论文部分内容阅读
鼾症是一种常见的睡眠呼吸疾病,包括单纯打鼾和阻塞性睡眠呼吸暂停低通气综合征(OSAHS)。响鼾作为鼾症最主要的特征,会影响患者及同室人的睡眠,导致人际关系矛盾。此外,OSAHS会诱发心脑血管疾病,因此鼾症的治疗具有重要意义,而鼾声来源信息是确定针对性治疗方案的基础。目前临床常用药物诱导睡眠内镜检查来确定鼾声来源,但该方法采用侵入式方式,操作复杂且价格昂贵。已有研究表明鼾声信号中携带有上气道组织振动的相关信息,因此通过分析鼾声信号来确定鼾声来源是一种可行且易推广的方案。本文依托国家自然科学基金面上项目(61271410),详细阐述了一种鼾声来源分类方法的设计与实现。由于采集的鼾声数据不可避免会含有多种环境噪声,从而导致分类性能受损,因此首先基于广义旁瓣对消器结构进行自适应噪声抑制,从而得到较为纯净的鼾声信号。针对增强后的鼾声数据,提取了五类常用特征包括频率类特征、能量类特征、基频及共振峰、MFCC、小波能量特征,并提出了一种面向鼾声谱图的压缩梯度方向直方图特征(CHOG)。该特征首先提取鼾声谱图的梯度方向直方图特征,然后基于多线性主成分分析算法实现特征压缩,可用于表征鼾声谱能量变化信息。为了进一步提高特征对鼾声特性的描述能力,本文将上述多种特征进行融合并采用ReliefF算法进行特征选择,最后利用SVM分类器实现鼾声来源分类任务。采用来自76例鼾症患者共1037段鼾声数据样本开展的实验结果表明,CHOG特征的平均分类正确率可达89.8%,且各项评价指标均优于其他单个特征。此外,融合特征则将分类正确率进一步提高至91.6%,稳定性也相应得到提升,说明多特征融合及特征选择有利于改善分类性能。上述实验结果表明本文方法可以有效完成鼾声来源分类任务,具有较好的医学价值和社会效益。