 340251DEST_PATH_IMAGE081
的计算表达式如下：
                      
Figure DEST_PATH_IMAGE083
                        (8)
其中，
Figure DEST_PATH_IMAGE085
为第n个鼾声信号的子带能量分布比例特征向量。
所述步骤(5-2)中的EMD距离阈值的确定步骤为：
(5-2-1)、对步骤(5-1-1)中所述的150个鼾声信号，将150个鼾声信号记为
Figure DEST_PATH_IMAGE087
；对步骤(5-1-1)中所述的90名OSAHS患者的语音信号，分别得到5个鼾声信号，共计450个鼾声信号，将450个鼾声信号记为
Figure DEST_PATH_IMAGE089
，鼾声信号
Figure DEST_PATH_IMAGE091
和鼾声信号
Figure DEST_PATH_IMAGE093
共计600个；
(5-2-2)、对步骤(5-2-1)中所述的600个鼾声信号，求得每一个鼾声信号的子带能量分布比例特征向量与简单鼾信号的子带能量分布比例特征向量
Figure 563946DEST_PATH_IMAGE081
之间的EMD距离值,其中，150个鼾声信号
Figure DEST_PATH_IMAGE095
的子带能量分布比例特征向量与简单鼾声信号的子带能量分布比例特征向量
Figure 337867DEST_PATH_IMAGE081
之间的EMD距离值集合
Figure 203055DEST_PATH_IMAGE097
为
Figure 404229DEST_PATH_IMAGE099
，450个鼾声信号
Figure 987657DEST_PATH_IMAGE093
的子带能量分布比例特征向量与简单鼾声信号的子带能量分布比例特征向量
Figure 237373DEST_PATH_IMAGE081
之间的EMD距离值集合
Figure DEST_PATH_IMAGE101
为
Figure DEST_PATH_IMAGE103
；
(5-2-3)、当EMD距离阈值TH为190时，150个鼾声信号
Figure DEST_PATH_IMAGE105
的子带能量分布比例特征向量与简单鼾声信号的子带能量分布比例特征向量
Figure 347280DEST_PATH_IMAGE081
之间的EMD距离值集合
Figure 657039DEST_PATH_IMAGE097
中所有的值均小于EMD距离阈值TH, 450个鼾声信号
Figure 727763DEST_PATH_IMAGE093
的子带能量分布比例特征向量与简单鼾声信号的子带能量分布比例特征向量
Figure 843487DEST_PATH_IMAGE081
之间的EMD距离值集合
Figure 683267DEST_PATH_IMAGE101
中所有的值均大于EMD距离阈值TH，因此EMD距离阈值设定为190；
 (6)、进一步判断上述步骤(3)中所判断的第一呼吸事件是否正确，若步骤(5)中所述的候选鼾声信号为OSAHS鼾声信号，则确认上述步骤(3)中所判断的第一呼吸事件是正确的，将上述步骤(3)中所判断的第一呼吸事件标记为呼吸事件；若步骤(5)中所述的候选鼾声信号为简单鼾声信号，则确认上述步骤(3)中所判断的第一呼吸事件是错误的，将上述步骤(3)中所判断的第一呼吸事件标记为非呼吸事件； 
(7)、统计语音信号中呼吸事件的次数，将语音信号中呼吸事件的次数除以语音信号的时间，得到患者的呼吸絮乱指数(AHI)。
如图2所示，一种基于鼾声筛查OSAHS的装置，该装置包括声音录音装置(1)、鼾声信号检测模块(2)、呼吸事件初次判断模块(3)、鼾声信号特征提取模块(4)、鼾声信号判别模块(5)、呼吸事件再次判断模块(6)、呼吸絮乱指数计算模块(7)，
所述的声音录音装置(1)，用于记录患者整个睡眠时间段的语音信号，将语音信号转换为WAV格式的语音信号；
所述的鼾声信号检测模块(2)，该模块与所述的声音录音装置(1)相连接，用于将声音录音装置(1)中记录的WAV格式的语音信号进行基于频谱能量的端点检测，检测得到每个鼾声信号； 
所述的呼吸事件初次判断模块(3)，该模块与所述的鼾声信号检测模块(2)相连接，用于判断鼾声信号检测模块(2)中的相邻的鼾声信号之间是否存在呼吸事件，设定鼾声信号检测模块(2)中所述的相邻的鼾声信号的时间间隔为R秒，判断呼吸事件的阈值为T，当患者睡眠中口鼻气流持续时间大于呼吸事件阈值T，即，令T=10秒，若R≥10，则认为相邻的鼾声信号之间存在第一呼吸事件，将判断后的第一呼吸事件之后的鼾声信号设定为候选鼾声信号；若R<T，则认为相邻的鼾声信号之间不存在第一呼吸事件；
所述的鼾声信号特征提取模块(4)，该模块与所述的呼吸事件初次判断模块(3)相连接，用于按帧提取候选鼾声信号的子带能量分布比例，该子带能量分布比例为候选鼾声信号的子带能量分布比例特征向量
Figure 163926DEST_PATH_IMAGE073
；
具体地说，设呼吸事件初次判断模块(3)中所述的候选鼾声信号有N帧信号，对N帧信号中的每一帧信号，将每一帧信号的频谱在0到4000Hz范围内划分为8个子带，每个子带的带宽为500Hz，计算出每个子带的频谱能量占频谱总能量的百分比，得到每一帧信号的子带能量分布比例，最后计算出该候选鼾声信号的的子带能量分布比例，
Figure 375782DEST_PATH_IMAGE075
的计算表达式如下：
                       
