论文部分内容阅读
阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是一种严重的与睡眠相关的呼吸障碍,鼾声是OSAHS患者最早出现、最显著性的特征性症状。近年来,基于鼾声分析技术诊断OSAHS的研究得到快速发展,国内外许多研究者对鼾声的声学特性进行研究,试图利用鼾声分析技术探寻一种便携、低廉、能广泛用于OSAHS患者诊断的监测系统。利用鼾声分析技术诊断OSAHS需要从患者整晚睡眠鼾声信号中自动分离出鼾声段。文中提出一种自动鼾声分离算法探测睡眠鼾声信号中的鼾声段。在实验环境下获取6名受试者整晚的睡眠鼾声信号及PSG数据,利用自适应有效值门限法探测潜在鼾声段,然后提取潜在鼾声段的最大功率比(MPR)、正负振幅和(PN),谱熵(SE)、样本熵(SampEn)等特征,最后利用支持向量机(SVM)对打鼾患者的鼾声与非鼾声进行识别。实验结果表明,SampEn较SE能使分类器实现更好的分类性能,该方法在鼾声识别上实现了94.0%以上的整体分类精确度,能够自动高效的分离鼾声与非鼾声,使鼾声自动探测成为可能。由于患者整晚鼾声并非完全相同,文中对患者整晚鼾声的声学特征进行分析,探讨OSAHS患者整晚鼾声的差异以辅助OSAHS的诊断。通过分析打鼾患者鼾声的频谱质心、频谱分散度、频谱平坦度等特征,分别利用决策树与多分类SVM对整晚鼾声中呼吸紊乱事件前后鼾声、呼吸暂停中鼾声、低通气中鼾声及普通鼾声进行分类。结果表明:支持向量机对四类鼾声的分类效果优于决策树,三种寻优方法(网格搜索寻优、遗传算法寻优、粒子群算法寻优)下的SVM四分类的整体识别率均达到91.14%以上,基于粒子群寻优算法的SVM惩罚系数适中,运算时间短,分类效果达91.14%,可作为四类鼾声分类的最优方法对四类鼾声进行识别,为预测AHI进而判断OSAHS严重程度提供指导。