论文部分内容阅读
阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是一种严重影响人们生活的睡眠呼吸障碍,医院对于这种疾病的诊断主要通过多导睡眠仪(PSG)实现,其成本高昂极为不便,论文通过对鼾声的一系列研究,对OSAHS患者的鼾声进行分类,并实现对所分类别的自动识别,进而辅助OSAHS病症的诊断。针对睡眠鼾声信号的降噪预处理,论文提出了一种谱减法与基于子空间投影的维纳滤波法相结合的降噪方法。在叠加了不同能量白噪声的带噪信号降噪实验中,使用该方法处理后的信号,信噪比(SNR)比使用单独使用谱减法时平均高了约7dB、比单独使用维纳滤波法时平均高了约3d B,并且在均方误差和与原信号的相干性上也优于谱减法和维纳滤波法,在对复杂背景噪声的实录鼾声的降噪实验中,论文方法同样取得了优于谱减法和维纳滤波单独使用时的效果,很好地降低了信号噪声并保持了信号的完整性。对于鼾声的自动识别与提取,论文使用双门限法和自适应阈值法相结合的方法截取出了睡眠声信号中的所有有声段,提出使用卷积神经网络对鼾声进行自动识别以区分鼾声和非鼾声。选取了Alexnet和Googlenet两种当前在图像识别领域功能强大的卷积神经网络,分别对声片段的频谱图、信号图和语谱图进行识别训练,实验结果表明,两种神经网络对信号图的识别效果在三种图谱中最好,识别准确率分别达到了86.62%和90.54%,并且Googlenet对鼾声的识别效果全都高于Alexnet。对于OSAHS患者鼾声的分类研究,论文根据呼吸暂停和低通气在呼吸气流量变化上的相似行为,将这两种事件合并,将鼾声分为呼吸紊乱前鼾声、呼吸紊乱中鼾声、呼吸紊乱后鼾声以及普通鼾声四类,使用卷积神经网络、支持向量机(SVM)和自适应增强算法(Adaboost)从鼾声的图谱特性和声学特性两个方面对四类鼾声进行自动识别。论文提取信号图、频谱图、语谱图、第二共振峰频率、梅尔倒谱系数、频谱质心、能熵比、倍频带能量等28个声学和图像参数进行分析,并在声学参数中选取了19个用于四类鼾声的识别。实验结果表明:Googlenet卷积神经网络对四类鼾声的识别能力有限,对鼾声语谱图的识别效果最高,达到68.46%,而SVM和Adaboost基于声学参数的识别中都取得了较好的效果,识别准确率分别达到了92.53%和90.67%,为通过鼾声辅助诊断OSAHS提供了一定的依据。