CN115206291B - 基于睡眠鼾声特征的osahs检测系统及方法 - Google Patents
基于睡眠鼾声特征的osahs检测系统及方法 Download PDFInfo
- Publication number
- CN115206291B CN115206291B CN202210598178.5A CN202210598178A CN115206291B CN 115206291 B CN115206291 B CN 115206291B CN 202210598178 A CN202210598178 A CN 202210598178A CN 115206291 B CN115206291 B CN 115206291B
- Authority
- CN
- China
- Prior art keywords
- osahs
- gaussian
- snorer
- sleep
- gaussian mixture
- 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
- 208000001797 obstructive sleep apnea Diseases 0.000 title claims abstract description 105
- 206010041235 Snoring Diseases 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims description 11
- 239000000203 mixture Substances 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000009432 framing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 20
- 230000005236 sound signal Effects 0.000 description 5
- 230000000241 respiratory effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 210000002345 respiratory system Anatomy 0.000 description 3
- 201000002859 sleep apnea Diseases 0.000 description 3
- 206010021079 Hypopnoea Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000000884 Airway Obstruction Diseases 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000001260 vocal cord Anatomy 0.000 description 1
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
- 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
- G10L15/08—Speech classification or search
-
- 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
-
- 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
-
- 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
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (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睡眠鼾声特征的OSAHS检测系统，包括：预处理模块，用于对睡眠鼾声信号进行预加重、分帧和加窗；特征提取模块，用于提取睡眠鼾声信号的声学特征，并根据睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵；特征选择模块，用于计算睡眠鼾声信号声学特征的费雪比值进行特征选择；高斯学习模块，用于分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，并形成OSAHS患者与简单打鼾者分类模型；OSAHS识别模块，用于分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，并将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者。
Description
技术领域
本发明属于音频信号处理技术领域，具体地说，涉及一种基于受试者睡眠鼾声的声学特征的OSAHS患者检测系统及检测方法。
背景技术
