论文部分内容阅读
阻塞性睡眠呼吸暂停/低通气综合症(OSAHS)是一种人群中发病率为3%~4%的呼吸睡眠疾病,伴有打鼾以及呼吸暂停症状。呼吸暂停是指睡眠过程中出现口鼻气流暂停的时长大于10s的症状。OSAHS引发的频繁血氧饱和度下降会造成心脑血管系统严重的损害,极端情况下患者会因为长期睡眠不足和心脑血管疾病的问题引发猝死。临床上通常使用“侵入式”的多导睡眠图(PSG)对该病进行诊断。但是由于PSG设备价格昂贵且会造成患者不适,因此研究一种成本相对较低且具有“非侵入式”特点的OSAHS诊断方法是医学界迫切的需求。基于鼾声信号特征进行OSAHS患者的鼾声来源以及上气道阻塞部位的分析和诊断成为当前的研究热点之一。建立OSAHS患者鼾声信号数据库是上述研究工作的基础之一。持续整夜采集的不同OSAHS患者鼾声信号数据量巨大,且患者阻塞发生部位与吸气相关鼾声信号(IRSS)有较强相关性,因此研究吸气相关鼾声信号的自动检测方法具有重要的意义。 针对上述问题,本文依托国家自然科学基金面上项目(61271410):“基于声学分析的鼾症人群鼾声来源及上气道阻塞部位识别”,详细阐述了一种吸气相关鼾声信号自动检测方法的设计与实现。该方法可以节约大量的人工截取工作耗时以及为医院方面建立吸气相关鼾声信号数据库。本文首先提出了一种基于恒虚警率的鼾声信号端点检测算法,使用Parzen窗法对无声段帧能量分布进行概率密度函数估计。根据要求的虚警率自适应确定检测门限,并用实际鼾声信号音频数据验证了算法的有效性。然后针对鼾声段中吸气相关鼾声的自动检测,本文提取了鼾声信号的频率、能量、共振峰、MFCC以及EMD能量比五大类特征,并基于上述特征采用K-NN算法得到分类器模型。在进一步利用Relief算法进行特征降维后,采用k-折交叉验证进行了分类器性能评估,获得了最优分类器。最后,本文将上述最优分类器结合基于恒虚警率的鼾声信号端点检测算法构建了一种OSAHS患者鼾声信号自动检测与分类方法。实测的OSAHS患者鼾声信号音频数据验证了本文所述方法的有效性。