CN114027801B

CN114027801B - 一种睡眠鼾声识别与打鼾抑制方法及系统

Info

Publication number: CN114027801B
Application number: CN202111550017.0A
Authority: CN
Inventors: 何春华; 吴文昊
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2021-12-17
Filing date: 2021-12-17
Publication date: 2022-09-09
Anticipated expiration: 2041-12-17
Also published as: CN114027801A

Abstract

本发明公开一种睡眠鼾声识别与打鼾抑制方法及系统，该方法包括以下步骤：获取待检测者的初始鼾声数据、头部运动和加速度信息；对所述初始鼾声数据进行预处理，获得待检测鼾声信号；对所述待检测鼾声信号进行分析，判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令，不存在，则继续检测；基于所述振动指令，进行打鼾抑制。本发明提高了鼾声的实时识别检测准确性和止鼾效果，并且操作简单，成本低。

Description

一种睡眠鼾声识别与打鼾抑制方法及系统

技术领域

本发明涉及打鼾检测及止鼾领域，特别是涉及一种睡眠鼾声识别与打鼾抑制方法及系统。

背景技术

睡眠呼吸暂停影响全球约10亿人，如果不及时治疗，中风和心血管死亡的风险将增加两倍以上。睡眠呼吸暂停的症状有打鼾、疲劳等，而睡眠呼吸暂停的主要类型有:阻塞性睡眠呼吸暂停(OSA)、中枢性睡眠呼吸暂停和复杂性睡眠呼吸暂停。其中OSA最为常见，可以通过正确的睡眠姿势进行治疗或抑制。打鼾可能是偶发的、位置性的、持续的或交替的，而在阻塞性睡眠呼吸暂停综合征中，打鼾事件仅发生在连续的呼吸阻塞事件之间。因此，准确的打鼾检测及相关治疗技术迫在眉睫，相关研究也越来越受到重视。

近年来已经提出了各种打鼾监测设备。睡眠呼吸障碍(SDB)诊断的黄金标准是使用多导睡眠描记术(PSG)来完成的，然而，佩戴一系列采样电极是不舒服的。此外，耗时且非常昂贵，不适合在家中进行OSA筛查。美国睡眠医学协会(AASM)推荐了三种检测打鼾事件的方法:放置在颈部的压电传感器、气管、胸部或病床附近的麦克风等声学传感器，以及连接到鼻压传感器的鼻叉。放置在颈部的压电传感器或可拉伸应变传感器对睡眠不舒适，运动或汗液伪影可能影响检测精度。基于压力监测的床垫型传感器，可用于SDB诊断，但准确性不够好。智能手表的心电图(ECG)或光电容积描记(PPG)信号的RR间期可用于检测打鼾事件，但是系统的功耗是一个巨大的挑战，并且灵敏度可能受到心血管疾病的影响。阻塞性睡眠呼吸暂停综合征和心血管疾病患者的打鼾与更大的脑但非心脏事件风险相关，与持续气道正压通气(CPAP)治疗和呼吸暂停和呼吸不足事件的频率无关。超宽带(UWB)和雷达波技术也可以作为非接触式OSA筛选方法应用，然而，硬件成本很高，而识别精度不高。基于麦克风的声音分析是另一种被广泛用于监测打鼾方法，它主要集成到智能手机、枕头和其他医疗设备中，但智能枕头的控制系统非常复杂，成本昂贵，同时也不舒适且不便携；而智能手机虽可以用来监测打鼾但其监测精度不高并且不能介入打鼾治疗。

因此，亟需一种高性价比、高性能的睡眠鼾声识别与打鼾抑制方法及系统，用于简单有效识别睡眠鼾声并进行止鼾。

发明内容

本发明的目的是提供一种睡眠鼾声识别与打鼾抑制方法及系统，以解决上述现有技术存在的问题，提高了鼾声的实时识别检测准确性和止鼾效果，并且操作简单，成本低。

为实现上述目的，本发明提供了如下方案：本发明提供一种睡眠鼾声识别与打鼾抑制方法，包括以下步骤：

获取待检测者的初始鼾声数据、头部运动和加速度信息；

对所述初始鼾声数据进行预处理，获得待检测鼾声信号；

对所述待检测鼾声信号进行分析，判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令，不存在，则继续检测；

基于所述振动指令，进行打鼾抑制。

可选地，所述头部运动和加速度信息用于识别和估计所述待检测者的头部方向及睡眠姿势。

可选地，对所述初始鼾声数据进行预处理，获得待检测鼾声信号包括：

对所述初始鼾声数据进行高通滤波，获得高频放大鼾声信号；

对所述高频放大鼾声信号进行成帧处理，获得若干鼾声帧信号；

对所述鼾声帧信号进行汉宁窗处理，获得所述待检测鼾声信号。

可选地，对所述待检测鼾声信号进行分析，判断是否存在打鼾事件包括：

对所述待检测鼾声信号进行快速傅里叶变换处理和降维处理，获得鼾声三维频谱图；

对所述鼾声三维频谱图进行短时能量分析，获取单个鼾声信号；

获取所述单个鼾声信号的能量峰值，获得鼾声特征向量；

计算相邻所述鼾声特征向量的相似度，基于所述相似度判断是否存在打鼾事件。

可选地，基于所述振动指令，进行打鼾抑制包括：

基于所述振动指令，产生不同振幅的振动和振动持续时间，并将所述不同振幅的振动按照所述振动持续时间持续施加于所述待检测者的头部，抑制打鼾。

还提供一种睡眠鼾声识别与打鼾抑制系统，包括：

信息采集模块，用于获取待检测者的初始鼾声数据、头部运动和加速度信息；

预处理模块，用于对所述初始鼾声数据进行预处理，获得待检测鼾声信号；

检测模块，用于对所述待检测鼾声信号进行分析，判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令；

执行模块，用于基于所述振动指令，进行打鼾抑制。

可选地，所述信息采集模块获取的所述头部运动和加速度信息具体用于识别和估计所述待检测者的头部方向及睡眠姿势。

可选地，所述预处理模块具体用于对所述初始鼾声数据进行高通滤波，获得高频放大鼾声信号；

可选地，所述检测模块，具体用于对所述待检测鼾声信号进行快速傅里叶变换处理和降维处理，获得鼾声三维频谱图；

获取所述单个鼾声信号的能量峰值，获得鼾声特征向量；

计算相邻所述鼾声特征向量的相似度，基于所述相似度判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令，不存在，则继续检测。

可选地，所述执行模块具体用于基于所述振动指令，产生不同振幅的振动和振动持续时间，并将所述不同振幅的振动按照所述振动持续时间持续施加于所述待检测者的头部，抑制打鼾。

本发明公开了以下技术效果：

本发明提供的一种睡眠鼾声识别与打鼾抑制方法及系统，鼾声信息采集模块使用麦克风方案，实现成本低而且操作简单，通过数据预处理模块提升信号质量，从而提高鼾声检测的实时性与精度，通过数据检测模块，提高鼾声判断的准确性以及可靠性；执行模块通过融合睡姿状态信息生成振动止鼾方案，能有效地覆盖不同的睡眠场景，提高止鼾效果，提升用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的睡眠鼾声识别与打鼾抑制方法流程示意图；

图2为本发明实施例中鼾声信号预处理及识别分析流程示意图；

图3为本发明实施例中对鼾声信号进行预加重处理后的波形示意图；

图4为本发明中睡眠鼾声识别与打鼾抑制系统结构示意图；

图5为本发明实施例中睡眠鼾声识别与打鼾抑制系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供一种睡眠鼾声识别与打鼾抑制方法，如图1-2所示，包括以下步骤：

S100、采集待检测者的初始鼾声数据、头部运动和加速度信息。

其中，初始鼾声数据是一维(1D)时域向量，头部运动和加速度信息用于识别和估计头部的方向及睡眠姿势，例如仰卧或侧卧。

S200、对初始鼾声数据进行预处理，获得待检测鼾声信号。

为了消除发声过程中声带和嘴唇造成的影响，需要对发音系统抑制的声音信号高频部分进行补偿。因此，应用一阶高通滤波器(HPF)来突出初始鼾声中的高频部分，同时衰减低频部分，通过对声音信号进行高通滤波处理后在衰减低频的噪音的同时也放大了高频的鼾声信号，从而可有效提高鼾声检测的准确性。HPF的时域公式如式(1)所示:

其中，i为第i个时刻，x为时域输入信号，y为时域输出信号,k_p为决定HPF截止频率的滤波因子。因此，其在离散频域(z域)中的传递函数可以导出为如式(2)所示：

其中，X为频域的输入信号，Y为频域的输出信号，z为z域，k_p为决定HPF截止频率的滤波因子。

离散域和连续域z之间的双线性变换方程如式(3)所示：

其中，s为复数频率，s＝jω，ω代表角频率，f_s为采样速率。因此，连续频域中的传递函数可以推导为如式(4)所示：

其中，X为频域的输入信号，Y为频域的输出信号，f_s为采样速率，s为复数频率，k_p为决定HPF截止频率的滤波因子。

经过上述高频增强处理，如图3所示，打鼾信号HPF处理前后，表明信号的高频部分确实也放大了。

对数据进行成帧处理，每采集4096个鼾声数据点则合成一帧。

对滤波后的帧信号进行汉宁窗处理，以减弱后期FFT处理后的旁瓣大小和频谱泄漏。汉宁窗函数W的公式如式(5)所示：

其中，W为窗函数的系数向量，L是窗数据中最大窗序号，i为数据组中成员的序号。

经过预处理后的鼾声信号消除噪音信号的影响，使处理后的信号更稳定有效。

S300、对待检测鼾声信号进行分析，判断是否存在打鼾事件，存在，则根据头部运动和加速度信息，生成振动指令，不存在，则继续检测。

用汉宁窗函数进行处理后，对每帧信号进行快速傅里叶变换处理，本实施例中，采用FFT频谱分析对每帧信号进行快速傅里叶变换处理。FFT算法的公式如式(6)所示:

其中，N是输入向量的最大长度，y为时域信号，Y为傅里叶变换后输出的频域信号，i和k为数据组中成员的序号。每帧信号数量设置为4096。这样，FFT处理后每帧信号的有效数据量是2048。

为了进一步降低数据处理难度，提高数据处理实时性，进行数据压缩处理。FFT频谱由两部分组成:频谱包络和频谱细节。考虑到频谱包络而不是频谱细节承载了声音的识别属性，因此提取频谱包络非常重要，提取频谱包络可以用来识别不同的声音，降低数据维数。本实施例中，采用分段均值滤波进行频谱包络提取。具体操作方法如下:快速傅立叶变换幅频曲线的频率范围为0～12千赫兹，按每250赫兹分一段，然后求每段信号点的幅度均值，最终每帧得到48个平均值。这48个平均值将形成一个新的一维特征向量。

原始声音信号是一维时域向量，在快速傅立叶变换处理之后，采用分段均值滤波进行频谱包络提取，能够获得新的一维频域特征向量。为了提高打鼾识别的准确性，将350个连续的新的一维频域特征向量(约1分钟)放在一起形成2D频域向量，利用2D频域向量作出三维(3D)频谱图。

对于三维(3D)频谱图中每一帧的声音信号，总能量Q通过式(7)计算声音幅度向量中元素的平方和得到：

其中，y为一帧信号数据向量中的值，向量大小为N，i为数据组中成员的序号。Q将用于后面的基线识别，从而识别每个鼾声的持续时间。

为了更好地区分单个声音信号，而通过包络位置的阈值来设置识别的声音的起始和终止的基线。单个声音的能量包络的左右基线为声音信号的开始和结束位置。从而计算出声音包络的持续时间(dT)。本实施例中，根据非打鼾的声音进行基线阈值的设置方法如下：

1、在短时能量图中有350个能量值，取连续6个值为一组，通过滑动窗口处理形成344组。

2、计算每组的标准偏差和平均值，以及它们的乘积。

3、从344组中选出最小值，确定相应的组号。

4、将该组的平均能量乘以4作为阈值，从而确定基线阈值。

每一个有意义的声音(如鼾声)都会持续一段时间，也就是在一些连续的帧中会出现较大的声能。

通常在声音包络中存在一个能量峰值，其对应的帧信号将具有最高的信噪比，并且该帧信号最能代表该鼾声的特征。因此，基于声音包络，获取所有有效声音包络的能量峰值的帧编号。然后选定该帧编号对应的FFT频谱向量作为鼾声特征向量。

通过计算鼾声信号的三维(3D)频谱图中两个相邻鼾声特征向量和两个距离为2的鼾声特征向量之间的相似度。相似度计算公式如式(8)所示:

其中，Y₁和Y₂是两个相邻的鼾声特征向量或两个距离为2的鼾声特征向量。C和R分别代表两个鼾声特征向量的方向和幅度相似性，i为数据组中成员的序号。实际检测时可以把所有的C和R都在三维(3D)频谱图中标出，如果它们满足如式(9)所示的条件，它们将被染成紫色，否则，它们将被染成黑色。如果每个三维(3D)频谱图中染紫的次数(ND)大于3，则判断该时段存在打鼾事件，否则不存在打鼾事件。

根据判断结果以及头部的方向和睡眠姿势，生成振动指令。当身体静止时，头部的方向和睡眠姿势(如仰卧或侧卧)很容易地通过微机电加速度计测量的重力加速度分量来估计，具体为基于重力加速度的分量估算加速度计的倾斜角度，从而评估睡姿和头部方向。一旦多次检测到打鼾事件，对头部施加一点振动力来抑制打鼾，防打鼾策略如下:

1.如果是仰卧位，那么振动幅度比较大，持续时间比较长，因为仰卧位上气道塌陷可能比较严重。

2.如果是侧卧位，那么振动幅度相对较小，持续时间相对较短，因为侧卧位的上气道塌陷可能不严重。

3.一旦有一些响应，例如，由微机电系统加速度计指示的大身体运动或停止打鼾或振动时间足够长，干扰就会停止。

S400、执行振动指令，进行打鼾抑制。

本实施例还公开了一种睡眠鼾声识别与打鼾抑制系统，如图4-5所示，该系统包括：

信息采集模块，用于获取待检测者的初始鼾声数据、头部运动和加速度信息，头部运动和加速度信息具体用于识别和估计待检测者的头部方向及睡眠姿势。

预处理模块，用于对初始鼾声数据进行预处理，获得待检测鼾声信号，首先对初始鼾声数据进行高通滤波，如式(1)-(3)所示，具体采用一阶高通滤波器(HPF)来突出初始鼾声中的高频部分，同时衰减低频部分，从而获得高频放大鼾声信号，再对高频放大鼾声信号进行成帧处理，每采集4096个鼾声数据点，获得若干鼾声帧信号，对鼾声帧信号进行汉宁窗处理，如式(5)所示，获得所述待检测鼾声信号。

检测模块，用于对待检测鼾声信号进行分析，判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令。对待检测鼾声信号进行快速傅里叶变换处理和降维处理，具体采用FFT频谱分析对每帧信号进行快速傅里叶变换处理，FFT频谱由两部分组成:频谱包络和频谱细节，采用分段均值滤波进行频谱包络提取，最终每帧得到48个平均值，这48个平均值将形成一个新的一维特征向量。。为了提高打鼾识别的准确性，新的一维频域特征向量(约1分钟)放在一起形成2D频域向量，利用2D频域向量作出三维(3D)频谱图。对鼾声三维频谱图中每一帧的声音信号进行短时能量分析，通过式(7)获得鼾声信号能量，获取单个鼾声信号的能量峰值，获取所有有效声音包络的能量峰值的帧编号。然后选定该帧编号对应的FFT频谱向量作为鼾声特征向量。计算相邻特征向量的相似度，基于相似度判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令，不存在，则继续检测。具体的为通过计算声音信号的三维(3D)频谱图中两个相邻鼾声特征向量和两个距离为2的鼾声特征向量之间的相似度，相似度计算如式(8)所示。实际检测时可以把所有的C和R都在频谱图中标出，如果它们满足如式(9)所示的条件，它们将被染成紫色，否则，它们将被染成黑色。如果每个三维(3D)频谱图中染紫的次数(ND)大于3，则判断该时段存在打鼾事件，否则不存在打鼾事件。

根据判断结果以及头部的方向和睡眠姿势，生成振动指令。当身体静止时，头部的方向和睡眠姿势(如仰卧或侧卧)很容易地通过微机电加速度计测量的重力加速度分量来估计，具体为基于重力加速度的分量估算加速度计的倾斜角度，从而评估睡姿和头部方向。

另外，检测模块利用USB接口实现与电脑连接，对检测模块进行调试。利用蓝牙(BLE)模块实现与智能手机通信，可以实现在线查询和控制，即实现数据的远程记录以及可视化，同时也可以利用这些数据生成报告。

执行模块，用于基于振动指令，进行打鼾抑制。

一旦多次检测到打鼾事件，对头部施加一点振动力来抑制打鼾。

防打鼾策略如下:

进一步优化方案，初始鼾声数据的获取采用麦克风，头部运动和加速度信息采用加速传感器，在进行数据采集时，加速传感器获取头部的运动和加速度，本实施例中，采用MEMS加速度计。

进一步优化方案，根据振动指令，执行该指令进行打鼾抑制的工具采用振动电机。

进一步优化方案，该系统还包括电源模块，为系统工作提供电源。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种睡眠鼾声识别与打鼾抑制系统，其特征在于，包括：

检测模块，用于对所述待检测鼾声信号进行分析，判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令，具体用于对所述待检测鼾声信号进行快速傅里叶变换处理和降维处理，获得鼾声三维频谱图；

获取所述单个鼾声信号的能量峰值，获得鼾声特征向量；

计算相邻所述鼾声特征向量的相似度，所述相似度的计算方法为：

，

其中，Y₁和Y₂是两个相邻的鼾声特征向量或两个距离为2的鼾声特征向量，C和R分别代表两个鼾声特征向量的方向和幅度相似性，i为数据组中成员的序号；基于所述相似度判断是否存在打鼾事件，存在，则根据所述头部运动和加速度信息，生成振动指令，不存在，则继续检测，包括：将所有的C和R都在所述三维频谱图中标出，如果满足条件，所述三维频谱图将被染成紫色，否则，所述三维频谱图将被染成黑色，如果每个所述三维频谱图中染紫的次数大于3，则判断当前时段存在所述打鼾事件，否则不存在所述打鼾事件，所述条件为

；

执行模块，用于基于所述振动指令，进行打鼾抑制。

2.根据权利要求1所述的睡眠鼾声识别与打鼾抑制系统，其特征在于，所述信息采集模块获取的所述头部运动和加速度信息具体用于识别和估计所述待检测者的头部方向及睡眠姿势。

3.根据权利要求1所述的睡眠鼾声识别与打鼾抑制系统，其特征在于，所述预处理模块具体用于对所述初始鼾声数据进行高通滤波，获得高频放大鼾声信号；

4.根据权利要求1所述的睡眠鼾声识别与打鼾抑制系统，其特征在于，所述执行模块具体用于基于所述振动指令，产生不同振幅的振动和振动持续时间，并将所述不同振幅的振动按照所述振动持续时间持续施加于所述待检测者的头部，抑制打鼾。