【技术实现步骤摘要】
基于谐波冲激增强频谱特征的鼾声分类方法及系统
[0001]本专利技术涉及音频信号处理与
,具体涉及一种基于谐波冲激增强频谱特征的鼾声分类方法及系统,更具体地说,本专利技术涉及一种利用谐波冲激增强频谱特征和卷积神经网络对鼾声进行分类的方法及系统
。
技术介绍
[0002]阻塞性睡眠呼吸暂停
(obstructive sleep apnea,OSA)
是一种严重的睡眠障碍疾病,病症主要表现为患者在睡眠时上呼吸道频繁塌陷,导致呼吸气流反复停止或减少,在临床上表现为响亮打鼾
、
呼吸突然暂停和身体突然觉醒
。OSA
会导致低氧血症
、
高血压
、
中风
、
心力衰竭甚至猝死等严重后果
。
目前对
OSA
进行诊断需要患者在睡眠实验室与超过
15
个通道的测量设备进行连接并进行整夜的多导睡眠监测,并由专业的睡眠技师进行数据分析,整个过程十分昂贵且耗时
。
另外,中国仅有约
3000
家睡眠实验室,且集中在三甲医院,而中国的
OSA
患者已达到
1.76
亿,诊断率和治疗率均不足1%
。
因此,一种经济便捷的检测方式对于提高患者早期发现睡眠呼吸暂停疾病具有重要意义
。
[0003]打鼾是
OSA
患者的最显著症状,并且鼾声由上气道软组织振动产生,携带着上气道是否存 ...
【技术保护点】
【技术特征摘要】
1.
一种基于谐波冲激增强频谱特征的鼾声分类方法,所述方法包括:提取鼾声信号的梅尔频谱;将梅尔频谱分解为谐波频谱和冲激频谱;计算谐波频谱的频率权重和冲激频谱的时间权重,并分别进行加权得到谐波增强频谱和冲激增强频谱;将谐波增强频谱和冲激增强频谱以一定比例线性组合,得到谐波冲激增强频谱;将谐波冲激增强频谱特征输入训练好的卷积神经网络,得到鼾声分类结果
。2.
根据权利要求1所述的基于谐波冲激增强频谱特征的鼾声分类方法,其特征在于,所述卷积神经网络包括一个卷积层
、
多个残差块和一个融合输出块;其中,所述卷积层用于对输入的谐波冲激增强频谱特征依次进行卷积
、
批标准化
、ReLU
激活函数和平均池化,并输出提取的特征;每个残差块均依次包括:两个卷积层
、
挤压激活操作层和残差连接,用于对卷积层输出的特征再次进行深度提取;所述融合输出块依次包括:卷积层
、
通道注意力机制
、
全局平均池化和全连接层,用于融合特征中不同通道之间的信息,并输出鼾声分类结果
。3.
根据权利要求2所述的基于谐波冲激增强频谱特征的鼾声分类方法,其特征在于,所述方法还包括卷积神经网络的训练过程;训练过程包括如下步骤:采集各种鼾声信号,并处理得到各鼾声信号的谐波冲激增强频谱;构建卷积神经网络;将各鼾声信号的谐波冲激增强频谱作为训练数据集输入到卷积神经网络中,对卷积神经网络进行训练,得到训练好的卷积神经网络
。4.
根据权利要求1‑3之一所述的基于谐波冲激增强频谱特征的鼾声分类方法,其特征在于,所述提取鼾声音频的二维梅尔频谱,包括:采用短时傅里叶变换将鼾声信号由时域转换到时频域,将线性频谱转换为梅尔频谱
。5.
根据权利要求1‑3之一所述的基于谐波冲激增强频谱特征的鼾声分类方法,其特征在于,采用谐波冲激分解算法将梅尔频谱分解为谐波频谱和冲激频谱
。6.
根据权利要求1‑3之一所述的基于谐波冲激增强频谱特征的鼾声分类方法,其特征在于,使用具有温度系数的
softmax
函数来获得谐波频谱的频率权重和冲激频谱的时间权重
。7.
根据权利要求6所述的基于谐波冲激增强频谱特征的鼾声分类方法,其特征在于,谐波频谱的频率权重
w
h
[k]
计算如下:其中,
E
h
[k]
为谐波频谱在频率
k
上的能量,
E
h
[k]
=
∑
m
|H[m,k]|
;
H[m,k]...
【专利技术属性】
技术研发人员:张学帅,胡澳林,颜永红,张鹏远,
申请(专利权)人:中国科学院声学研究所,
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。