The invention discloses a method for classifying snoring sources. In order to classify the sources of snoring in snoring patients, this method firstly collects snoring data signals and preprocesses them with pre-emphasis, framing, windowing and adaptive enhancement, so as to effectively suppress the environmental noise in snoring data and obtain relatively pure snoring signals. Secondly, the gradient direction which can reflect the information of spectrum energy change is extracted from snoring fragment spectrogram. Square features are compressed by multi-linear principal component analysis (MPCA). Finally, support vector machine (SVM) classifier is used to classify snoring sources. The invention can obtain better classification performance under noise environment, has high operation efficiency and is easy to realize, and has important medical value for determining the treatment scheme of snoring patients.
【技术实现步骤摘要】
一种鼾声来源分类方法
本专利技术属于生物医学及声信号识别
,特别涉及一种鼾声来源分类方法。
技术介绍
鼾症是一种常见的睡眠呼吸疾病,会严重影响患者的生活质量,而鼾声来源是选择针对性治疗方案的重要依据,因此确定鼾声来源具有重要意义。目前临床常用的鼾声来源确定方法为药物诱导睡眠内镜,但该方法操作复杂、价格昂贵且会使患者感到不适,不易推广普及。由于鼾声来源于上气道组织振动,对鼾声信号进行声学分析是一种确定鼾声来源的可行方案,且具有操作方便、非侵入式等优点。其中,利用声学信号分析手段进行鼾声来源分类主要是针对鼾声片段提取特征,然后将其输入特定的分类器以获得分类结果。近年来已有学者提出基于多种常用声学特征的鼾声来源分类方法(许志勇,钱昆,吴亚琦,等.基于多特征的夜间睡眠声信号分析方法:中国,201310295535.1[P].2013-07-15;QianK,JanottC,PanditV,etal.ClassificationoftheExcitationLocationofSnoreSoundsintheUpperAirwaybyAcousticMulti-FeatureAnalysis[J].IEEEtransactionsonbio-medicalengineering,2017,64(8):1731-1741.),但是这些研究未考虑背景噪声对分类性能的不利影响,不适用于低信噪比环境。此外实验验证仅采用来源于单一上气道组织振动的鼾声数据,而实际情况中多个不同上气道组织混合振动在鼾症患者中也非常普遍。由此可知,现有技术存在方法不全面、功能单一等缺陷。专利 ...
【技术保护点】
1.一种鼾声来源分类方法,其特征在于,包括以下步骤:步骤1、采集鼾声数据信号并进行预处理;步骤2、对预处理后的鼾声数据信号进行自适应增强处理;步骤3、根据步骤2增强处理后的鼾声数据信号获取若干个鼾声片段,对每个鼾声片段提取压缩梯度方向直方图特征;步骤4、基于步骤3提取的鼾声片段对应的压缩梯度方向直方图特征,对该鼾声片段进行鼾声来源分类。
【技术特征摘要】
1.一种鼾声来源分类方法,其特征在于,包括以下步骤:步骤1、采集鼾声数据信号并进行预处理;步骤2、对预处理后的鼾声数据信号进行自适应增强处理;步骤3、根据步骤2增强处理后的鼾声数据信号获取若干个鼾声片段,对每个鼾声片段提取压缩梯度方向直方图特征;步骤4、基于步骤3提取的鼾声片段对应的压缩梯度方向直方图特征,对该鼾声片段进行鼾声来源分类。2.根据权利要求1所述的鼾声来源分类方法,其特征在于,步骤1所述采集鼾声数据信号并进行预处理,具体为:步骤1-1、利用N元麦克风阵列采集鼾声数据信号;其中N为麦克风阵列中麦克风的数目;步骤1-2、对采集的鼾声数据信号进行预处理具体包括:预加重和分帧、加窗处理。3.根据权利要求2所述的鼾声来源分类方法,其特征在于,步骤2所述对预处理后的鼾声数据信号进行自适应增强处理,具体为:步骤2-1、求取每帧鼾声数据信号的短时能量E(l):式中,x'l(m)为第l帧信号第m个采样点的幅度值,M为帧长,L为总帧数;根据所有帧鼾声数据信号的短时能量分布,自定义设置高低两个门限值,并将短时能量高于高门限值的帧作为鼾声帧,短时能量低于低门限值的帧作为噪声帧;步骤2-2、将N元麦克风阵列中的某一个通道作为主通道,其余通道作为辅助通道;基于步骤2-1获得的鼾声帧数据信号通过自适应滤波方法估计主通道与每个辅助通道接收信号间的时延;具体为:令主通道编号为1,n时刻的鼾声帧数据信号表示为x1(n);其余通道编号为2至N,第i通道n时刻的鼾声帧数据信号表示为xi(n),其中2≤i≤N;步骤2-2-1、将xi(n)通过一个2k+1阶的FIR滤波器,利用自适应算法调整FIR滤波器的权值使输出信号最大程度上接近x1(n),其中k的取值为:k=d1i/c式中,d1i为阵元1与阵元i之间的距离,c为声速;步骤2-2-2、对FIR滤波器的权值进行峰值检测,令峰值对应的横坐标为zi,则通道i与主通道1信号之间的时延采样点数为:λi=zi-k;通过步骤2-2-1至步骤2-2-2获得主通道与每个辅助通道信号间的时延;步骤2-3、对辅助通道信号进行时延补偿,并基于时延补偿后的辅助通道信号获取和、差两个通道信号;具体为:和通道信号为将主通道信号与时延补偿后的辅助通道信号相加并求平均,将其作为参考信号d(n):差通道信号为将主通道信号与时延补偿后的辅助通道信号分别相减并构成N-1维向量,将其作为噪声参考信号x(n):x(n)=[x1(n)-x2(n-λ2),x1(n)-x3(n-λ3),…,x1(n)-xN(n-λN)]T式中,上标T表示转置;步骤2-4、根据步骤2-3的和、差通道信号获取自适应增强后的鼾声数据信号,具体为:步骤2-4-1、将和通道信号作为维纳滤波器的主通道信号,差通道信号作为维纳滤波器的辅助通道信号,通过自适应算法调整维纳滤波器权值对差通道信号进行最优估计,获得维纳滤波器最优的估计权值步骤2-4-2、根据步骤2-3的和、差通道信号以及步骤2-4-1的维纳滤波器最优的估计权值获得自适应增强后的鼾声数据信号e(n)为:4.根据权利要求3所述的鼾声来源分类方法,其特征在于,步骤2-2-1所述自适应算法为最小均方算法。5.根据权利要求3所述的鼾声来源分类方法,其特征在于,步骤2-4-1所述自适应算法采用块自适应算法;通过块自适应算法调整维纳滤波器权值对...
【专利技术属性】
技术研发人员:赵兆,张怡,许志勇,许辉杰,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。