阻塞性睡眠呼吸暂停低通气综合征(OSAHS，obstructive sleep apnea-hypopneasyndrome)是一种普遍且危害大的睡眠呼吸障碍，其特点是在睡眠呼吸过程中容易发生的呼吸暂停与低通气事件(呼吸紊乱事件)。呼吸紊乱事件中患者的气道阻塞，导致呼吸受阻。在医疗界多以睡眠多导图(PSG)作为诊断的金标准，PSG诊断具有费用昂贵、对检测环境要求高、需要受试者穿戴众多传感器等缺点。
由于鼾声信号携带了人呼吸道形状变化的信息，当发生呼吸紊乱事件时(呼吸暂停事件与低通气事件)，呼吸道的形状发生变化，呼吸道的形状影响鼾声的特性。因此在呼吸紊乱事件发生时以及发生前后，鼾声的性状也会发生变化，可以通过将普通鼾声与呼吸紊乱事件相关鼾声进行分类。因此，针对受试者的整晚的鼾声声学特征分析以识别OSAHS患者与简单打鼾者的研究是必要的。
发明内容
本发明的目的在于克服现有技术的缺陷，提出一种基于鼾声特征的OSAHS检测系统，该系统辅助诊断OSAHS患者与简单打鼾者，减少了辅助诊断OSAHS患者的成本。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于睡眠鼾声特征的OSAHS检测系统，包括：
预处理模块，用于对受试者的睡眠鼾声信号进行预加重、分帧和加窗；
特征提取模块，用于提取受试者睡眠鼾声信号的声学特征，并根据受试者睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵；
特征选择模块，用于计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择；
高斯学习模块，用于分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，并形成OSAHS患者与简单打鼾者分类模型；
OSAHS识别模块，用于分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者。
进一步地，预加重公式为
y(n)＝x(n)-ax(n-1)
其中，a为预加重系数；加窗的窗函数采用汉明窗函数。
进一步地，鼾声信号的声学特征包括梅尔倒谱系数、Bark子带特征、梅尔倒谱系数(MFCC)、感知线性预测系数、共振峰、800Hz功率比、谱熵、gammatone倒谱系数、波峰因数、共振峰和频谱质心。
进一步地，Bark子带特征的计算公式为
式中，为经过傅里叶变化之后第k帧的谱线幅度绝对值，Km为总帧数，fi为谱线对应的频率，BUj和BLj分别代表第j个Bark子带的上界与下界频率。
进一步地，800Hz功率比的计算公式为
式中，fc是截止频率，表示傅里叶变化fi频率下第k帧的幅度绝对值。
进一步地，声学特征的费雪比值计算公式为
其中，mk (i)表示第k维度第i类的特征的均值，mk表示特征第k维度在所有类上的均值，c(i) k表示第i类样本的第k维度特征，ni表示样本对应类别的个数
进一步地，形成高斯混合模型的多个高斯分布叠加结果计算公式为
其中，X表示特征矩阵，表示权重，Σk为协方差矩阵，μk为高斯模型的均值向量，高斯混合模型的参数λ由μk、Σk与φk组成。
进一步地，高斯似然度的计算公式为
式中，Xj表示第j个样本特征，N表示样本总个数，λ表示高斯混合模型的参数，P(Xj|λ)表示Xj对应参数λ的高斯概率密度函数。
进一步地，计算OSAHS患者与简单打鼾者分类模型得分的公式为
其中，xt表示测试集第t个鼾声样本特征，T表示样本总数，θOSAHS和θHealth分别表示GMM_OSAHS的模型参数和GMM_Health的模型参数。
一种基于睡眠鼾声特征的OSAHS检测方法，采用上述任一项的基于睡眠鼾声特征的OSAHS检测系统，包括以下步骤：
S1.对受试者的睡眠鼾声信号进行预加重、分帧和加窗；
S2.提取受试者睡眠鼾声信号的声学特征，根据受试者睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵；
S3.计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择，分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，形成OSAHS患者与简单打鼾者分类模型；
S4.分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者。
与现有技术相比，本发明通过对OSAHS患者与简单打鼾者的睡眠鼾声进行分析，提取了受试者睡眠鼾声信号的声学特征，使用高斯混合模型对受试者睡眠鼾声进行建模，将两个高斯混合模型的高斯似然度差作为OSAHS患者与简单打鼾者分类模型的得分，与设置的得分阈值进行比较，辅助诊断OSAHS患者与简单打鼾者，减少了辅助诊断OSAHS患者的成本。
附图说明
图1为基于睡眠鼾声特征的OSAHS检测系统的结构示意图。
图2为OSAHS患者与简单打鼾者分类模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明基于睡眠鼾声特征的OSAHS检测系统及方法作进一步说明。
