CN111312293A - 一种基于深度学习对呼吸暂停症患者的识别方法及系统 - Google Patents
一种基于深度学习对呼吸暂停症患者的识别方法及系统 Download PDFInfo
- Publication number
- CN111312293A CN111312293A CN202010096363.5A CN202010096363A CN111312293A CN 111312293 A CN111312293 A CN 111312293A CN 202010096363 A CN202010096363 A CN 202010096363A CN 111312293 A CN111312293 A CN 111312293A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- apnea
- identifying
- snore
- 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
- 208000008784 apnea Diseases 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 206010041235 Snoring Diseases 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 208000001797 obstructive sleep apnea Diseases 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 210000005069 ears Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 201000002859 sleep apnea Diseases 0.000 description 8
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000414 obstructive effect Effects 0.000 description 3
- 230000004622 sleep time Effects 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000018875 hypoxemia Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 206010020591 Hypercapnia Diseases 0.000 description 1
- 208000030880 Nose disease Diseases 0.000 description 1
- 208000025157 Oral disease Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 206010039083 rhinitis Diseases 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000003519 ventilatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- 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深度学习对呼吸暂停症患者的识别方法及系统，属于打鼾检测技术领域。方法包括：提取音频数据特征；鼾声特征数据标注及分类；设置网络结构及训练参数；训练模型，保存训练后的模型；利用保存的模型进行鼾声数据检测；根据AHI指数识别OSAHS患者；系统包括：特征提取模块（1）、训练建模模块（2）、识别OSAHS患者模块（3）。本发明方便用户携带，体验感舒适，可以在一定程度上替代传统PSG。
Description
技术领域
本发明涉及打鼾检测技术领域，具体涉及一种基于深度学习对呼吸暂停症患者的识别方法及系统。
背景技术
合理的睡眠时间对人体的健康状况至关重要，而在当今社会下，越来越多人由于睡眠质量不好导致记忆力下降从而降低工作和学习效率，甚至影响人们的正常生活。其中导致睡眠质量不好的一大元凶就是呼吸暂停综合征(OSAHS)。呼吸暂停综合征给人们带来很大的影响，对中老年人群中影响比例最大。该病症引发慢性低氧血症、高碳酸血症，甚至引起高级中枢神经系统功能失调病变，因此，越来越多的科研人士投身该病症的研究，为了得到引发该病症的原因、诊断方法和应对治疗政策。
据研究表明，医生专家们采用PSG并结合经验来进行诊断。测量该病的标准是由多导睡眠监测系统(PSG)对病人进行整晚监测。正规的PSG有多维的数据进行工作，如：心率，脑电波，胸腔震动、血氧饱和度、呼吸、鼾声等。这些数据以一定算法和比例融合以后可以得到病人的AHI值(每小时呼吸暂停指数)，低通气指数和阻塞暂停、中枢暂停以及混合暂停这三种症状的次数。但是这种医疗器械由于对使用者极其不方便甚至会影响使用者的睡眠质量以及不方便携带这些因素直接影响测量的精确度。因此寻找一种使用感舒适、便于携带甚至低成本的OSAS检测诊断系统迫在眉睫。
单纯打鼾是仅有鼾声无呼吸暂停迹象，睡眠呼吸暂停是既有打鼾又有明显睡眠暂停迹象。目前的医学研究报告显示，成人呼吸暂停临床表现为鼾声巨大，鼾声时常因呼吸暂停中断，然后出现大口喘气，并伴随响亮的鼾声。鼾声的发生原理是由于上气道塌陷导致气流变小甚至堵塞。呼吸暂停综合征(OSAS)有阻塞暂停、中枢暂停以及混合暂停这三种情况，阻塞暂停一般是病人由于鼻炎或咽炎等口鼻病症引发口鼻腔内部堵塞导致气流通量不足引起，中枢暂停是由于脑中枢神经的病变引起，混合暂停则是前两种状况的结合。许多学者对在判别OSAS患者的研究上做出了很多贡献。而本实验主要针对阻塞暂停(OSAHS)这一种状况来分析。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
