CN110013222A - 一种用于睡眠呼吸暂停检测的系统 - Google Patents
一种用于睡眠呼吸暂停检测的系统 Download PDFInfo
- Publication number
- CN110013222A CN110013222A CN201910268398.XA CN201910268398A CN110013222A CN 110013222 A CN110013222 A CN 110013222A CN 201910268398 A CN201910268398 A CN 201910268398A CN 110013222 A CN110013222 A CN 110013222A
- Authority
- CN
- China
- Prior art keywords
- sound
- snoring
- data
- module
- sleep apnea
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Anesthesiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种用于睡眠呼吸暂停检测的系统,包括鼾声采集模块、数据处理模块、数据提取模块、通讯接口、判决模块、显示模块,所述鼾声采集模块,用于采集多路鼾声数据;所述数据处理模块,对多路鼾声数据进行波束形成,并使用端点检测确定鼾声段和无声段;所述数据提取模块,从鼾声段和无声段中获取声音特征信息;所述通讯接口,负责系统与相关设备的通信;所述判决模块,利用训练后的模型判断睡眠呼吸暂,本发明提供的检测系统通过对多路信号进行波束形成,能够更好地减小环境噪声的干扰,能够进一步地提高准确性。
Description
技术领域
本申请涉及一种用于睡眠呼吸暂停检测的系统,更详细地,涉及使用支持向量机的方式对睡眠呼吸暂停状况进行检测的系统。
背景技术
睡眠呼吸暂停低通气综合征(OSAHS)是一种常见的睡眠疾病,常出现在肥胖、呼吸道结构狭窄等人群身上。睡眠呼吸暂停低通气综合征患者在睡眠过程中会出现多次呼吸暂停情况,容易导致窒息,同时也容易诱发心血管疾病。
睡眠呼吸暂停(sleep apnea,SA)是指睡眠过程中口鼻呼吸气流消失或明显减弱(较基线幅度下降≥90%),且持续时间≥10s。低通气(hypopnea)是指睡眠过程中口鼻气流较基线水平降低≥30%并伴脉搏血氧饱和度(SpO2)下降≥4%,持续时间≥10s;或者是口鼻气流较基线水平降低≥50%并伴SpO2下降≥3%,持续时间≥10s。呼吸暂停低通气指数(apnea hypopnea index,AHI):睡眠中平均每小时呼吸暂停与低通气的次数之和。
阻塞性睡眠呼吸暂停低通气综合征诊治指南(基层版) (DIO:10.7507/1671-6205.201510)中提供了OSAHS诊断标准。临床有典型的夜间睡眠打鼾伴呼吸暂停、日间嗜睡(ESS评分≥9分)等症状,查体发现咽腔狭窄、扁桃体肿大、悬雍垂粗大、腺样体增生,AHI>5次/h者可诊断OSAHS。对于日间嗜睡不明显(ESS评分<9分)者,AHI≥10次/h,或AHI≥5/h,存在认知功能障碍、高血压、冠心病、脑血管疾病、糖尿病和失眠等1项或1项以上OSAHS 合并症也可确诊。另外还提出根据AHI和夜间SpO2将OSAHS分为轻、中、重度,其中以AHI作为主要判断标准,夜间最低SpO2作为参考(表1)。
表1成人OSAHS病情程度与AHI和/或低氧血症程度判断依据
打鼾是睡眠时鼻咽至咽喉部上呼吸道剖面结构和功能发生改变的结果,鼾声中包含了部分呼吸信息。所以可以从鼾声中分析出呼吸暂停的情况,进而可作为睡眠呼吸暂停低通气综合征的辅助诊断。
发明内容
有鉴于此,有必要提供了一种用于睡眠呼吸暂停检测的系统。该系统使用支持向量机对相邻鼾声及中间无声段的特征进行分析,据此判断睡眠呼吸暂停低通气情况,能够有效地提高检测结果的准确率。具体技术方案如下:
一种用于睡眠呼吸暂停检测的系统,包括鼾声采集模块、数据处理模块、数据提取模块、通讯接口、判决模块、显示模块,其特征在于:
所述鼾声采集模块,用于采集多路鼾声数据;
所述数据处理模块,对多路鼾声数据进行波束形成,并使用端点检测确定鼾声段和无声段;
所述数据提取模块,从鼾声段和无声段中获取声音特征信息;
所述通讯接口,负责系统与相关设备的通信;
所述判决模块,利用训练后的模型判断睡眠呼吸暂停情况;
所述显示模块,用于显示检测结果。
进一步的,所述采集的多路鼾声数据的方式包括:
使用麦克风阵列采集多路鼾声数据;和/或使用多麦克风同步采集多路鼾声数据。
进一步的,所述对多路鼾声数据进行波束形成,包括使用固定波束形成方式将多路鼾声数据合成单路鼾声数据。
进一步的,所述特征信息包括:共振峰频率及带宽、鼾声段800Hz能量比率(PR800)、鼾声段长度和无声段长度等特征信息。
进一步的,所述判决模块将根据训练好的SVM分类器,判断鼾声片段中是否有呼吸暂停/低通气状况,具体包括:
从鼾声片段中提取特征信息,通过分类器计算后得到一个数值,如果该数值大于0.5,则认为该片段中出现一次呼吸暂停/低通气状况;如果该数值小于0,则认为是一个正常片段;否则则认为是一个疑似片段。
本发明的用于睡眠呼吸暂停检测的系统,采集多路鼾声信号,并对多路信号进行波束形成,最后能够使用上述提供的检测方法对睡眠呼吸暂停状况进行检测并显示结果。该系统通过对多路鼾声信号进行处理,能够更好地减小环境噪声的干扰,能够进一步地提高检测的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面对实施例中所需要的附图作简单的介绍。
