[发明专利]一种有监督的鼾声来源识别方法

说明书

本发明公开了一种有监督的鼾声来源识别方法。该方法包括数据的预处理、训练和识别，具体步骤为：首先，对鼾声实测数据进行Mel频率变换，得到数据样本；其次，设置卷积神经网络的结构、卷积层输出特征图数量和卷积核大小、池化尺寸、权矢量更新学习率、批训练样本数目、训练迭代次数；再次，将训练集的鼾声时频谱图作为卷积神经网络输入，根据设置好的网络结构进行网络初始化，经过前向过程、方向误差传播、更新权值和偏置，直到达到指定的迭代次数，完成训练过程；最后，将测试集送入训练好的网络模型，得到识别结果。本发明可以有效地识别出鼾声来源，识别结果准确，性能优良。

技术领域

本发明属于非语音识别技术领域，特别是一种有监督的鼾声来源识别方法。

背景技术

阻塞性睡眠呼吸暂停/低通气综合征是一种睡眠呼吸疾病，与上气道阻塞、气道结构性狭窄以及上气道肌张力降低密切相关。在美国仅阻塞性睡眠呼吸暂停综合征就有约1500万成年患者，并且该病常见于高血压和其他心血管疾病(包括冠心病、中风和心房颤动)患者。全球范围内阻塞性睡眠呼吸暂停/低通气综合征的发病率较高，男性发病率大于女性(成年男性患病率为3％～7％，成年女性为2％～5％)。阻塞性睡眠呼吸暂停/低通气综合征常伴有打鼾、睡眠结构紊乱、频繁发生血氧饱和度下降、白天嗜睡等病征，可以是高血压、冠心病的独立危险因素。目前主要利用多导睡眠图诊断鼾症，但是其价格昂贵，并且对病人来说也是一种侵入式的不适。由于声学研究具有非接触式、非侵入式、低成本的优点，引起了越来越多的关注和研究。

早期的声学研究包括连续声压级测量和时频域波形的观察。最近，出现了在机器学习方法上的探索。针对鼾声检测，Tan L N等人提出了一种相关滤波器多层感知神经网络，采用频域上的相关滤波器充当第一层隐层，其他隐层则是常规的多层感知机，相较于常规的多层神经网络在测试集82％的平均检测率，该方法取得了96％的平均检测率。但是，多层神经网络结构复杂，需要训练的参数过多，学习特征效率较低。

发明内容

本发明的目的在于提供一种训练参数少、学习特征效率高的有监督的鼾声来源识别方法。

实现本发明目的的技术解决方案为：一种有监督的鼾声来源识别方法，步骤如下：

步骤1、利用麦克风阵列鼾声采集系统获取实测数据，并对实测数据进行鼾声片段的标记；

步骤2、对步骤1中得到的实测数据进行特征提取，得到基于Mel频率变换的时频谱图；

步骤3、将步骤2中提取的特征作为卷积神经网络的输入，进行训练和识别。

本发明与现有技术相比，其显著优点为：(1)仅依赖于输入数据样本和误差反向传播算法，使得前几层网络调整为适用于识别的网络模型；(2)局部感知和权值共享、卷积层与池化层交替出现，使得其具有更少的权值参数；(3)识别结果准确，性能优良。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是Mel频率计算总体流程图。

图2是实测数据的时域、频域图，其中(a)为实测数据的时域图，(b)为实测数据的频域图。

图3是鼾声数据的样本示意图。

图4是面向鼾声识别的卷积神经网络训练整体流程图。

图5是卷积神经网络的结构框图。

图6是二维卷积操作示意图。

图7是池化示意图。

具体实施方式

本发明提供一种以Mel频率为特征，基于卷积神经网络的鼾声来源识别方法，其主要内容包括：

(一)将基于Mel频率变换的时频谱图输入到卷积神经网络，进行训练；