阻塞型睡眠呼吸暫停低通氣綜合癥（Obstructive Sleep Apnea Hypopnea Syndrome,OSAHS）是一種常見的睡眠疾病,會導(dǎo)致患者夜間睡眠缺氧,嚴(yán)重影響了患者的睡眠質(zhì)量和身體健康,因此對OSAHS的檢測與診斷十分重要。目前檢測OSAHS的金標(biāo)準(zhǔn)是多導(dǎo)睡眠監(jiān)測,但多導(dǎo)睡眠監(jiān)測檢測費(fèi)用較高,并且需要使用多根導(dǎo)聯(lián)線連接患者,對患者睡眠造成影響。因此本文提出了一種基于概率集成回歸模型的呼吸暫停低通氣指數(shù)預(yù)測方法,以實現(xiàn)患者OSAHS檢測。算法的成功實施可以極大地方便OSAHS疑似患者的檢測,降低OSAHS對患者身體健康的威脅。首先,本文提出的OSAHS診斷方法的創(chuàng)新點在于將鼾聲與血氧飽和度結(jié)合,利用OSAHS的特點,對血氧飽和度進(jìn)行了預(yù)處理,采用中值濾波去除血氧飽和度中的噪聲,依據(jù)血氧飽和度下降閾值執(zhí)行下降段處理。根據(jù)血氧飽和度下降段對應(yīng)的時間找到鼾聲信號,利用梅爾倒譜系數(shù)進(jìn)行特征提取,將特征輸入到卷積神經(jīng)網(wǎng)絡(luò)中結(jié)合邏輯回歸模型將下降段音頻信號分類為鼾聲、呼吸和噪聲,并對處理后的鼾聲與血氧飽和度進(jìn)行特征提取。其次,通過對概率集成回歸模型的原理、結(jié)構(gòu)介紹,利用概率集... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

PSG監(jiān)測圖

鼾聲與血氧飽和度處理相關(guān)技術(shù)92鼾聲與血氧飽和度處理相關(guān)技術(shù)2.1鼾聲預(yù)處理相關(guān)理論概述鼾聲預(yù)處理包括以下步驟：將音頻信號利用梅爾倒譜系數(shù)進(jìn)行聲音識別，識別出來的聲音進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，通過邏輯回歸模型將音頻信號分為鼾聲呼吸和噪聲。首先梅爾倒譜系數(shù)（MelFrequencyCepstralCoefficents，MFCC）是一種能夠自動識別語音說話的特征。針對人耳能夠聽到的聲波不同，對聲音做出的反應(yīng)也不同，由于人耳內(nèi)高音很容易被低音覆蓋，因此低頻聲音處的高頻聲音要小很多，梅爾倒譜系數(shù)[47]是將低頻到高頻頻帶內(nèi)進(jìn)行帶通濾波，使得輸入的音頻經(jīng)過每個帶通濾波器，輸出音頻或語音信號的基本特征。其次卷積神經(jīng)網(wǎng)絡(luò)(Convolutionalneuralnetworks，CNN)是應(yīng)用最廣泛的深度學(xué)習(xí)方法，尤其在圖像識別領(lǐng)域取得了最先進(jìn)的性能。近年來，CNN被應(yīng)用于生物信號分類問題，如EEG，EOG，ECG。Haidar等人[48]提出了一種利用CNN檢測呼吸暫停低通氣事件的方法，在他們的方法中，評估了CNN在非重疊的30秒間隔內(nèi)檢測睡眠呼吸暫停事件的能力，但沒有評估整個睡眠記錄時間內(nèi)的事件檢測性能。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是多層前饋神經(jīng)網(wǎng)絡(luò)的一個變體，通過一層層的堆疊形成多個層的網(wǎng)絡(luò)，第一層為輸入層，第一層的輸出是下一層的輸出，主要操作有三個，卷積，非線性和池化。最后利用邏輯回歸模型對分類的可能性進(jìn)行建模，預(yù)測出聲音類別。本文中利用梅爾倒譜系數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)合邏輯回歸模型，實現(xiàn)對鼾聲音頻信號的分類。通過對梅爾倒譜系數(shù)，卷積神經(jīng)網(wǎng)絡(luò)以及邏輯回歸理解和利用，將音頻信號分類為：鼾聲，呼吸和噪聲，音頻信號處理流程如圖2-1所示。圖2-1音頻信號處理Fig2-1Audiosignalprocessing

西安理工大學(xué)碩士學(xué)位論文12最后計算出每個濾波器組的對數(shù)能量：120()ln(|()|()),0NamksmXkHkmM==∑≤≤（2-6）再經(jīng)離散余弦變換（DCT）得到MFCC系數(shù)：10(0.5)()()cos(),1,2,...,NmnmCnsmnLMπ==∑=（2-7）將對數(shù)能量代入離散余弦變換中，以獲得L階的梅爾倒譜系數(shù)。L階是MFCC系數(shù)的階，通常為12-16。M是三角形濾波器的數(shù)量，倒譜是對數(shù)信號的傅立葉變換的頻譜，然后是傅立葉逆變換。此外，一幀的音量（即能量）也是音頻的重要特征。因此，通常添加一幀的對數(shù)能量，即每幀信號的平方和，以10為底的對數(shù)乘以10，可以為每幀的基本音頻特征增加一個維度，包括一個對數(shù)能量和其余倒譜參數(shù)[54]。綜上所述，可得梅爾倒譜系數(shù)的流程：首先對音頻信號進(jìn)行預(yù)加重、分幀和加窗，加強(qiáng)音頻信號的性能（信噪比，處理精度等等）；其次對每個分析窗通過FFT得到對應(yīng)的頻譜，獲得分布在時間軸上不同時間內(nèi)的頻譜，然后將頻譜通過梅爾濾波器組得到梅爾頻譜，通過梅爾頻譜將線性的自然頻譜轉(zhuǎn)換為體現(xiàn)聽覺特性的梅爾頻譜[55]；最后在梅爾頻譜上進(jìn)行倒譜分析，通過取對數(shù)，做逆變換取DCT后的第二到第13個系數(shù)作為梅爾倒譜系數(shù)，如圖2-4所示為提取梅爾倒譜系數(shù)特征的過程。預(yù)加重、分幀和加窗FFT（FastFouriertransform）取絕對值或平方值梅爾濾波取對數(shù)DCT（Discretecosinetransform)動態(tài)特征輸出處理后音頻輸入音頻圖2-4梅爾倒譜系數(shù)特征處理的過程Fig2-4MFCCfeatureprocessingprocess


本文編號：2995239