论文部分内容阅读
阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是一种高发性的睡眠呼吸性疾病,患者在睡眠过程中由于上气道阻塞,容易导致窒息甚至是猝死的后果。在医院中,多导睡眠图仪可以检测OSAHS。然而,这种设备存在着数量稀少、操作繁琐、耗费时间的缺点,这使得大部分患者未能得到及时的检测。一种方便、快捷、适用于家庭使用的检测方法是当前所迫切需要的。本文提出了一种基于深度学习神经网络模型的OSAHS筛查方法,通过深度学习神经网络来分析OSAHS患者的鼾声数据,从中挖掘出鼾声数据中潜在的特征信息。本文的研究是从OSAHS疾病的临床特征鼾声出发的;首先提取鼾声数据,利用语音信号处理技术对其进行处理;再把处理后的鼾声信号送入稀疏自编码神经网络进行特征提取,找出OSAHS鼾声和正常鼾声之间的区别;最后用提取出的特征来完成OSAHS筛查。由于鼾声信号存在着个体差异,而且原始的鼾声信号中含有较多的冗余信息导致此筛查方法存在不足之处。因此,本文提出一种基于鼾声特征的稀疏自编码神经网络的OSAHS筛查方法。将处理后的鼾声信号的梅尔倒谱系数特征和线性预测倒谱系数特征提取出来。这两个特征分别地作为稀疏自编码神经网络的输入,使得鼾声信号在进入稀疏自编码神经网络之前经过一次冗余信息去除;这样就能更好地运用稀疏自编码神经网络去分析鼾声信号中存在的潜在特征。此外,本文进行了相应的实验仿真,以此来验证方法的可行性。实验通过选取典型的OSAHS患者的鼾声作为训练样本集,同时采集54个对象的鼾声数据作为测试样本集,其中包括27个正常打鼾者和27个OSAHS打鼾者。本文运用鼾声信号的梅尔倒谱系数特征和线性预测倒谱系数特征分别地作为稀疏自编码神经网络的输入,再由输出特征来实现OSAHS筛查。基于梅尔倒谱系数特征的筛查结果取得了81%,88%的筛查灵敏度和特异度;基于线性预测倒谱系数特征的筛查结果取得了92%,88%的筛查灵敏度和特异度。实验验证了该方法的可行性和正确性,满足临床医学上初步筛查OSAHS的要求。