Figure DEST_PATH_IMAGE107
                        (9)
其中，为候选鼾声信号中第n帧信号的子带能量分布比例，N为候选鼾声信号的帧数，该子带能量分布比例
Figure 132385DEST_PATH_IMAGE075
为候选鼾声信号的子带能量分布比例特征向量
Figure 783947DEST_PATH_IMAGE075
；
所述的鼾声信号判别模块(5)，该模块与所述的鼾声信号特征提取模块(4)相连接，采用EMD识别候选鼾声信号的特征向量
Figure 894510DEST_PATH_IMAGE073
，判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号，其中，简单鼾声信号为正常打鼾者的鼾声信号，OSAHS鼾声信号为OSAHS患者的鼾声信号；
首先，确定简单鼾声信号的子带能量分布比例特征向量；
然后，确定EMD距离阈值TH；
最后，计算候选鼾声信号的子带能量分布比例特征向量与简单鼾声信号的子带能量分布比例特征向量之间的EMD距离值DS，若DS≥TH，则判断候选鼾声信号为OSAHS鼾声信号；若DS<TH，则判断候选鼾声信号为简单鼾声信号；
所述的呼吸事件再次判断模块(6)，该模块与所述的鼾声信号判别模块(5)相连接，用于进一步判断上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是否正确，若鼾声信号判别模块(5)所述的候选鼾声信号为OSAHS鼾声信号，则确认上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是正确的，将上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件标记为呼吸事件；若鼾声信号判别模块(5)中所述的候选鼾声信号为简单鼾声信号，则确认上述呼吸事件初次判断模块(3)中所判断的呼吸事件是错误的，将上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件标记为非呼吸事件；
所述的呼吸絮乱指数计算模块(7)，与所述的呼吸事件再次判断模块(6)相连接，用于计算患者的呼吸紊乱指数(AHI)，统计语音信号中呼吸事件的次数，将语音信号中呼吸事件的次数除以语音信号的时间，得到患者的呼吸紊乱指数(AHI)。
为了验证使用本发明的一种基于鼾声筛查OSAHS的装置的效果，采用本发明的装置与多导睡眠仪(PSG)分别计算上述120名患者的呼吸絮乱指数(AHI)，呼吸絮乱指数(AHI)的对比表1所示：
Figure DEST_PATH_IMAGE110
Figure DEST_PATH_IMAGE111
Figure DEST_PATH_IMAGE112
表1中AHI by PSG一栏表示采用多导睡眠仪(PSG)计算出的呼吸絮乱指数(AHI)，AHI by EMD一栏表示采用本发明的装置计算出的呼吸絮乱指数(AHI)，根据多导睡眠仪(PSG)计算出的呼吸絮乱指数(AHI)将120名患者分为四类：正常打鼾者、轻度OSAHS患者、中度OSAHS患者和重度OSAHS患者，每类患者30名，分别用S.1~S.30，L.1~L.30，M.1~M.30，H.1~H.30表示。对上述患者采用本发明的装置诊断的正确率的表2，如图3所示，表2中患者人数一行表示四类患者各有30名，正确人数一行表示采用本发明的装置分别对上述四类患者进行诊断的正确人数，正确率一行表示采用本发明的装置分别对上述四类患者进行诊断的正确率。从表1、表2中可以看出，本发明的装置计算出的呼吸絮乱指数(AHI)和多导睡眠仪(PSG)计算出的呼吸絮乱指数(AHI)保持较好的一致性，本发明的装置诊断的正确率达到92.5%，可用于OSAHS的筛查。
以上实施例仅用以本发明的技术方案，而非对其限制；尽管参照前实施例对本发明进行详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施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到的保护范围。 

