一种基于双流多尺度模型的呼吸暂停鼾声识别方法技术

本发明专利技术公开了一种基于双流多尺度模型的呼吸暂停鼾声识别方法，属于睡眠鼾声检测技术领域。方法包括：通过预加重，分帧加窗进行鼾声数据预处理；使用MFCC特征提取算法提取鼾声数据特征；设置双流多尺度模型结构及训练参数；保存训练后的最佳模型；利用保存的模型进行鼾声数据检测,对鼾声特征进行分类，根据分类结果统计正常鼾声和呼吸暂停鼾声的数量；计算出呼吸暂停指数AHI，进行呼吸暂停预测，本发明专利技术提高了对睡眠呼吸暂停鼾声识别的准确性。高了对睡眠呼吸暂停鼾声识别的准确性。高了对睡眠呼吸暂停鼾声识别的准确性。

【技术实现步骤摘要】
一种基于双流多尺度模型的呼吸暂停鼾声识别方法


[0001]本专利技术属于睡眠鼾声检测
，具体涉及一种基于双流多尺度模型的呼吸暂停鼾声识别方法。

技术介绍

[0002]阻塞型睡眠呼吸暂停低通气综合症也称鼾症，也就是常说的打呼噜。目前对阻塞型睡眠呼吸暂停低通气综合症的诊断方法有多导睡眠监测(PSG)，纤维鼻咽喉镜检查，影像检查等等。但是PSG存在的缺点是：检查监测费用相对较高，患者需要在专门的实验室或者病房进行，并且需要连接多根导联线，对患者的睡眠干扰比较大，患者不易熟睡，尤其是轻症患者或者失眠的患者，往往会影响监测结果的真实性，并且人工评分睡眠呼吸暂停低通气事件需要训练有素的睡眠专家或医生进行标记诊断，这样十分耗费人力，财力以及时间。
[0003]尽管打鼾是一个普遍现象，也很容易判断是否打鼾，但是人们对于鼾声的认知却是非常主观的，如何客观识别或量化定义鼾声仍然十分困难，鼾声是上呼吸道阻塞情况的直观标识，也是阻塞性睡眠呼吸暂停综合征的重要临床标志，在呼吸暂停事件发生时以及发生前后，鼾声的性状也会发生变化，可以通过将普通鼾声与呼吸暂停事件相关鼾声进行分类。因此，针对鼾声特征识别呼吸暂停的方法是有必要的。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种基于双流多尺度模型的呼吸暂停鼾声识别方法，该方法基于深度学习双流多尺度模型对患者的正常鼾声和呼吸暂停鼾声进行分类，并根据AHI指数判断患者呼吸暂停的严重程度。
[0005]一种基于双流多尺度模型的呼吸暂停鼾声识别方法，包括如下步骤：
[0006]S1)鼾声数据预处理；
[0007]S2)提取鼾声数据特征；
[0008]S3)设置模型结构及训练参数；
[0009]S4)训练模型，保存训练后的模型；
[0010]S5)利用保存的模型进行鼾声数据检测；
[0011]S6)通过AHI指数完成呼吸暂停患者的识别。
[0012]进一步的，所述步骤S1)鼾声数据预处理，包括：
[0013]信号预加重；
[0014]信号分帧加窗。
[0015]进一步的，所述步骤S2)提取鼾声数据特征，具体包括：MFCC特征提取算法，由信号预处理得到平稳的时域信号后，通过离散傅里叶转换，将信号转换为频率领域，计算所有对应频率的功率谱。为了避免特征参数受到鼾声音高的影响，使用梅尔标度三角形滤波器组来平滑频谱上的特征。
[0016]进一步的，所述步骤S3)设置模型结构及训练参数，具体包括：时域分支使用一维
卷积神经网络来处理MFCC特征，频域分支使用二维卷积神经网络来处理MFCC特征的转置，训练参数有：学习率lr＝0.001，训练轮数epoch＝20，batch
‑
size＝32。
[0017]进一步的，所述步骤S4)训练模型，保存训练后的模型，具体包括：训练数据为两类，一类是正常鼾声数据，另一类是呼吸暂停鼾声数据，将这两类数据输入到神经网络进行识别捕捉相关特征之间的联系和区别。
[0018]进一步的，所述步骤S5)利用保存的模型进行鼾声数据检测，具体包括：通过对时域和频域的卷积神经网络模型进行训练，训练后将输入检测的鼾声特征数据与保存模型的相关特征进行对比分类，输出该鼾声特征可能性最大的类别。
[0019]进一步的，所述步骤S6)通过AHI指数完成呼吸暂停患者的识别，具体包括：通过统计呼吸暂停鼾声数量和正常鼾声数量得出AHI指数，并根据AHI指数判断患者呼吸暂停的严重程度。
[0020]进一步的，预加重公式为
[0021]H(z)＝1
‑
μz
‑1[0022]式中H(z)表示信号经过预加重过程后的输出，μ为输入信号。
[0023]信号通过预加重后，通过N个采样点集合到一个帧中，使相邻的每一帧之间的参数可以平滑过渡，分帧公式如下