请参阅图1，本发明公开了一种基于睡眠鼾声特征的OSAHS检测系统，基于睡眠鼾声特征的OSAHS检测系统包括预处理模块、特征提取模块、特征选择模块、高斯学习模块和OSAHS识别模块。预处理模块用于对受试者的睡眠鼾声信号进行预加重、分帧和加窗；特征提取模块用于提取受试者睡眠鼾声信号的声学特征，并根据受试者睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵；特征选择模块用于计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择；高斯学习模块用于分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，并形成OSAHS患者与简单打鼾者分类模型；OSAHS识别模块用于分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者。
本发明还公开了一种基于睡眠鼾声特征的OSAHS检测方法，采用上述的OSAHS检测系统，具体包括以下步骤：
S1.对受试者的睡眠鼾声信号进行预加重、分帧和加窗。
S2.提取受试者睡眠鼾声信号的声学特征，根据受试者睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵。
S3.计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择，分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，形成OSAHS患者与简单打鼾者分类模型。
S4.分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者。
具体地，对受试者的睡眠鼾声信号进行预加重的公式为
y(n)＝x(n)-ax(n-1) (1)
其中，a为预加重系数，本发明中a取0.975，分帧时本发明中使用20ms帧长，加窗采用的窗函数为汉明窗函数。
提取受试者睡眠鼾声信号的声学特征，声学特征包括梅尔倒谱系数、Bark子带特征、感知线性预测系数、基频、共振峰、800Hz功率比、谱熵、gammatone倒谱系数、波峰因数、共振峰和频谱质心。
提取受试者睡眠鼾声信号的Bark子带特征(BSF)时，Bark子带特征(BSF)利用下式(2)计算
其中，为经过傅里叶变化之后第k帧的谱线幅度绝对值，Km为总帧数，fi为谱线对应的频率，BUj和BLj分别代表第j个Bark子带的上界与下界频率。分别计算每个子带内能量特征，共计17维度特征，考虑到BSF特征需要更高的频域分辨率，计算中使用50ms帧长，50％帧移。
提取受试者睡眠鼾声信号的梅尔倒谱系数(MFCC)时，首先对鼾声信号进行预加重、分帧和加窗，然后进行快速傅里叶变化，再对傅里叶变化后的信号计算谱线能量。将能量谱通过梅尔滤波器组后取对数，进行离散反余弦变化获得MFCC系数，将13阶MFCC与13阶MFCC一阶差分、二阶差分合并作为最终的MFCC，本发明中按帧取均值作为特征。
提取受试者睡眠鼾声信号的感知线性预测系数(PLP)时，首先鼾声的音频信号经过分帧加窗以及傅里叶变换取平方后获得短时功率谱，如式(3)：
P(f)＝Re[X(f)]2+Im[X(f)]2 (3)
然后将频谱的频率f映射到Bark频率Ω上，Bark频带的表达式为：
Ω(f)＝6ln{f/1200π+[(f/1200π)2+1]0.5} (4)
按照式(5)临界频带对Ω进行临界带变化：
通过式(6)与短时功率谱卷积获得临界带功率谱：
获得临界带功率谱后按照等响进行预加重，然后压缩幅值以近似模拟声音强度与人耳感受强度的非线性关系，然后求线性预测系数得PLP特征，取13阶PLP特征与一阶差分和二阶差分，共计39维度特征，按帧取均值作为特征。
提取受试者睡眠鼾声信号的基频时，因为基频反映了声带开闭的时间，本发明中使用归一化自相关函数法求基频，按帧取均值、最大值、最小值、方差作为特征。
提取受试者睡眠鼾声信号的共振峰时，因为共振峰包含在音频信号的包络中，一般会提取音频信号的前三个共振峰频率作为参数，分别为第一共振峰(F1)、第二共振峰(F2)与第三共振峰(F3)，本发明中使用LPC法求共振峰，按帧提取均值作为特征。
提取受试者睡眠鼾声信号的800Hz功率比(PR800)时，800Hz功率比表示鼾声信号800Hz以上与800Hz以下的功率比值，800Hz功率比利用下式(7)计算：
fc是截止频率，被设置为8000Hz，表示傅里叶变化fi频率下第k帧的幅度绝对值，本发明中按帧提取均值、最大值、最小值、方差作为特征。
提取受试者睡眠鼾声信号的谱熵时，谱熵利用下式(8)计算：
谱熵反映了鼾声的频域能量分布的混乱程度，f1与f2表示频率边界，本发明中按帧取均值、最大值、最小值、方差作为特征。
提取受试者睡眠鼾声信号的gammatone倒谱系数(GTCC)时，gammatone倒谱系数与MFCC类似，区别在与gammatone倒谱系数将频谱通过gammatone滤波器组而非梅尔滤波器组，gammatone滤波器组是一种模拟人耳听觉系统的滤波器，本发明中使用特征维度为20的GTCC作为特征，计算每帧GTCC，然后在每段音频内按帧求均值作为特征。
提取受试者睡眠鼾声信号的波峰因数(Crest Factor)时，波峰因数反映了时域上声音信号的变化幅度，波峰因数利用下式(9)计算：
其中，V90为一帧声音数据中幅度绝对值大小90％分位数，V为该段声音幅度绝对值片段中前10％到90％之间的均方根值，本发明中按帧提取均值作为特征。
提取受试者睡眠鼾声信号的频谱质心时，频谱质心利用下式(10)计算：
其中fi表示频率，fi表示频谱成分，f1和f2表示频率边界，本发明中按帧取均值、最大值、最小值、方差作为特征。
