一种鼾声来源分类方法技术

本发明专利技术公开了一种鼾声来源分类方法。该方法针对鼾症患者的鼾声来源分类问题，首先采集鼾声数据信号，并进行预加重、分帧、加窗处理等预处理以及自适应增强处理，有效抑制鼾声数据中的环境噪声，从而得到较为纯净的鼾声信号；然后针对鼾声片段谱图提取能够反映谱能量变化信息的梯度方向直方图特征，并通过多线性主成分分析算法进行特征压缩；最后利用支持向量机分类器实现鼾声来源分类。本发明专利技术能够在噪声环境下获得较好的分类性能，运行效率高且易于实现，对确定鼾症患者的治疗方案有重要的医学价值。

A Source Classification Method for Snoring

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
技术实现思路
本专利技术所要解决的技术问题在于提供一种针对鼾症患者的鼾声来源分类问题的方法。实现本专利技术目的的技术解决方案为：一种鼾声来源分类方法，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。本专利技术与现有技术相比，其显著优点为：1)本专利技术中采用自适应鼾声增强方法能有效滤除环境噪声，能够适用于低信噪比环境；2)本专利技术中采用梯度方向直方图特征，从图像域角度反映鼾声信号的谱能量变化情况，能有效区分不同来源的鼾声信号；3)本专利技术采用多线性主成分分析算法进行特征压缩，有效降低了计算复杂度，提高运行效率；4)本专利技术对不同来源的鼾声均具有良好的分类性能；5)本专利技术操作简便，易于实施。下面结合附图对本专利技术作进一步详细的描述。附图说明图1为本专利技术鼾声来源分类方法的流程图。图2为本专利技术实施例中来源于不同上气道组织振动模式的鼾声信号的典型时频谱图；其中图(a)为单软腭振动，图(b)为单咽侧壁振动，图(c)为单舌根/会厌振动，图(d)为软腭和咽侧壁共同振动，图(e)为软腭和舌根/会厌共同振动，图(f)为软腭、咽侧壁、舌根/会厌共同振动，图(g)为无明显组织振动。具体实施方式结合图1，本专利技术的一种鼾声来源分类方法，包括以下步骤：步骤1、采集鼾声数据信号并进行预处理。进一步地，步骤1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。步骤2、对预处理后的鼾声数据信号进行自适应增强处理。进一步地，步骤2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，噪声信号因非同相叠加得到一定抑制，输出信号中包含期望信号和残留噪声，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，输出信号中鼾声信号被消除，仅保留噪声信号，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：进一步地，步骤2-2-1中的自适应算法为最小均方算法。进一步地，步骤2-4-1中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具体为：步骤2-4-1-1、假设每个数据块由K个快拍数据构成，利用第p个数据块估计差通道信号的协方差矩阵为：步骤2-4-1-2、求取和通道信号与差通道信号的互相关向量为：步骤2-4-1-3、根据维纳-霍夫方程求取维纳滤波器最优的估计权值为：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。进一步地，步骤3具体为：步骤3-1、根据步骤2增强处理后的鼾声数据信号，将连续的鼾声帧作为一个鼾声片段，由此获得若干个鼾声片段；步骤3-2、对每个鼾声片段进行短时傅里叶变换，第j个鼾声片段的时频谱图为：SPj＝[sp(1),sp(2),…,sp(l),…,sp(L)]式中，L表示帧数，第l帧频域向量为：sp(l)＝[|S(0,l)|,|S(1,l)|,…,|S(f,l)|,…,|S(N/2-1,l)|]T式中，1≤l≤L，上标T表示转置，S(f,l)表示在时频点(f,l)处的短时傅里叶变换结果，0≤f≤N/2-1，N为每帧信号进行快速傅里叶变换的本文档来自技高网...

【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