图1为申请实施例提供的睡眠呼吸暂停检测系统的系统框图。
图2为实施例中支持向量机模型的结构示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明实施例提供的睡眠呼吸暂停检测系统,是利用支持向量机对相邻鼾声及中间无声段的特征进行分析,据此判断睡眠呼吸暂停低通气综合征的患病情况。以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
如图1所示,是申请实施例提供的睡眠呼吸暂停检测系统的系统框图。该系统包括鼾声采集模块S11、数据处理模块S21、数据提取模块S31、通讯接口S51、判决模块S41、显示模块S61。其中,鼾声采集模块S11,用于采集多路鼾声数据;数据处理模块S21,对多路鼾声数据进行波束形成,并使用端点检测确定鼾声段和无声段;数据提取模块S31,从鼾声段和无声段中获取声音特征信息;通讯接口S51,负责终端与其他设备的通信;判决模块S41,利用训练后的模型判断睡眠呼吸暂停情况;显示模块S61,用于显示检测结果。
鼾声采集模块S11,将用于采集多路鼾声数据,其具体方式包括:可以将麦克风阵列放置于患者口鼻的正上方采集鼾声;或者可以多个麦克风放置于患者的头部周围或上方,同步采集鼾声数据。
数据处理模块S21将对所采集到的多路鼾声数据进行处理,具体地,可以采用固定波束形成技术对多路鼾声数据进行波束形成。
由于采集的场景相对单一,声源位置基本不变,一旦麦克风的位置确定、声源位置确定,其波束模式特性也将确定,故滤波器的权值也基本确定。固定波束形成采用的滤波器权值固定,方法简单,运算量低,能够较好的抑制背景噪声,是该波束形成的首选。
固定波束形成的基本步骤有:
1.将其中一个麦克风记为参考麦克风,估计其余麦克风与参考麦克风采集时间的延时;
2.根据延时,对每个麦克风采集的鼾声信号进行时移,并进行求和。
由于每个麦克风采集的鼾声信号均为同一声源发出的声音,为相干信号,故在对鼾声信号进行时延后相位大致相同,合成后能增强鼾声信号;而噪声大多为不相干信号,在时延相加后,将因为相位不同而减弱。通过固定波束合成,就能将多路数据合成一路,并且增强了该信号。
另外,数据处理模块S21也使用端点检测对合成的鼾声信号进行区分,确定鼾声段和无声段。
鼾声信号的能量随时间变化比较明显,鼾声信号与普通噪声的区别可以体现在它们的能量上,鼾声的能量一般比噪声的能量大,故可用短时能量大体区分鼾声和噪声;另外,鼾声的频率一般比较低,而噪声中含有较多的高频部分。过零率表示时域波形通过横轴的次数,在一定程度上体现声音的频率特征,故也可用于区分鼾声和噪声。
所述使用端点检测确定鼾声段和无声段,其中鼾声段是一段打鼾发出的声音,而无声段是两段鼾声段中间部分的声音片段。优选地,可以使用短时能量和平均过零率的双门限端点检测确定鼾声段和无声。该方式仅使用声音的时域特征,算法简单,计算量小,具有较好的实时性。其中,短时能量和平均过零率的双门限端点检测,具体包括:
对鼾声数据进行预加重和加窗分帧,帧长为20ms,帧移为10ms,重叠率50%;
假定鼾声数据起始部分的前15帧为静音段,丢弃前5帧,取之后的10帧数据(初始帧片段),根据如下公式计算短时能量,其中L为帧长,x(n)为鼾声信号, w(n)为窗函数:
计算出10帧静音段数据的平均短时能量,记为EL0;寻找接下去连续10帧短时能量超过1.3EL0的鼾声片段,计算平均短时能量,记为EH0。设置上门限 EH和下门限EH:
如果一段鼾声数据的第一帧短时能量超过上门限EH,且接下来10帧数据的短时能量不小于下门限,则认为该段鼾声数据为潜在鼾声段;
短时平均过零率的定义为:
式中,sgn(*)是符号函数,即
计算初始帧片段中每帧的短时平均过零率,取平均值,记为Z0;设置短时平均过零率的阀值Zs为:
如果EH0小于1.6EL0,则认为是低信噪比情况,此时信号中含有较多的噪声,而噪声含有较多的高频分量,故在非鼾声段有较大的过零率。所以需要从潜在鼾声段向两边寻找,如果过零率小于Zs,则将其归于鼾声段。在其他高信噪比的情况下,静音段的噪声可忽略不计,故鼾声段相对而言就含有较多的高频分量,即鼾声段具有较大的过零率,所以需要将过零率大于阀值Zs的声音片段计入鼾声段。
接着,数据提取模块S31,将从鼾声段和无声段中获取声音特征信息,其特征信息包括:共振峰频率及带宽、鼾声段800Hz能量比率(PR800)、鼾声段长度和无声段长度等特征信息。
进一步,获取所述声音特征信息,具体包括:
1)鼾声段的共振峰频率
共振峰是指声音频谱中能量相对集中的一些区域,一般认为频谱包络中的最大值就是共振峰。所以获取共振峰参数首先需要估计频谱包络,然后根据频谱包络求极大值即可。
可选地,可以使用倒谱法估计频谱包络,并根据频谱包络计算共振峰频率。
所谓倒谱,就是信号对数功率谱的功率谱,其计算公式为:
其中X(F)是信号的傅里叶变化。倒谱的计算方法可以总结为,对信号的傅里叶变换求对数,然后求它的傅里叶逆变换。
2)鼾声段800Hz能量比率(PR800)
鼾声段800Hz能量比率,即800Hz以下的累积能量与800Hz以上的累积能量之比。由帕萨瓦尔定理可得,信号在时间域累积的总能量与该信号傅里叶变换后在频域累积的总能量相等,故能量可由下列公式计算所得:
其中PR800是800Hz能量比率,fc是截止频率,F(f)是信号的傅里叶变换。
3)鼾声段长度和无声段长度
鼾声段长度,即鼾声段中声音帧的数量;无声段长度,即两个鼾声段之间的声音帧的数量。
所述根据所述根据相邻鼾声段及之间无声段的特征信息,使用训练过的SVM 分类器判断呼吸暂停/低通气状况,具体包括:
训练所需模型并构建SVM分类器,步骤如下
确定训练样本集X表示由所述特征信息组成的特征向量,y表示呼吸暂停/低通气状况或正常状况的类型标签,分别取值为+1(正样本)和-1(负样本),n表示训练样本数;
在引入松弛变量和核函数的情况下,在超平面集中寻找最佳分离超平面使得训练样本集可容忍的情况下上正负样本间隔最大,得到 SVM模型;
如图2所示,超平面要将正负样本分开,最好是处于正负样本中间。超平面集g(x)上的点到超平面之间的间隔称为几何间隔,可表示为其中||w||叫做向量的范数。要使正负样本的几何距离δ最大,即要寻找最优超平面使|w||最小,等同于寻找最优超平面使最小。另外,还需要满足,正负样本处于平面的两边,由于样本标签为-1和1,则该条件可由表示。于是,上述问题等价于
为了提高模型的泛化能力,允许某些样本点的可以不满足的条件,故此引入了一个惩罚系数C>0,并对每个样本点引入一个松弛变量ξ≥0,此时上式可改写成
该式为软支持向量机的基本模型。
图2的3条线不仅与样本的位置x有关,也与样本的标签y有关,超平面集可写作该形式根据g(x)是否大于0划分正负样本,故线性分类器的形式为
鼾声数据中的特征信息不一定直接就能线性可分的,所以引入径向基核函数将低维数据映射到高维空间中,满足线性可分,此时得到的分类器为该式与上面线性分类器的形式相似,故可以当做线性分类器求解,只是在求内积时,使用核函数代替即可。
通过对软支持向量机基本模型添加拉格朗日乘子ai>0,即可得到对应的拉格朗日函数,最终转化成拉格朗日对偶问题
利用软支持向量机的KKT条件,并结合SMO算法即可求解出最终确定SVM分类器。
判决模块S41将根据训练好的SVM分类器,判断鼾声片段中是否有呼吸暂停 /低通气状况,具体包括:
从鼾声片段中提取特征信息,通过分类器计算后得到一个数值,如果该数值大于0.5,则认为该片段中出现一次呼吸暂停/低通气状况;如果该数值小于0,则认为是一个正常片段;否则则认为是一个疑似片段。
另外该系统还提供了通讯接口S51和显示模块S61,用于传输数据以及显示检测结果,检测结果包含:睡眠时间、呼吸暂停总次数、呼吸暂停出现的时间点、每小时呼吸暂停数等等。
Claims (5)
1.一种用于睡眠呼吸暂停检测的系统,包括鼾声采集模块、数据处理模块、数据提取模块、通讯接口、判决模块、显示模块,其特征在于:
所述鼾声采集模块,用于采集多路鼾声数据;
所述数据处理模块,对多路鼾声数据进行波束形成,并使用端点检测确定鼾声段和无声段;
所述数据提取模块,从鼾声段和无声段中获取声音特征信息;
所述通讯接口,负责系统与相关设备的通信;
所述判决模块,利用训练后的模型判断睡眠呼吸暂停情况;
所述显示模块,用于显示检测结果。
2.根据权利要求1所述的一种用于睡眠呼吸暂停检测的系统,其特征在于,所述采集的多路鼾声数据的方式包括:
使用麦克风阵列采集多路鼾声数据;和/或使用多麦克风同步采集多路鼾声数据。
3.根据权利要求1所述的一种用于睡眠呼吸暂停检测的系统,其特征在于,所述对多路鼾声数据进行波束形成,包括使用固定波束形成方式将多路鼾声数据合成单路鼾声数据。
4.根据权利要求1所述的一种用于睡眠呼吸暂停检测的系统,其特征在于,
所述特征信息包括:共振峰频率及带宽、鼾声段800Hz能量比率(PR800)、鼾声段长度和无声段长度等特征信息。
5.根据权利要求1所述的一种用于睡眠呼吸暂停检测的系统,其特征在于,
所述判决模块将根据训练好的SVM分类器,判断鼾声片段中是否有呼吸暂停/低通气状况,具体包括:
从鼾声片段中提取特征信息,通过分类器计算后得到一个数值,如果该数值大于0.5,则认为该片段中出现一次呼吸暂停/低通气状况;如果该数值小于0,则认为是一个正常片段;否则则认为是一个疑似片段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268398.XA CN110013222A (zh) | 2019-04-03 | 2019-04-03 | 一种用于睡眠呼吸暂停检测的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268398.XA CN110013222A (zh) | 2019-04-03 | 2019-04-03 | 一种用于睡眠呼吸暂停检测的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110013222A true CN110013222A (zh) | 2019-07-16 |
Family
ID=67190559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910268398.XA Pending CN110013222A (zh) | 2019-04-03 | 2019-04-03 | 一种用于睡眠呼吸暂停检测的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110013222A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414152A (zh) * | 2019-07-31 | 2019-11-05 | 中国商用飞机有限责任公司 | 民机试飞振动故障预测模型和预测系统 |