提取受试者睡眠鼾声信号的频谱其他相关特征，例如提取频谱分散度、频谱平坦度、频谱通量、频谱波峰、频谱衰减、频谱峭度、频谱截止频率、频谱偏度、频谱斜率，并按帧计算均值、最大值、最小值、方差作为特征。
每名受试者的鼾声按照上述系统提取梅尔倒谱系数、Bark子带特征、感知线性预测系数、基频、共振峰、800Hz功率比、谱熵、Gammatone倒谱系数特征组合为特征矩阵。
计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择，按照式(11)对上述特征计算Fisher比值
其中mk (i)表示第k维度第i类的特征的均值，mk表示特征第k维度在所有类上的均值，c(i) k表示第i类样本的第k维度特征，ni表示样本对应类别的个数，按照Fsiher比值从大到小的顺序进行排列，选取前100维度特征作为最终特征子集。
将OSAHS患者与简单打鼾者的特征矩阵分别组成总的OSAHS患者矩阵与简单打鼾者矩阵，然后分别在OSAHS患者特征矩阵与简单打鼾者特征矩阵上建立两个高斯混合模型，高斯混合模型阶数为32。高斯混合模型的核心为拟合高斯分布，多个高斯分布叠加结果如式(12)
其中，X表示特征矩阵，表示权重，∑k为协方差矩阵，μk为高斯模型的均值向量，高斯混合模型的参数λ由μk、∑k与φk组成。通过多个高斯分布拟合样本的数据分布，而高斯混合模型的学习就是求解高斯分布的参数。
对高斯混合模型，对数似然函数为
式中，Xj表示第j个样本特征，N表示样本总个数，λ表示高斯混合模型的参数，P(Xj\λ)表示Xj对应参数λ的高斯概率密度函数。对于该似然函数，高斯混合模型利用EM算法进行迭代求解最优参数。
EM算法是一种迭代算法，首先需要初始化参数，从训练数据中随机抽取与GMM阶数相对应的特征矢量，求它们的均值与方差作为初始值，并让各分量具有相同的混合权重，随后是E-step：
γjk为第j个样本属于第k个高斯模型的可能性。
之后是M-step，根据式(15)、式(16)、式(17)迭代模型参数：
重复E-step与M-step两个步骤，直到收敛，估计得高斯混合模型的参数。分别在OSAHS患者特征矩阵与简单打鼾者特征矩阵上建立两个高斯混合模型，记为GMM_OSAHS与GMM_Health，OSAHS患者与简单打鼾者分类模型由上述两个高斯混合模型组成。
对于测试受试者，按照上述相同系统提取特征矩阵，并且与两个高斯混合模型计算对数似然，并按照式(18)计算OSAHS患者与简单打鼾者分类模型的受试者得分：
其中，xt表示测试集第t个鼾声样本特征，T表示样本总数，θOSAHS与θHealth分别代表GMM_OSAHS与GMM_Health的模型参数。将每个受试者的得分与固定阈值进行比较，判断受试者是否为OSAHS病人，本发明中选择的阈值为20。
应用实施例1
1.选取经过PSG诊断的30名受试者(AHI＝37.9±28.9)，其中简单打鼾者6名、OSAHS患者24名，一共识别出48767个鼾声片段，对鼾声片段进行预加重与分帧加窗。
2.按照上述系统分别提取OSAHS患者与简单打鼾者的梅尔倒谱系数、Bark子带特征、感知线性预测系数、基频、共振峰、800Hz功率比、谱熵、Gammatone倒谱系数，组成特征矩阵。
3.计算每个特征的Fisher比值，Fisher比值计算方法见式(11)。按照Fisher比值大小进行排序，选取前100维度作为最终特征子集。然后分别建立OSAHS患者与简单打鼾者的高斯混合模型。按照式(18)计算受试者得分，将得分与阈值进行比较，预测受试者是否为OSAHS患者，阈值设置为20。具体流程如附图2所示，在OSAHS患者与简单打鼾者上建立两个GMM模型，分别为GMM_OSAHS与GMM_Health，N与M分别为OSAHS患者与简单打鼾者鼾声总数，Ni与Mi分别代表第i个OSAHS患者与第i个简单打鼾者的鼾声样本个数，k为特征维度。对于测试者，按照式(18)计算受试者得分，并与得分阈值比较判断是否为OSAHS患者。
本应用实施例采取留一交叉验证的方法进行验证，即每次选择一个受试者作为测试集，剩余29名受试者作为训练集，并重复30次。结果显示本发明所示系统准确率达到90％，精确度达到95.65％，召回率达到91.67％，特异性为83.33％。具有良好的效果。
综上所述，本发明通过对OSAHS患者与简单打鼾者的睡眠鼾声进行分析，提取了受试者睡眠鼾声信号的声学特征，使用高斯混合模型对受试者睡眠鼾声进行建模，将两个高斯混合模型的高斯似然度差作为OSAHS患者与简单打鼾者分类模型的得分，与设置的得分阈值进行比较，辅助诊断OSAHS患者与简单打鼾者，减少了辅助诊断OSAHS患者的成本。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (7)
1.一种基于睡眠鼾声特征的OSAHS检测系统，其特征在于，包括：
预处理模块，用于对受试者的睡眠鼾声信号进行预加重、分帧和加窗；
特征提取模块，用于提取受试者睡眠鼾声信号的声学特征，并根据受试者睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵；
特征选择模块，用于计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择；