发明内容
针对现有技术存在的问题，本发明提供一种基于深度学习对呼吸暂停症患者的识别方法及系统，该方法基于深度学习神经网络的训练学习效果对呼吸暂停事件相关鼾声和非呼吸暂停事件相关鼾声的特征进行区别，据此判断患呼吸暂停症严重程度。
一种基于深度学习对呼吸暂停症患者的识别方法，所述方法包括：
S10)提取音频数据特征；
S20)鼾声特征数据标注及分类；
S30)设置网络结构及训练参数；
S40)训练模型，保存训练后的模型；
S50)利用保存的模型进行鼾声数据检测；
S60)根据AHI指数识别OSAHS患者。
所述步骤S10)提取音频数据特征，包括：
MFCC特征提取算法；
LPCC特征提取算法；
LPMFCC特征提取算法。
进一步的，所述步骤S20)鼾声特征数据标注及分类，具体包括：其特征数据分为两种：呼吸暂停事件相关鼾声和非呼吸暂停事件相关鼾声。
进一步的，所述步骤S30)设置网络结构及训练参数，具体包括：网络结构为LSTM序列神经网络，训练参数有：LSTM单元个数，训练学习率lr＝0.0001，训练步数step＝5000，batch-size＝64。其中，LSTM单元个数由特征数据的维度298决定。
进一步的，所述步骤S40)训练模型并利用保存的模型进行鼾声数据检测，具体包括，训练数据为两类，一类是呼吸暂停症相关鼾声SN，另一类是非呼吸暂停症相关鼾声NSN，将这两类数据输入到神经网络进行识别捕捉相关特征之间的联系和区别。
进一步的，所述步骤S50)利用保存的模型进行鼾声数据检测，具体地，采用LSTM序列神经网络进行训练。训练后将输入检测的音频数据与保存的模型相关特征进行对比，相似性达到50％的数据归为一类。
进一步的，所述S60)识别OSAHS患者，具体方式根据AHI指数识别并判断严重程度。
一种基于深度学习对呼吸暂停症患者的识别系统，包括：特征提取模块、训练建模模块、识别OSAHS患者模块；
所述特征提取模块，对采集得到的鼾声段进行特征提取；
所述训练建模模块，对提取得到的特征数据进行训练，建立特征之间的区别和联系的模型；
所述识别OSAHS患者模块，通过模型识别得到SN鼾声数据个数，用AHI公式计算得到患病严重程度(无、轻、中、重)。
进一步的，所述特征提取模块，其方式包括：
MFCC特征提取算法；
LPCC特征提取算法；
LPMFCC特征提取算法；
所述训练建模模块，具体采用LSTM神经网络和三层CNN神经网络对提取得到的特征数据进行训练。
进一步的，所述MFCC是由人耳对不同频率的声波有不同的听觉敏感度的启发提出来的特征，特征参数提取过程经过预处理，离散傅里叶变换后计算语音信号的功率谱，再通过一组Mel尺度的三角形滤波器组对频谱进行平滑化，从而避免特征参数受到语音的音调高低的影响。最后计算每个滤波器组输出的对数能量：
得到每个滤波器组输出的对数能量s(m)后经离散余弦变换得到MFCC系数C(n)。其中Xa(k)表示各帧信号进行快速傅里叶变换得到的频谱并取模平方得到语音信号的功率谱；H(k)表示能量谱通过三角滤波器得到的频率响应：
本发明方便用户携带，体验感舒适，可以在一定程度上替代传统PSG。
附图说明
图1为本申请实施例提供的呼吸暂停症患者的识别方法的流程示意图。
图2为申请实施例提供的呼吸暂停症患者的识别系统框图。
具体实施方式
本发明实施例提供的睡眠呼吸暂停检测方法，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。另外，本实施例还提供了一种基于上述方法的睡眠呼吸暂停检测系统。
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2所示，图2为基于深度学习对呼吸暂停症患者的鼾声识别的系统框图，所述系统包括：
鼾声信号模块；
特征提取模块1，对采集得到的鼾声段进行特征提取，提取的方式可以包括：
MFCC特征提取算法；
LPCC特征提取算法；
LPMFCC特征提取算法；
所述MFCC是由人耳对不同频率的声波有不同的听觉敏感度的启发提出来的特征，特征参数提取过程经过预处理，离散傅里叶变换后计算语音信号的功率谱，再通过一组Mel尺度的三角形滤波器组对频谱进行平滑化，从而避免特征参数受到语音的音调高低的影响。最后计算每个滤波器组输出的对数能量：
得到每个滤波器组输出的对数能量s(m)后经离散余弦变换得到MFCC系数C(n)。其中Xa(k)表示各帧信号进行快速傅里叶变换得到的频谱并取模平方得到语音信号的功率谱；H(k)表示能量谱通过三角滤波器得到的频率响应：
训练建模模块2，用于数据提取MFCC后得到的特征数据训练，根据医院金标准PSG与本发明同时测得的呼吸暂停时间段，将呼吸暂停时间段中间一个鼾声，后面一个鼾声两个鼾声数据划分为呼吸暂停相关事件SN，其余鼾声划分为非呼吸暂停相关事件NSN，将这两类数据输入到神经网络进行识别捕捉相关特征之间的联系和区别，具体地，采用LSTM序列神经网络进行训练。
所述根据鼾声的特征信息，使用LSTM判断呼吸暂停事件相关鼾声和非呼吸暂停事件区别，包括：
确定训练样本集确定训练样本集D＝{(X1,y1),(X2,y2),...,(Xn,yn)},yi∈{1,0}，X表示由所述特征信息组成的特征矩阵，y表示呼吸暂停事件相关/非呼吸暂停事件相关类型标签，分别取值为1(正样本)和0(负样本)，n表示训练样本数；
根据训练好的分类模型，判断鼾声是否是呼吸暂停事件相关/非呼吸暂停事件相关状况，具体包括：