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 |
CN111540369A (zh) * | 2020-06-01 | 2020-08-14 | 杭州电子科技大学 | 一种用于呼吸暂停鼾声的采集传输系统 |
CN111657870A (zh) * | 2020-07-02 | 2020-09-15 | 杭州电子科技大学 | 一种基于d-s证据理论的呼吸暂停判决系统 |
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 |
CN112053387A (zh) * | 2020-07-24 | 2020-12-08 | 贵阳像树岭科技有限公司 | 一种基于视觉计算的非接触式呼吸监测方法 |
CN112580751A (zh) * | 2020-12-31 | 2021-03-30 | 杭州电子科技大学 | 一种基于zynq与深度学习的鼾声辨识装置 |
CN114259209A (zh) * | 2021-12-22 | 2022-04-01 | 宁波理得医疗科技有限公司 | 一种用于检测并干预睡眠呼吸暂停的系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103735267A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
EP2744408A1 (en) * | 2011-10-20 | 2014-06-25 | Koninklijke Philips N.V. | A system and method for characterizing an upper airway using speech characteristics |
CN104853671A (zh) * | 2012-12-17 | 2015-08-19 | 皇家飞利浦有限公司 | 使用非干扰性音频分析来生成信息的睡眠呼吸暂停诊断系统和方法 |
CN107358965A (zh) * | 2017-06-09 | 2017-11-17 | 华南理工大学 | 一种睡眠鼾声分类检测方法及系统 |
-
2019
- 2019-04-03 CN CN201910268398.XA patent/CN110013222A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2744408A1 (en) * | 2011-10-20 | 2014-06-25 | Koninklijke Philips N.V. | A system and method for characterizing an upper airway using speech characteristics |
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 |
CN104853671A (zh) * | 2012-12-17 | 2015-08-19 | 皇家飞利浦有限公司 | 使用非干扰性音频分析来生成信息的睡眠呼吸暂停诊断系统和方法 |
CN103735267A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于鼾声筛查osahs的装置 |
CN107358965A (zh) * | 2017-06-09 | 2017-11-17 | 华南理工大学 | 一种睡眠鼾声分类检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
胡立栓: "《机器学习智能计算与高光谱遥感影像分类应用研究》", 31 May 2018, 中国财富出版社 * |
陈艳燕: "《单分类支持向量机模型及算法研究》", 30 September 2017, 中国农业大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414152A (zh) * | 2019-07-31 | 2019-11-05 | 中国商用飞机有限责任公司 | 民机试飞振动故障预测模型和预测系统 |
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 |
CN111540369A (zh) * | 2020-06-01 | 2020-08-14 | 杭州电子科技大学 | 一种用于呼吸暂停鼾声的采集传输系统 |
CN111657870A (zh) * | 2020-07-02 | 2020-09-15 | 杭州电子科技大学 | 一种基于d-s证据理论的呼吸暂停判决系统 |
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 |
CN112053387A (zh) * | 2020-07-24 | 2020-12-08 | 贵阳像树岭科技有限公司 | 一种基于视觉计算的非接触式呼吸监测方法 |
CN112580751A (zh) * | 2020-12-31 | 2021-03-30 | 杭州电子科技大学 | 一种基于zynq与深度学习的鼾声辨识装置 |