[0024][0025]加窗是每个帧乘以汉明窗，以减少频域信号特征泄露的情况，其公式为
[0026][0027]其中T[]为分帧函数，x(m)为被测鼾声信号，w(n)为汉明窗序列，h(n)为汉明窗口函数相关的滤波器。
[0028]进一步的，MFCC是由人耳对不同频率的声波有不同的听觉敏感度启发的特征，鼾声特征提取过程经过预处理，离散傅里叶变换后，计算所有对应频率的功率谱，使用梅尔标度三角形滤波器组来平滑频谱上的特征，计算出每个滤波器组的对数能量：
[0029][0030]MFCC系数C(n)公式为
[0031][0032]进一步的，双流多尺度模型具体为：时域分支使用一维卷积神经网络来处理MFCC特征，频域分支使用二维卷积神经网络来处理MFCC特征的转置；时域分支包含了三个卷积层，三个最大池化层和三个批归一化层；频域分支包含了两个卷积层，两个最大池化层和两个批归一化层。
[0033]进一步的，将鼾声特征提供到神经网络模型进行训练，得到睡眠呼吸暂停发生的概率，完成AHI的预测。
[0034]与现有技术中基于患者整晚睡眠记录进行诊断呼吸暂停的技术方案相比，本专利技术只需采集呼吸暂停患者与正常打鼾者的睡眠鼾声，无需穿戴各种PSG设备，而且能够检测到
低AHI值的呼吸暂停情况，对鼾声分类结果有一定的改进，减少了诊断呼吸暂停患者的成本。
附图说明
[0035]图1为本申请实例提供的一种基于双流多尺度模型的呼吸暂停鼾声识别方法流程图；
[0036]图2为本申请实例提供的一种基于双流多尺度模型的呼吸暂停鼾声识别方法模型结构图。
具体实施方式
[0037]本专利技术实施例提供的一种基于双流多尺度模型的呼吸暂停鼾声识别方法，是利用深度学习神经网络模型对对鼾声特征进行正常鼾声和呼吸暂停鼾声的分类识别，并统计识别的呼吸暂停数量，再通过计算患者整晚的AHI指数，以此检测评估呼吸暂停患者的患病程度。
[0038]以下结合附图对本专利技术实施例的具体实施方式进行详细说明。在此所描述的具体实施方式仅用于说明和解释本专利技术实施例，并不限制本专利技术实施例。
[0039]图1为本专利技术实施例中提供的一种基于双流多尺度模型的呼吸暂停鼾声识别方法流程图，如图1所示，该方法包括如下步骤
[0040]S1)鼾声数据预处理；
[0041]首先为了提升高频部分，使鼾声信号的频谱变得光滑平坦，对鼾声音频进行预加重，预加重公式为
[0042]H(z)＝1
‑
μz
‑1[0043]将预加重后的数据进行分帧，先将N个采样点集合成一个帧，使相邻的每一帧之间的参数可以平滑过渡，分帧公式为
[0044][0045]将分帧后的每一帧乘以汉明窗，目的是增加帧的连续性，减少频域信号特征泄露的情况，加窗公式为
[0046][0047]S2)提取鼾声数据特征；
[0048]将离散傅里叶变换后的鼾声信号通过梅尔标度三角形滤波器组以得到每个三角滤波器的输出能量，其对数形式表示为
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双流多尺度模型的呼吸暂停鼾声识别方法，其特征在于，所述方法包括：S1)鼾声数据预处理；S2)提取鼾声数据特征；S3)设置模型结构及训练参数；S4)训练模型，保存训练后的模型；S5)利用保存的模型进行鼾声数据检测；S6)通过AHI指数完成呼吸暂停患者的识别。2.根据权利要求1所述的一种基于双流多尺度模型的呼吸暂停鼾声识别方法，其特征在于，所述步骤S1)鼾声数据预处理，包括：信号预加重；信号分帧加窗；预加重公式为H(z)＝1
‑
μz
‑1式中H(z)表示信号经过预加重过程后的输出，μ为输入信号；信号通过预加重后，通过N个采样点收集到一个单元中，使相邻的每一帧之间的参数可以平滑过渡分帧公式如下加窗是每个帧乘以汉明窗，以减少频域信号特征泄露的情况，其公式为其中T[]为分帧函数，x(m)为被测鼾声信号，w(n)为汉明窗序列，h(n)为汉明窗口函数相关的滤波器。3.根据权利要求1所述的一种基于双流多尺度模型的呼吸暂停鼾声识别方法，其特征在于，所述步骤S2)提取鼾声数据特征，包括：MFCC特征提取算法。4.根据权利要求1所述的一种基于双流多尺度模型的呼吸暂停鼾声识别方法，其特征在于，所述步骤S3)设...

【专利技术属性】
技术研发人员：郭滨，尚玉卓，马卫娇，李鲁，郭谦锐，李相昆，赵咨俊，常兆阳，杨振，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：