从鼾声片段中提取特征信息，通过分类模型识别后得到的概率数值，如果识别出呼吸暂停相关事件的数值大于0.5，则认为该鼾声为正样本，否则，为负样本。
具体采用LSTM神经网络和三层CNN神经网络对提取得到的特征数据进行训练，建立特征之间的区别和联系的模型；
识别OSAHS患者模块3，将对输入的数据进行识别从而判断该受试者是否患有OSAHS病症以及患病程度，通过模型识别得到SN鼾声数据个数，用AHI公式计算得到患病严重程度(无、轻、中、重)。
将对输入的陌生音频进行识别检测从而判断该受试者是否患有OSAHS病症以及患病程度，与S31模块中捕捉到的相关特征进行对比，相似性达到50％的数据归为一类。结果采用呼吸暂停综合征判别标准AHI指数来识别(AHI指数小于5表示无患病；AHI指数大于5小于15表示OSAHS轻度，AHI指数大于15小于30为中度；AHI大于30为重度患者)。
具体地，AHI计算公式如下，SH表示一整晚睡眠时间(h)：
AHI＝SN/2/SH
一种基于所述系统的用于呼吸暂停症患者的识别方法包括：
S10)提取音频数据特征；提取音频数据特征的方法使用MFCC算法提取音频特征；使用LPCC算法提取音频特征；使用LPMFCC算法提取音频特征。
S20)鼾声特征数据标注及分类；其特征数据分为两种：呼吸暂停事件相关鼾声和非呼吸暂停事件相关鼾声。
S30)设置网络结构及训练参数；网络结构为LSTM序列神经网络，训练参数有：LSTM单元个数，训练学习率lr＝0.0001，训练步数step＝5000，batch-size＝64。其中，LSTM单元个数由特征数据的维度298决定。
S40)训练模型，保存训练后的模型；训练数据为两类，一类是呼吸暂停症相关鼾声SN，另一类是非呼吸暂停症相关鼾声NSN，将这两类数据输入到神经网络进行识别捕捉相关特征之间的联系和区别。
S50)利用保存的模型进行鼾声数据检测；利用保存的模型进行鼾声数据检测，具体地，采用LSTM序列神经网络进行训练。训练后将输入检测的音频数据与保存的模型相关特征进行对比，相似性达到50％的数据归为一类。
S60)根据AHI指数识别OSAHS患者。
另外该系统还提供了数据传输接口和云端服务器，分别用于传输数据和处理数据，同时，该系统检测结果可以显示于PC端，Android系统，ios系统。检测结果包含：睡眠时间、SN和NSN次数，AHI指数以及患病严重程度(无、轻、中、重)。
本实施例提供的方法对呼吸暂停症相关鼾声和非呼吸暂停症相关鼾声进行标注区分为两类，并提取音频数据的特征信息，并利用神经网络深入识别分析两类不同的特征信息的区别和联系，最终使用分类器对呼吸暂停症状况进行判断，大大提高了检测结果的准确性。另外，本申请提供了一种用于呼吸暂停症患者识别的系统，本系统获得鼾声信号后，对鼾声信号进行特征提取，并对特征数据进行训练建模，最后进行识别分析得出结果。
Claims (10)
1.一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述方法包括：
S10)提取音频数据特征；
S20)鼾声特征数据标注及分类；
S30)设置网络结构及训练参数；
S40)训练模型，保存训练后的模型；
S50)利用保存的模型进行鼾声数据检测；
S60)根据AHI指数识别OSAHS患者。
2.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S10)提取音频数据特征，包括：
MFCC特征提取算法；
LPCC特征提取算法；
LPMFCC特征提取算法。
3.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S20)鼾声特征数据标注及分类，具体包括：其特征数据分为两种：呼吸暂停事件相关鼾声和非呼吸暂停事件相关鼾声。
4.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S30)设置网络结构及训练参数，具体包括：网络结构为LSTM序列神经网络，训练参数有：LSTM单元个数，训练学习率lr＝0.0001，训练步数step＝5000，batch-size＝64，其中，LSTM单元个数由特征数据的维度298决定。
5.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S40)训练模型并利用保存的模型进行鼾声数据检测，具体包括，训练数据为两类，一类是呼吸暂停症相关鼾声SN，另一类是非呼吸暂停症相关鼾声NSN，将这两类数据输入到神经网络进行识别捕捉相关特征之间的联系和区别。
6.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述步骤S50)利用保存的模型进行鼾声数据检测，具体地，采用LSTM序列神经网络进行训练，训练后将输入检测的音频数据与保存的模型相关特征进行对比，相似性达到50％的数据归为一类。
7.根据权利要求1所述的一种基于深度学习对呼吸暂停症患者的识别方法，其特征在于，所述S60)识别OSAHS患者，具体方式根据AHI指数识别并判断严重程度。
8.一种基于深度学习对呼吸暂停症患者的识别系统，其特征在于包括：特征提取模块(1)、训练建模模块(2)、识别OSAHS患者模块(3)；
所述特征提取模块(1)，对采集得到的鼾声段进行特征提取；
所述训练建模模块(2)，对提取得到的特征数据进行训练，建立特征之间的区别和联系的模型；
所述识别OSAHS患者模块(3)，通过模型识别得到SN鼾声数据个数，用AHI公式计算得到患病严重程度(无、轻、中、重)。
9.根据权利要求7所述的一种基于深度学习对呼吸暂停症患者的识别系统，其特征在于，所述特征提取模块(1)，其方式包括：