Claims (2)

1.一种基于鼾声筛查OSAHS的装置，其特征在于，该装置包括声音录音装置(1)、鼾声信号检测模块(2)、呼吸事件初次判断模块(3)、鼾声信号特征提取模块(4)、鼾声信号判别模块(5) 、 呼吸事件再次判断模块(6)、呼吸絮乱指数计算模块(7)，
所述的声音录音装置(1)，用于记录患者整个睡眠时间段的语音信号，将语音信号转换为WAV格式的语音信号；
所述的鼾声信号检测模块(2)，该模块与所述的声音录音装置(1)相连接，用于将声音录音装置(1)记录的WAV格式的语音信号进行基于频谱能量的端点检测，检测得到每个鼾声信号； 
所述的呼吸事件初次判断模块(3)，该模块与所述的鼾声信号检测模块(2)相连接，用于判断鼾声信号检测模块(2)中的相邻的鼾声信号之间是否存在呼吸事件，设定鼾声信号检测模块(2)中所述的相邻的鼾声信号的时间间隔为R秒，判断呼吸事件的阈值为T，当患者睡眠中口鼻气流持续时间大于呼吸事件阈值T，即，令T=10秒，若R≥10，则认为相邻的鼾声信号之间存在第一呼吸事件，将判断后的第一呼吸事件之后的鼾声信号设定为候选鼾声信号；若R<10，则认为相邻的鼾声信号之间不存在第一呼吸事件；
所述的鼾声信号特征提取模块(4)，该模块与所述的呼吸事件初次判断模块(3)相连接，用于按帧提取候选鼾声信号的子带能量分布比例，该子带能量分布比例为候选鼾声信号的子带能量分布比例特征向量                                               
Figure 2014100006864100001DEST_PATH_IMAGE002
； 
所述的鼾声信号判别模块(5)，该模块与所述的鼾声信号特征提取模块(4)相连接，采用EMD识别候选鼾声信号的特征向量，判断候选鼾声信号为简单鼾声信号还是OSAHS鼾声信号，其中，简单鼾声信号为正常打鼾者的鼾声信号，OSAHS鼾声信号为OSAHS患者的鼾声信号；
首先，确定简单鼾声信号的子带能量分布比例特征向量
Figure 2014100006864100001DEST_PATH_IMAGE004
；
然后，确定EMD距离阈值TH； 
最后，计算候选鼾声信号的子带能量分布比例特征向量
Figure 856544DEST_PATH_IMAGE002
与简单鼾声信号的子带能量分布比例特征向量
Figure 636281DEST_PATH_IMAGE004
之间的EMD距离值DS，若DS≥TH，则判断候选鼾声信号为OSAHS鼾声信号；若DS<TH，则判断候选鼾声信号为简单鼾声信号；
所述的呼吸事件再次判断模块(6)，该模块与所述的鼾声信号判别模块(5)相连接，用于进一步判断上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是否正确，若鼾声信号判别模块(5)中所述的候选鼾声信号为OSAHS鼾声信号，则确认上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是正确的，将上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件标记为呼吸事件；若鼾声信号判别模块(5)中所述的候选鼾声信号为简单鼾声信号，则确认上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件是错误的，将上述呼吸事件初次判断模块(3)中所判断的第一呼吸事件标记为非呼吸事件；
所述的呼吸絮乱指数计算模块(7)，与所述的呼吸事件再次判断模块(6)相连接，用于计算患者的呼吸紊乱指数(AHI)，统计语音信号中呼吸事件的次数，将语音信号中呼吸事件的次数除以语音信号的时间，得到患者的呼吸紊乱指数(AHI)。
2.根据权利要求1所述的一种基于鼾声筛查OSAHS的装置，其特征在于，所述的鼾声信号特征提取模块(4)，该模块与所述的呼吸事件初次判断模块(3)相连接，用于按帧提取候选鼾声信号的子带能量分布比例，该子带能量分布比例为候选鼾声信号的子带能量分布比例特征向量
Figure 31491DEST_PATH_IMAGE002
； 
具体地说，设呼吸事件初次判断模块(3)中所述的候选鼾声信号有N帧信号，对N帧信号中的每一帧信号，将每一帧信号的频谱在0到4000Hz范围内划分为8个子带，每个子带的带宽为500Hz，计算出每个子带的频谱能量占频谱总能量的百分比，得到每一帧信号的子带能量分布比例，最后计算出该候选鼾声信号的的子带能量分布比例，的计算表达式如下：
                                               (9)
其中，为候选鼾声信号中第n帧信号的子带能量分布比例，N为候选鼾声信号的帧数，该子带能量分布比例
Figure 730642DEST_PATH_IMAGE006
为候选鼾声信号的子带能量分布比例特征向量
Figure 997675DEST_PATH_IMAGE006
。
CN201410000686.4A 2014-01-02 2014-01-02 一种基于鼾声筛查osahs的装置 Active CN103735267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410000686.4A CN103735267B (zh) 2014-01-02 2014-01-02 一种基于鼾声筛查osahs的装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410000686.4A CN103735267B (zh) 2014-01-02 2014-01-02 一种基于鼾声筛查osahs的装置

