基于CQT和STFT深度语谱特征鼾声分类方法及系统技术方案

本发明专利技术涉及医疗器械、鼾声分类，为实现鼾声自动识别。为此，本发明专利技术采取的技术方案是，基于CQT和STFT深度语谱特征鼾声分类方法，通过对鼾声音频信号进行常数Q变换与短时傅里叶变换，将变换后生成的语谱图作为预训练深度卷积神经网络的输入，提取其输出作为特征向量，使用支持向量机SVM训练分类模型，最后利用训练好的分类模型实现鼾声自动识别。本发明专利技术主要应用于鼾声分类医疗器械的设计制造场合。

【技术实现步骤摘要】
基于CQT和STFT深度语谱特征鼾声分类方法及系统
本专利技术涉及医疗器械、鼾声分类，具体讲,涉及基于CQT和STFT深度语谱特征鼾声分类方法及系统。
技术介绍
打鼾是睡眠过程中呼吸削弱的征兆，20％的人都会打鼾，其中15％的打鼾者患有阻塞性睡眠呼吸暂停(ObstructiveSleepApnea,OSA)综合症，死亡率高达40％，我国大约有3750万人的健康受到该病症威胁。OSA是一种常见的睡眠障碍，其特点是在睡眠时反复的呼吸暂停和打鼾(即“打呼噜”)，临床上称之为“鼾症”。阻塞性睡眠呼吸暂停症的发病机制已经进行了25年的调查，其本质上是由于睡眠时上气道狭窄或者软组织松弛塌陷，造成上气道的部分阻塞或完全阻塞；从而引起睡眠时的低通气和呼吸暂停，并伴随打鼾以及频繁的血氧饱和度下降，患者在睡眠时容易因此产生窒息感甚至突然惊醒，从而导致日间困倦及其它严重不良后果。根据美国睡眠障碍协会的定义，呼吸暂停的定义为在呼吸时气流完全停止持续时间大于等于10秒，低通气的定义为呼吸气流明显减少50％并伴有4％及以上的血红蛋白饱和度降低。OSA严重程度通常使用呼吸暂本文档来自技高网...

【技术保护点】
1.一种基于CQT和STFT深度语谱特征鼾声分类方法，其特征是，通过预训练卷积神经网络提取鼾声音频信号的特征向量，使用支持向量机训练分类模型，再利用训练好的模型实现对患者打鼾时上气道振动和阻塞位置的非侵入式的自动识别。为此，本专利技术采取的技术方案是，基于CQT和STFT深度语谱特征鼾声分类方法，通过对鼾声音频信号进行常数Q变换与短时傅里叶变换，将变换后生成的语谱图作为预训练深度卷积神经网络的输入，提取其输出作为特征向量，使用支持向量机SVM训练分类模型，最后利用训练好的分类模型实现鼾声自动识别。/n

【技术特征摘要】
1.一种基于CQT和STFT深度语谱特征鼾声分类方法，其特征是，通过预训练卷积神经网络提取鼾声音频信号的特征向量，使用支持向量机训练分类模型，再利用训练好的模型实现对患者打鼾时上气道振动和阻塞位置的非侵入式的自动识别。为此，本发明采取的技术方案是，基于CQT和STFT深度语谱特征鼾声分类方法，通过对鼾声音频信号进行常数Q变换与短时傅里叶变换，将变换后生成的语谱图作为预训练深度卷积神经网络的输入，提取其输出作为特征向量，使用支持向量机SVM训练分类模型，最后利用训练好的分类模型实现鼾声自动识别。


2.如权利要求1所述的基于CQT和STFT深度语谱特征鼾声分类方法，其特征是，具体步骤如下：
语谱图生成：对鼾声音频样本分别进行常数Q变换和短时傅里叶变换，对变换后的时频数据生成了基于常数Q变换CQT的语谱图和基于短时傅里叶变换STFT的语谱图，常数Q变换定义中心频率fk和带宽δf的比值为常数Q：



深度语谱特征提取：将绘制的语谱图作为预训练的深度卷积神经网络AlexNet的输入，提取第二全连接层的输出作为特征向量。


3.如权利要求1所述的基于CQT和STFT深度语谱特征鼾声分类方法，其特征是，详细步骤如下：
步骤一：将Munich-Passau鼾声语料库MPSSC(Munich-PassauSnoreSoundCorpus)作为鼾声音频数据集，将MPSSC中的鼾声音频样本分别进行常数Q变换和短时傅里叶变换，对变换后的时频数据生成基于CQT的语谱图和基于STFT的语谱图；
步骤二：使用CAFFE获得了预训练的AlexNet的模型和权重，将绘制的基于CQT的语谱图和基于STFT的语谱图分别输入预训练的AlexNet，提取第二全连接层的输出，得到基于CQT的深度语谱特征向量和基于STFT的深度语谱特征向量，生成的特征向量均包含4096个属性——分别对应AlexNet第二全连接层的每个神经元；
步骤三：将基于CQT的深度语谱特征向量和基于STFT的深度语谱特征向量进行融合，使用LIBLINEAR库的对偶的L2正则化L2损失的支持向量分类器，按照MPSSC给定的V...

【专利技术属性】
技术研发人员：魏潇，魏建国，赵来平，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12