本申请提出的一种鼾声分类方法，包括：录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗；获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征；检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中；从聚类的所述鼾声数据片段中提取音频特征，采用回归树和线性判断分析进一步分类所述预设类型，获得鼾声类别。本申请通过切割聚类，利用CL算法将鼾声的两步分类过程优化为一步，简化过程并提高分类准确率，便于快速实现OSAHS患者的辅助筛查。OSAHS患者的辅助筛查。OSAHS患者的辅助筛查。
【技术实现步骤摘要】
一种鼾声分类方法及装置
[0001]本申请请求保护一种声音分类技术，尤其涉及一种鼾声分类方法。本申请还涉及一种鼾声分类装置。
技术介绍
[0002]阻塞性睡眠呼吸暂停低通气综合征(OSAHS)严重危害患者身体健康，鼾声的检测与分类作为诊断OSAHS的重要标志，已成为现阶段的研究热点。
[0003]现阶段常采用人工切割标注，即分别通过人耳和PSG数据对齐的方式对整夜录音进行切割标注。在鼾声分类方法的研究中，主要采用两步分类实现：鼾声/非鼾声分类、OSAHS患者鼾声/正常鼾声分类。具体的，首先基于图谱特征和神经网络的方法应用于鼾声和非鼾声的分类；其次基于声学特征和机器学习分类器的方法，对OSAHS患者鼾声和正常鼾声进行分类。
[0004]医院通过多导睡眠图(PSG)对OSAHS进行诊断，但PSG法成本较高，不具备普适性。因此，提出一种简洁、高效的鼾声分类算法应用于临床诊断迫在眉睫。
技术实现思路
[0005]为了解决上述
技术介绍
中提出的一个或者多个问题，本申请提出一种鼾声分类方法。本申请还涉及一种鼾声分类装置。
[0006]本申请提出的一种鼾声分类方法，包括：
[0007]录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗；
[0008]获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征；
[0009]检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中；
[0010]从聚类的所述鼾声数据片段中提取音频特征，采用回归树和线性判断分析进一步分类所述预设类型，获得鼾声类别。
[0011]可选的，所述预设类型包括：患者鼾声、正常鼾声和非鼾声。
[0012]可选的，所述提取倒谱系数特征，包括：
[0013]针对每个所述矩形框，采用傅里叶变化得到频谱；
[0014]将所述频谱通过梅尔滤波器组得到Mel频谱，并进行倒谱后提取倒谱系数特征。
[0015]可选的，所述筛选无效切割点包括:利用语音端点检测算法进行筛选。
[0016]可选的，所述音频特征包括：MFCC、频谱带宽和色度频率。
[0017]本申请还提出一种鼾声分类装置，包括：
[0018]处理模块，用于录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗；
[0019]倒谱模块，用于获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征；
[0020]聚类模块，用于检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中；
[0021]分类模块，用于从聚类的所述鼾声数据片段中提取音频特征，采用回归树和线性判断分析进一步分类所述预设类型，获得鼾声类别。
[0022]可选的，所述预设类型包括：患者鼾声、正常鼾声和非鼾声。
[0023]可选的，所述提取倒谱系数特征，包括：
[0024]针对每个所述矩形框，采用傅里叶变化得到频谱；
[0025]将所述频谱通过梅尔滤波器组得到Mel频谱，并进行倒谱后提取倒谱系数特征。
[0026]可选的，所述筛选无效切割点包括：利用语音端点检测算法进行筛选。
[0027]可选的，所述音频特征包括：MFCC、频谱带宽和色度频率。
[0028]本申请相较于现有技术的优点是：
[0029]本申请提出的一种鼾声分类方法，包括：录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗；获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征；检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中；从聚类的所述鼾声数据片段中提取音频特征，采用回归树和线性判断分析进一步分类所述预设类型，获得鼾声类别。本申请通过切割聚类，切割后的片段无需进行二次划分，在此基础上利用CL算法将鼾声的两步分类过程优化为一步，简化过程并提高分类准确率，便于快速实现OSAHS患者的辅助筛查。
附图说明
[0030]图1是本申请中鼾声分类流程示意图。
[0031]图2是本申请中鼾声分类步骤示意图。
[0032]图3是本申请中鼾声分类装置结构示意图。
具体实施方式
[0033]以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
[0034]本申请提出的一种鼾声分类方法，包括：录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗；获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征；检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中；从聚类的所述鼾声数据片段中提取音频特征，采用回归树和线性判断分析进一步分类所述预设类型，
获得鼾声类别。本申请通过切割聚类，切割后的片段无需进行二次划分，在此基础上利用CL算法将鼾声的两步分类过程优化为一步，简化过程并提高分类准确率，便于快速实现OSAHS患者的辅助筛查。
[0035]图1是本申请中鼾声分类方法流程示意图，图2是本申请中鼾声分类步骤示意图。
[0036]请参照图1以及图2所示，S101录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗。
[0037]将夜间实录鼾声作为输入的录取的鼾声数据，对整个鼾声数据的信号进行分帧处理(帧长为25ms，帧移为10ms)，分割成多个片段后加矩形窗。
[0038]请参照图1以及图2所示，S102获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征。
[0039]对每个短时分析窗(矩形窗)，通过快速傅里叶变换得到对应的频谱，将频谱通过梅尔(Mel)滤波器组得到Mel频谱，对其进行倒谱分析，即可从音频信息中提取出梅尔频率倒谱系数(MFCC)特征。
[0040]请参照图1以及图2所示，S103检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种鼾声分类方法，其特征在于，包括：录取鼾声数据后，将所述鼾声数据分帧处理，并分割为多个鼾声数据片段作为节点，并在所述鼾声数据片段上设置矩形窗；获取每个所述矩形窗的频谱，在进行倒谱后提取倒谱系数特征；检测并筛选无效切割点后，采用BIC聚类算法遍历并计算每个节点与初始节点的BIC距离，通过设置阈值判断每一段所述鼾声数据片段是否是同一聚类，然后将每个所述鼾声数据片段聚类到预设类型中；从聚类的所述鼾声数据片段中提取音频特征，采用回归树和线性判断分析进一步分类所述预设类型，获得鼾声类别。2.根据权利要求1所述鼾声分类方法，其特征在于，所述预设类型包括：患者鼾声、正常鼾声和非鼾声。3.根据权利要求1所述鼾声分类方法，其特征在于，所述提取倒谱系数特征，包括：针对每个所述矩形框，采用傅里叶变化得到频谱；将所述频谱通过梅尔滤波器组得到Mel频谱，并进行倒谱后提取倒谱系数特征。4.根据权利要求1所述鼾声分类方法，其特征在于，所述筛选无效切割点包括:利用语音端点检测算法进行筛选。5.根据权利要求1所述鼾声分类方法，其特征在于，所述音频特征包括：MFCC、频谱带宽和色度频率。6.一种鼾声分类装置，其特征在于，包...
【专利技术属性】
技术研发人员：王冬霞，张雨晴，朱禹，
申请(专利权)人：天津职业技术师范大学中国职业培训指导教师进修中心，
类型：发明
国别省市：
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。