CN114259209A (zh) * | 2021-12-22 | 2022-04-01 | 宁波理得医疗科技有限公司 | 一种用于检测并干预睡眠呼吸暂停的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110013222A (zh) | 一种用于睡眠呼吸暂停检测的系统 | |
Lin et al. | Automatic wheezing detection using speech recognition technique | |
Yadollahi et al. | Automatic breath and snore sounds classification from tracheal and ambient sounds recordings | |
Amrulloh et al. | Automatic cough segmentation from non-contact sound recordings in pediatric wards | |
US9844336B2 (en) | Apparatus and method for diagnosing obstructive sleep apnea | |
US7267652B2 (en) | Systems and methods for respiratory event detection | |
EP3883468A2 (en) | Methods and apparatus for detection of disordered breathing | |
Vijayalakshmi et al. | Acoustic analysis and detection of hypernasality using a group delay function | |
US11344225B2 (en) | Determining apnea-hypopnia index AHI from speech | |
US20130268273A1 (en) | Method of recognizing gender or age of a speaker according to speech emotion or arousal | |
US20120071741A1 (en) | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals | |
WO2014036263A1 (en) | An accurate analysis tool and method for the quantitative acoustic assessment of infant cry | |
Emoto et al. | Detection of sleep breathing sound based on artificial neural network analysis | |
Dafna et al. | Sleep-quality assessment from full night audio recordings of sleep apnea patients | |
Reggiannini et al. | A flexible analysis tool for the quantitative acoustic assessment of infant cry | |
CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
Simply et al. | Obstructive sleep apnea (OSA) classification using analysis of breathing sounds during speech | |
Nonaka et al. | Automatic snore sound extraction from sleep sound recordings via auditory image modeling | |
WO2017135127A1 (ja) | 生体音響抽出装置、生体音響解析装置、生体音響抽出プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 | |
CN112820319A (zh) | 一种人类鼾声识别方法及其装置 | |
CN111613210A (zh) | 一种各类呼吸暂停综合征的分类检测系统 | |
CN113974607B (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
Rosenwein et al. | Detection of breathing sounds during sleep using non-contact audio recordings | |
Yadollahi et al. | Formant analysis of breath and snore sounds | |
Dafna et al. | Automatic detection of snoring events using Gaussian mixture models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |