CN103735267B - 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 PDFInfo
- Publication number
- CN103735267B CN103735267B CN201410000686.4A CN201410000686A CN103735267B CN 103735267 B CN103735267 B CN 103735267B CN 201410000686 A CN201410000686 A CN 201410000686A CN 103735267 B CN103735267 B CN 103735267B
- Authority
- CN
- China
- Prior art keywords
- sound
- signal
- snoring
- snoring signal
- respiration case
- 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
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
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(ObstructiveSleepApnea-HypopneaSyndrome,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(ApneaHypopneaIndex,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(ApneaHypopneaIndex,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(EarthMover'sDistance,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,供应量分别为;n个销地的需求量分别为;产品从产地运输到销地的单位运价为,求怎样分配从产地到销地的运输量,才能使总运输成本最小,其最小目标函数为:
(1)
约束条件为:
(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,得到之后,即得到和之间的EMD距离值,其计算表达式如下:
(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;
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;
(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;
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;
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)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SonyEM-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AdobeAudition3.0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:
(4)
其中,为一帧信号的采样值,为一帧信号的短时谱,为DFT的窗宽,=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及每一帧信号中的8个子带的频谱能量,每一帧信号的频谱总能量的计算公式如下:
(5)
其中,为一帧信号的短时谱,为一帧信号的频谱总能量;
每一帧信号中的第m个子带的频谱能量的计算公式如下:
(6)
其中,为一帧信号的短时谱,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,则认为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,其中,,乘以提升系数,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,其中,,=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个子带的频谱能量是否大于对应子带的噪声能量阈值,设一帧信号中有个子带的频谱能量大于对应子带的噪声能量阈值,的计算公式为:,其中,,,若≥5,则认为该帧信号为鼾声信号;若<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;
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,的计算表达式如下:
(7)
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,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,的计算表达式如下:
(8)
其中,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;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,鼾声信号和鼾声信号共计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之间的EMD距离值,其中,150个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距离值集合为,450个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距离值集合为;
(5-2-3)、当EMD距离阈值TH为190时,150个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距离值集合中所有的值均小于EMD距离阈值TH,450个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距离值集合中所有的值均大于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;
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为候选鼾声信号的子带能量分布比例特征向量;
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;
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:
表1中AHIbyPSG一栏表示采用多导睡眠仪(PSG)计算出的呼吸絮乱指数(AHI),AHIbyEMD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 (1)
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),
a.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;
b.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,具体步骤为:
(b-1)、对步骤a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;
(b-2)、对步骤(b-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:
其中,x(n)为一帧信号的采样值,x(i)为一帧信号的短时谱,N为DFT的窗宽,N=256;
(b-3)、对步骤(b-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E及每一帧信号中的8个子带的频谱能量Em,每一帧信号的频谱总能量E的计算公式如下:
其中,x(i)为一帧信号的短时谱,E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Em的计算公式如下:
其中,x(i)为一帧信号的短时谱,Em为一帧信号中的第m个子带的频谱能量;
(b-4)、对步骤(b-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Emin,则认为Emin相对应的一帧信号为噪声信号;
(b-5)、对步骤(b-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pm,其中,m=1,...,8,乘以提升系数K,得到步骤(b-1)中所述的每一帧信号中的8个子带的噪声能量阈值Pm,其中,Pm=Kpm,K=2.5;
(b-6)、对步骤(b-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Em是否大于对应子带的噪声能量阈值Pm,设一帧信号中有NUM个子带的频谱能量Em大于对应子带的噪声能量阈值Pm,NUM的计算公式为: 其中, m=1,...,8,若NUM≥5,则认为该帧信号为鼾声信号;若NUM<5,则认为该帧信号为非鼾声信号;
(b-7)、设有持续R帧信号为鼾声信号,若R≥10,将R帧信号合并为一个鼾声信号;
c.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F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F≥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F<10,则认为相邻的鼾声信号之间不存在第一呼吸事件;
d.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P(x),具体步骤为:
设步骤c中所述的候选鼾声信号有A帧信号,对A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子带能量分布比例P(x),P(x)的计算表达式如下:
其中,Pa(x)为候选鼾声信号中第a帧信号的子带能量分布比例,A为候选鼾声信号的帧数,该子带能量分布比例P(x)为候选鼾声信号的子带能量分布比例特征向量P(x);
e.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,采用推土机距离EMD识别候选鼾声信号的特征向量P(x),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;
e-1.确定简单鼾声信号的子带能量分布比例特征向量Q(x),具体步骤为:
(e-1-1)、选取120名测试者作为统计对象,录音环境为医院睡眠监测病房,所有测试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名测试者分为四类:正常打鼾者、轻度OSAHS患者、中度OSAHS患者和重度OSAHS患者,每类测试者有30名,对30名正常打鼾者的语音信号,每名正常打鼾者分别得到5个简单鼾声信号,共计150个简单鼾声信号,记为sy,y=1,...,150;其余90名OSAHS患者,每名OSAHS患者分别得到5个OSAHS鼾声信号,共计450个OSAHS鼾声信号,记为oz,z=1,...,450,简单鼾声信号sy和OSAHS鼾声信号oz共计600个;
(e-1-2)、求得步骤(e-1-1)中所述的150个简单鼾声信号的子带能量分布比例特征向量,然后计算出150个简单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平均值Q(x),Q(x)的计算表达式如下:
其中,Qy(x)为第y个简单鼾声信号的子带能量分布比例特征向量;
e-2.确定EMD距离阈值TH,具体步骤为:
(e-2-1)、对步骤(e-1-1)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声信号的子带能量分布比例特征向量平均值Q(x)之间的EMD距离值,其中,150个简单鼾声信号sy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平均值Q(x)之间的EMD距离值集合S为{S1,S2,...,S150},450个OSAHS鼾声信号oz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平均值Q(x)之间的EMD距离值集合O为{O1,O2,...,O450};
(e-2-3)、当EMD距离阈值TH为190时,150个简单鼾声信号sy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平均值Q(x)之间的EMD距离值集合S中所有的值均小于EMD距离阈值TH,450个OSAHS鼾声信号oz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平均值Q(x)之间的EMD距离值集合O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;
e-3.计算候选鼾声信号的子带能量分布比例特征向量P(x)与简单鼾声信号的子带能量分布比例特征向量平均值Q(x)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;
f.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;
g.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,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。
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 CN103735267A (zh) | 2014-04-23 |
CN103735267B true 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) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108670200B (zh) * | 2018-05-30 | 2021-06-08 | 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 |
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 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100418468C (zh) * | 2006-01-20 | 2008-09-17 | 浙江工业大学 | 无拘束、非察觉性的睡眠障碍测量装置 |
US7559903B2 (en) * | 2007-03-28 | 2009-07-14 | Tr Technologies Inc. | Breathing sound analysis for detection of sleep apnea/popnea events |
US9931073B2 (en) * | 2010-05-24 | 2018-04-03 | University Of Manitoba | System and methods of acoustical screening for obstructive sleep apnea during wakefulness |
EP2608717B1 (en) * | 2010-08-26 | 2016-05-11 | Ben Gurion University of The Negev Research and Development Authority | Apparatus 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 |
CN102499637B (zh) * | 2011-09-26 | 2013-11-06 | 大连理工大学 | 阻塞性睡眠呼吸暂停低通气综合症筛查装置 |
CN102429662B (zh) * | 2011-11-10 | 2014-04-09 | 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 |
CN103006182B (zh) * | 2012-12-06 | 2014-12-17 | 浙江工业大学 | 家用睡眠呼吸暂停综合症的初步检测系统 |
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 |
-
2014
- 2014-01-02 CN CN201410000686.4A patent/CN103735267B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103735267A (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azarbarzin et al. | Automatic and unsupervised snore sound extraction from respiratory sound signals | |
US7559903B2 (en) | Breathing sound analysis for detection of sleep apnea/popnea events | |
Matos et al. | Detection of cough signals in continuous audio recordings using hidden Markov models | |
EP2348993B1 (en) | Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream | |
Abeyratne et al. | Pitch jump probability measures for the analysis of snoring sounds in apnea | |
Hall et al. | The present and future of cough counting tools | |
CN103735267B (zh) | 一种基于鼾声筛查osahs的装置 | |
US20120071741A1 (en) | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals | |
Matos et al. | An automated system for 24-h monitoring of cough frequency: the leicester cough monitor | |
CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
Yadollahi et al. | Automatic breath and snore sounds classification from tracheal and ambient sounds recordings | |
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 | |
Yadollahi et al. | Acoustic obstructive sleep apnea detection | |
US10506969B2 (en) | Acoustic upper airway assessment system and method, and sleep apnea assessment system and method relying thereon | |
Zubaydi et al. | MobSpiro: Mobile based spirometry for detecting COPD | |
US9345432B2 (en) | Systems and methods for sleep apnea detection from breathing sounds | |
US10004452B2 (en) | System and methods for estimating respiratory airflow | |
Jané et al. | Snoring analysis for the screening of sleep apnea hypopnea syndrome with a single-channel device developed using polysomnographic and snoring databases | |
Van Steenkiste et al. | Systematic comparison of respiratory signals for the automated detection of sleep apnea | |
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 | |
Doheny et al. | Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones | |
CA2585824A1 (en) | Breathing sound analysis for detection of sleep apnea/hypopnea events | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
Luo et al. | Design of embedded real-time system for snoring and OSA detection based on machine learning |
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 |