呼吸是反映人生理健康的重要指标,呼吸监测技术成为当前生物医学工程领域的研究热点。现有的呼吸监测技术根据传感器种类可分为接触式和非接触式两类。接触式呼吸监测技术需要接触人体,限制了身体运动,容易造成患者不适,不能长时间监测。而非接触式呼吸监测技术能够克服这些局限性。音频检测方法具有操作简单高效,设备携带方便等优点,与雷达、红外等其他非接触式监测技术相比,更适合监测人体的呼吸信号。本文基于音频传感器,对呼吸音频信号提取有效特征参数,通过分类器实现了呼吸模式的分类,其主要工作如下:1.介绍了正常呼吸、中央呼吸暂停、潮式呼吸、潮式变体呼吸和呼吸过缓这五种呼吸模式的生理特点及其对应的音频时域信号的特点。其次,介绍了呼吸模式分类算法的预处理算法,包括分帧加窗算法和降噪算法。2.提出一种基于EWT(经验小波变换)和近似熵的呼吸模式预分类算法。对呼吸音频信号提取包络,通过EWT进行分解,对分解后的模式分量按照信号能量大小进行排序并计算其近似熵值,利用线性判别分类器将呼吸模式分成正常呼吸模式和异常呼吸模式两大类。3.针对异常呼吸模式,本文在时域分析的基础上,利用非线性动力学方法来进行分析,提取了能体现不同异常呼吸模式差别的特征。由于集成学习在多元分类上有显著的效果,本文利用集成学习分类器来对提取的特征进行训练,从而实现对异常呼吸模式的分类。4.设计实验并分析结果。针对论文所述的两级分类结构对实验数据进行处理,在基于EWT和近似熵的呼吸模式预分算法上达到了92.2%的分类正确率。在基于集成学习的异常呼吸模式分类中,分析了不同类型特征、不同集成学习分类器对于异常呼吸模式分类结果的影响,并用实测数据对选出的最佳分类模型进行测试,达到了83.9%的分类正确率。最后通过对比,验证了对于实测数据先进行正常呼吸模式和异常呼吸模式分类的必要性。