[发明专利]一种基于深度学习的睡眠鼾声分类检测方法及系统

权利要求书

1.一种基于深度学习的睡眠鼾声分类检测系统，其特征在于，包括

信号提取模块，用于通过传感器采集被测患者整晚的睡眠声信号，并对所述睡眠声信号中的有声段进行探测，有声段为一个鼾声或呼吸声；

具体为：

对所述睡眠声信号中的有声段进行探测：对所述睡眠声信号进行预加重和分帧的预处理，并对预处理后的睡眠声信号进行降噪处理，再将计算降噪处理后的睡眠声信号中有声段及残余噪声段的有效值，根据睡眠声信号的有效值轮廓，确定最终的有效值信号；

计算模块：根据上一模块获得的最终的有效值信号，获取睡眠声信号的有声段图谱；

所述有声段图谱包括信号图、频谱图、以及语谱图；

获取有声段的信号图：信号图为有声段的信号波形图，去掉坐标，只保留图形部分；

获取有声段的频谱图：对有声段信号做离散傅里叶变换所画出的频谱图，去掉坐标，只保留图形部分，傅里叶变换如下式(1)：

其中，k表示离散频率，N表示傅里叶变换的点数，n表示做傅里叶变换的点的序数，j是虚数单位，x(n)表示时域下第n个点的值；

获取有声段的语谱图：语谱图是以时间为横坐标，以频率为纵坐标所得到的声音能量分布图，以不同颜色表征不同的能量大小，去掉坐标，只保留图形部分；

识别模块，分两部分，第一部分：使用深度学习对有声段图谱进行鼾声与非鼾声的分类，并完成对鼾声与非鼾声的自动侦测与识别，保留识别结果为鼾声的图谱及音频文件；

所述使用深度学习对有声段图谱进行鼾声与非鼾声的分类，采用卷积神经网络，其过程包括：(1)确定卷积神经网络收敛方式；(2)选择激活函数；(3)选择网络输出预测结果概率函数；(4)通过卷积神经网络训练获取其参数；(5)根据损失函数对卷积神经网络参数进行调整，以完成对鼾声与非鼾声的自动识别；

第一部分实现具体包括下述步骤：

S21、确定卷积神经网络收敛方式：按照正则化后的梯度下降法收敛网络，具体利用如下公式：

其中α为正则系数，ε为学习率，J(w,X,y)为目标函数，y为上一轮训练的输出值，w为滤波器权重；

S22、选择激活函数：选择ReLU函数作为激活函数，

其中x是上一卷积层计算所得数值；

S23、选择网络输出预测结果概率函数：选择softmax函数作为输出预测结果概率函数；假设存在一个数组z,z_i是其中一个元素，则

其中y_i是输出识别分数；因为要将有声段图谱分为鼾声与非鼾声两类，故对每张图谱输出两个y，softmax函数的作用即把输入的类别参数z_i转换成识别分数，得分最高的即为分类器输出的最终辨识结果；

S24、通过卷积神经网络训练获取其参数：使用卷积神经网络对步骤S23所分类的图谱集进行初步试训，获取卷积神经网络训练参数大致范围，参数包括：学习率初始值和学习率变化方案、L¹和L²正则系数、权值初始化方式、网络层数、池化方式、激活函数、以及训练和测试批大小；

S25、根据步骤S24训练及测试所得的损失函数曲线判断训练状态，以此状态为依据对卷积神经网络训练参数进行调整，得出最终训练结果，完成对鼾声与非鼾声的自动识别，并提取出鼾声的图谱及音频文件用作后续使用；

第二部分：根据第一部分获得纯鼾声图谱及音频文件，采用如同第一部分的深度学习对纯鼾声图谱及音频文件进行鼾声分类，完成对呼吸暂停低通气综合征鼾声的自动识别与检测；

统计预测模块，根据第二部分的识别与检测结果，统计被测患者整晚各类鼾声的数量，获取被测患者整晚暂停低通气指数，即AHI指数，完成对被测患者整晚鼾声AHI指数的预测。