Publications (2)

Publication Number Publication Date
CN103735267A true CN103735267A (zh) 2014-04-23
CN103735267B CN103735267B (zh) 2016-03-30

Family

ID=50492394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410000686.4A Active CN103735267B (zh) 2014-01-02 2014-01-02 一种基于鼾声筛查osahs的装置

Country Status (1)

Country Link
CN (1) CN103735267B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105662417A (zh) * 2015-12-31 2016-06-15 沈阳迈思医疗科技有限公司 一种基于压力信号特征识别鼾声的控制方法及装置
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
CN108670200A (zh) * 2018-05-30 2018-10-19 华南理工大学 一种基于深度学习的睡眠鼾声分类检测方法及系统
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
CN114224320A (zh) * 2021-12-31 2022-03-25 深圳融昕医疗科技有限公司 自适应多通道信号融合的鼾声检测方法、设备及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1803089A (zh) * 2006-01-20 2006-07-19 浙江工业大学 无拘束、非察觉性的睡眠障碍测量装置及其方法
US20080243014A1 (en) * 2007-03-28 2008-10-02 Zahra Moussavi Breathing sound analysis for detection of sleep apnea/popnea events
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
CN202069591U (zh) * 2011-04-14 2011-12-14 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
CN102429662A (zh) * 2011-11-10 2012-05-02 大连理工大学 家庭环境中睡眠呼吸暂停综合征的筛查系统
CN102499637A (zh) * 2011-09-26 2012-06-20 大连理工大学 阻塞性睡眠呼吸暂停低通气综合症筛查方法及其装置
CN102579010A (zh) * 2012-03-01 2012-07-18 上海大学 据鼾声确定阻塞性睡眠呼吸暂停与低通气综合症的方法
CN103006182A (zh) * 2012-12-06 2013-04-03 浙江工业大学 家用睡眠呼吸暂停综合症的初步检测系统
US20130184601A1 (en) * 2010-08-26 2013-07-18 Mor Research Applications Ltd. Apparatus and method for diagnosing obstructive sleep apnea
CN103251388A (zh) * 2013-04-25 2013-08-21 北京大学深圳研究生院 基于智能手机平台的打鼾监测和防治方法及系统
US20130253357A1 (en) * 2010-05-24 2013-09-26 University Of Manitoba System and methods of acoustical screening for obstructive sleep apnea during wakefulness

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1803089A (zh) * 2006-01-20 2006-07-19 浙江工业大学 无拘束、非察觉性的睡眠障碍测量装置及其方法
US20080243014A1 (en) * 2007-03-28 2008-10-02 Zahra Moussavi Breathing sound analysis for detection of sleep apnea/popnea events
US20130253357A1 (en) * 2010-05-24 2013-09-26 University Of Manitoba System and methods of acoustical screening for obstructive sleep apnea during wakefulness
US20130184601A1 (en) * 2010-08-26 2013-07-18 Mor Research Applications Ltd. Apparatus and method for diagnosing obstructive sleep apnea
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
CN202069591U (zh) * 2011-04-14 2011-12-14 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
CN102499637A (zh) * 2011-09-26 2012-06-20 大连理工大学 阻塞性睡眠呼吸暂停低通气综合症筛查方法及其装置
CN102429662A (zh) * 2011-11-10 2012-05-02 大连理工大学 家庭环境中睡眠呼吸暂停综合征的筛查系统
CN102579010A (zh) * 2012-03-01 2012-07-18 上海大学 据鼾声确定阻塞性睡眠呼吸暂停与低通气综合症的方法
CN103006182A (zh) * 2012-12-06 2013-04-03 浙江工业大学 家用睡眠呼吸暂停综合症的初步检测系统
CN103251388A (zh) * 2013-04-25 2013-08-21 北京大学深圳研究生院 基于智能手机平台的打鼾监测和防治方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋伟，殷善开，易红良等: "一种基于鼾声分析诊断OSAHS的新技术", 《2012年第七届中国睡眠研究会年会暨金陵国际研讨会论文汇编》, 18 October 2012 (2012-10-18) *
熊园平，易红良，孟丽丽等: "便携式睡眠监测与多道睡眠监测相关性初步研究", 《中国耳鼻咽喉头颈外科》, vol. 18, no. 8, 31 August 2011 (2011-08-31) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105662417A (zh) * 2015-12-31 2016-06-15 沈阳迈思医疗科技有限公司 一种基于压力信号特征识别鼾声的控制方法及装置
CN105662417B (zh) * 2015-12-31 2018-09-28 沈阳迈思医疗科技有限公司 一种基于压力信号特征识别鼾声的控制方法及装置
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
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
CN108670200A (zh) * 2018-05-30 2018-10-19 华南理工大学 一种基于深度学习的睡眠鼾声分类检测方法及系统
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
CN114224320A (zh) * 2021-12-31 2022-03-25 深圳融昕医疗科技有限公司 自适应多通道信号融合的鼾声检测方法、设备及系统
CN114224320B (zh) * 2021-12-31 2023-01-17 深圳融昕医疗科技有限公司 自适应多通道信号融合的鼾声检测方法、设备及系统

Also Published As

Publication number Publication date
CN103735267B (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
US20210128075A1 (en) Discrimination of cheyne stokes breathing patterns
US10278639B2 (en) Method and system for sleep detection
Azarbarzin et al. Automatic and unsupervised snore sound extraction from respiratory sound signals
CN103687540B (zh) 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa
US10506969B2 (en) Acoustic upper airway assessment system and method, and sleep apnea assessment system and method relying thereon
Almazaydeh et al. Apnea detection based on respiratory signal classification
Almazaydeh et al. A neural network system for detection of obstructive sleep apnea through SpO2 signal features
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
US20120071741A1 (en) Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals
Solà-Soler et al. Multiclass classification of subjects with sleep apnoea–hypopnoea syndrome through snoring analysis
Yadollahi et al. Acoustic obstructive sleep apnea detection
US20140180036A1 (en) Device and method for predicting and preventing obstructive sleep apnea (osa) episodes
CN108670200A (zh) 一种基于深度学习的睡眠鼾声分类检测方法及系统
US10004452B2 (en) System and methods for estimating respiratory airflow
CN103735267B (zh) 一种基于鼾声筛查osahs的装置
US9931073B2 (en) System and methods of acoustical screening for obstructive sleep apnea during wakefulness
Van Steenkiste et al. Systematic comparison of respiratory signals for the automated detection of sleep apnea
Jané et al. Snoring analysis for the screening of sleep apnea hypopnea syndrome with a single-channel device developed using polysomnographic and snoring databases
Penzel et al. Physics and applications for tracheal sound recordings in sleep disorders
Zhao et al. A snoring detector for OSAHS based on patient's individual personality
Luo et al. Design of embedded real-time system for snoring and OSA detection based on machine learning
Ghaemmaghami et al. Normal probability testing of snore signals for diagnosis of obstructive sleep apnea
Soltanzadeh et al. Sleep stage detection using tracheal breathing sounds: a pilot study
Mosquera-Lopez et al. In-home sleep apnea severity classification using contact-free load cells and an adaboosted decision tree algorithm
Kalkbrenner et al. Validation of a new system using tracheal body sound and movement data for automated apnea-hypopnea index estimation

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