高斯学习模块，用于分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，并形成OSAHS患者与简单打鼾者分类模型；
OSAHS识别模块，用于分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者；
声学特征的费雪比值计算公式为
其中，表示第k维度第i类的特征的均值，mk表示特征第k维度在所有类上的均值，c(i) k表示第i类样本的第k维度特征，ni表示样本对应类别的个数；
高斯似然度的计算公式为
式中，Xj表示第j个样本特征，N表示样本总个数，λ表示高斯混合模型的参数，P(Xj|λ)表示Xj对应参数λ的高斯概率密度函数；
计算OSAHS患者与简单打鼾者分类模型得分的公式为
其中，xt表示测试集第t个鼾声样本特征，T表示样本总数，θOSAHS和θHealth分别表示GMM_OSAHS的模型参数和GMM_Health的模型参数。
2.如权利要求1的基于睡眠鼾声特征的OSAHS检测系统，其特征在于，预加重公式为
y(n)＝x(n)-ax(n-1)
其中，a为预加重系数；加窗的窗函数采用汉明窗函数。
3.如权利要求1的基于睡眠鼾声特征的OSAHS检测系统，其特征在于，鼾声信号的声学特征包括梅尔倒谱系数、Bark子带特征、梅尔倒谱系数(MFCC)、感知线性预测系数、共振峰、800Hz功率比、谱熵、gammatone倒谱系数、波峰因数、共振峰和频谱质心。
4.如权利要求3的基于睡眠鼾声特征的OSAHS检测系统，其特征在于，Bark子带特征的计算公式为
式中，为经过傅里叶变化之后第k帧的谱线幅度绝对值，Km为总帧数，fi为谱线对应的频率，BUj和BLj分别代表第j个Bark子带的上界与下界频率。
5.如权利要求3的基于睡眠鼾声特征的OSAHS检测系统，其特征在于，800Hz功率比的计算公式为
式中，fc是截止频率，表示傅里叶变化fi频率下第k帧的幅度绝对值。
6.如权利要求1的基于睡眠鼾声特征的OSAHS检测系统，其特征在于，形成高斯混合模型的多个高斯分布叠加结果计算公式为
其中，X表示特征矩阵，表示权重，Σk为协方差矩阵，μk为高斯模型的均值向量，高斯混合模型的参数λ由μk、Σk与φk组成。
7.一种基于睡眠鼾声特征的OSAHS检测方法，其特征在于，采用权1至权6任一项的基于睡眠鼾声特征的OSAHS检测系统，包括以下步骤：
S1.对受试者的睡眠鼾声信号进行预加重、分帧和加窗；
S2.提取受试者睡眠鼾声信号的声学特征，根据受试者睡眠鼾声信号的声学特征形成OSAHS患者特征矩阵和简单打鼾者特征矩阵；
S3.计算受试者睡眠鼾声信号声学特征的费雪比值进行特征选择，分别建立OSAHS患者高斯混合模型和简单打鼾者高斯混合模型，形成OSAHS患者与简单打鼾者分类模型；
S4.分别计算OSAHS患者高斯混合模型和简单打鼾者高斯混合模型的高斯似然度，将两个高斯混合模型的高斯似然度的差作为OSAHS患者与简单打鼾者分类模型的得分，将得分与设定的得分阈值进行比较，判断受试者是否为OSAHS患者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210598178.5A CN115206291B (zh) | 2022-05-30 | 2022-05-30 | 基于睡眠鼾声特征的osahs检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210598178.5A CN115206291B (zh) | 2022-05-30 | 2022-05-30 | 基于睡眠鼾声特征的osahs检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115206291A CN115206291A (zh) | 2022-10-18 |
| CN115206291B true CN115206291B (zh) | 2024-03-19 |
Family
ID=83577178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210598178.5A Active CN115206291B (zh) | 2022-05-30 | 2022-05-30 | 基于睡眠鼾声特征的osahs检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115206291B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| CN112766286A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于sar图像全局-局部特征的舰船目标检测方法 |
Family Cites Families (1)
| 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 |
-
2022