MFCC特征提取算法；
LPCC特征提取算法；
LPMFCC特征提取算法；
所述训练建模模块(2)，具体采用LSTM神经网络和三层CNN神经网络对提取得到的特征数据进行训练。
10.根据权利要求9所述的一种基于深度学习对呼吸暂停症患者的识别系统，其特征在于，所述MFCC是由人耳对不同频率的声波有不同的听觉敏感度的启发提出来的特征，特征参数提取过程经过预处理，离散傅里叶变换后计算语音信号的功率谱，再通过一组Mel尺度的三角形滤波器组对频谱进行平滑化，从而避免特征参数受到语音的音调高低的影响，最后计算每个滤波器组输出的对数能量：
得到每个滤波器组输出的对数能量s(m)后经离散余弦变换得到MFCC系数C(n)，其中Xa(k)表示各帧信号进行快速傅里叶变换得到的频谱并取模平方得到语音信号的功率谱；H(k)表示能量谱通过三角滤波器得到的频率响应：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096363.5A CN111312293A (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度学习对呼吸暂停症患者的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096363.5A CN111312293A (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度学习对呼吸暂停症患者的识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111312293A true CN111312293A (zh) | 2020-06-19 |
Family
ID=71161725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010096363.5A Pending CN111312293A (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度学习对呼吸暂停症患者的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111312293A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111613210A (zh) * | 2020-07-06 | 2020-09-01 | 杭州电子科技大学 | 一种各类呼吸暂停综合征的分类检测系统 |
| CN111789577A (zh) * | 2020-07-15 | 2020-10-20 | 天津大学 | 基于cqt和stft深度语谱特征鼾声分类方法及系统 |
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106821337A (zh) * | 2017-04-13 | 2017-06-13 | 南京理工大学 | 一种有监督的鼾声来源识别方法 |
| CN107610707A (zh) * | 2016-12-15 | 2018-01-19 | 平安科技（深圳）有限公司 | 一种声纹识别方法及装置 |
| CN107910020A (zh) * | 2017-10-24 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及存储介质 |
| 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 |
| CN108682418A (zh) * | 2018-06-26 | 2018-10-19 | 北京理工大学 | 一种基于预训练和双向lstm的语音识别方法 |
| AT520925B1 (de) * | 2018-09-05 | 2019-09-15 | Ait Austrian Inst Tech Gmbh | Verfahren zur Detektion von Atemaussetzern |
| CN110491416A (zh) * | 2019-07-26 | 2019-11-22 | 广东工业大学 | 一种基于lstm和sae的电话语音情感分析与识别方法 |
-
2020
- 2020-02-17 CN CN202010096363.5A patent/CN111312293A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107610707A (zh) * | 2016-12-15 | 2018-01-19 | 平安科技（深圳）有限公司 | 一种声纹识别方法及装置 |
| CN106821337A (zh) * | 2017-04-13 | 2017-06-13 | 南京理工大学 | 一种有监督的鼾声来源识别方法 |
| CN107910020A (zh) * | 2017-10-24 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及存储介质 |
| 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 |
| CN108682418A (zh) * | 2018-06-26 | 2018-10-19 | 北京理工大学 | 一种基于预训练和双向lstm的语音识别方法 |
| AT520925B1 (de) * | 2018-09-05 | 2019-09-15 | Ait Austrian Inst Tech Gmbh | Verfahren zur Detektion von Atemaussetzern |
| CN110491416A (zh) * | 2019-07-26 | 2019-11-22 | 广东工业大学 | 一种基于lstm和sae的电话语音情感分析与识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 康兵兵: "基于混合神经网络的鼾声和睡眠呼吸暂停综合征检测", 《中国优秀硕士学位论文全文数据库》 * |
| 梁九兴等: "基于心率变异性与机器学习的睡眠呼吸事件分类", 《中山大学学报(自然科学版)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111613210A (zh) * | 2020-07-06 | 2020-09-01 | 杭州电子科技大学 | 一种各类呼吸暂停综合征的分类检测系统 |
| CN111789577A (zh) * | 2020-07-15 | 2020-10-20 | 天津大学 | 基于cqt和stft深度语谱特征鼾声分类方法及系统 |
| CN111789577B (zh) * | 2020-07-15 | 2023-09-19 | 天津大学 | 基于cqt和stft深度语谱特征鼾声分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
| US11751817B2 (en) | Breathing disorder identification, characterization and diagnosis methods, devices and systems | |
| US10278639B2 (en) | Method and system for sleep detection | |
| US20160045161A1 (en) | Mask and method for breathing disorder identification, characterization and/or diagnosis | |
| CN111312293A (zh) | 一种基于深度学习对呼吸暂停症患者的识别方法及系统 | |
| US20120071741A1 (en) | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals | |
| US11712198B2 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
| CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| AU2012255590A1 (en) | OSA/CSA diagnosis using recorded breath sound amplitude profile and pitch contour | |
| WO2021114761A1 (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
| WO2020238954A1 (zh) | 呼吸暂停监测的方法及装置 | |
| CN107887032A (zh) | 一种数据处理方法及装置 | |
| CN113288065A (zh) | 一种基于鼾声的实时呼吸暂停及低通气预测方法 | |
| Simply et al. | Obstructive sleep apnea (OSA) classification using analysis of breathing sounds during speech | |
| CN105962897B (zh) | 一种自适应的鼾声信号检测方法 | |
| CN111613210A (zh) | 一种各类呼吸暂停综合征的分类检测系统 | |
| JP2023531464A (ja) | 身体計測情報と気管呼吸音を使用して覚醒時に閉塞性睡眠時無呼吸をスクリーニングする方法とシステム | |
| TWI777650B (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
| Pandey et al. | Nocturnal sleep sounds classification with artificial neural network for sleep monitoring | |
| Guul et al. | Portable prescreening system for sleep apnea | |
| CN113143263B (zh) | 一种用于构建睡眠呼吸暂停判别最优模型的系统 | |
| Korompili et al. | Tracheal Sounds, Deep Neural Network, Classification to Distinguish Obstructed from Normal Breathing During Sleep | |
| CN116343828A (zh) | 一种基于时间序列算法的睡眠呼吸暂停事件识别系统 | |
| CN116110429A (zh) | 基于日间语音osa严重程度判别识别模型的构建方法 | |
| Chandrasekhar et al. | Multi-Modality Neuron Network for Monitoring of Obstructive Sleep Apnea |
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 |