- 2022-05-30 CN CN202210598178.5A patent/CN115206291B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| CN112766286A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于sar图像全局-局部特征的舰船目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115206291A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10007480B2 (en) | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-Gaussianity index | |
| CN110570880B (zh) | 一种鼾声信号识别方法 | |
| CN107610715B (zh) | 一种基于多种声音特征的相似度计算方法 | |
| Duckitt et al. | Automatic detection, segmentation and assessment of snoring from ambient acoustic data | |
| CN102429662B (zh) | 家庭环境中睡眠呼吸暂停综合征的筛查系统 | |
| Yadollahi et al. | Automatic breath and snore sounds classification from tracheal and ambient sounds recordings | |
| Lin et al. | Automatic wheezing detection using speech recognition technique | |
| Karunajeewa et al. | Silence–breathing–snore classification from snore-related sounds | |
| US20200365271A1 (en) | Method for predicting sleep apnea from neural networks | |
| Zhang et al. | A novel wheeze detection method for wearable monitoring systems | |
| US20150154980A1 (en) | Cepstral separation difference | |
| US20210338154A1 (en) | A method and apparatus for diagnosis of maladies from patient sounds | |
| CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
| Swarnkar et al. | Automated algorithm for wet/dry cough sounds classification | |
| CN112820319A (zh) | 一种人类鼾声识别方法及其装置 | |
| CN113974607B (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
| Taib et al. | Voice feature analysis for early detection of voice disability in children | |
| Dubey et al. | Detection and assessment of hypernasality in repaired cleft palate speech using vocal tract and residual features | |
| Luo et al. | Design of embedded real-time system for snoring and OSA detection based on machine learning | |
| CN115206291B (zh) | 基于睡眠鼾声特征的osahs检测系统及方法 | |
| Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
| Hashemi et al. | Classification of wheeze sounds using cepstral analysis and neural networks | |
| Song et al. | AHI estimation of OSAHS patients based on snoring classification and fusion model | |
| Wang et al. | A classification method related to respiratory disorder events based on acoustical analysis of snoring | |
| Sengupta et al. | Optimization of cepstral features for robust lung sound classification |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |