[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

说明书

本发明公开了一种基于深度学习的睡眠鼾声分类检测方法，该方法主要包括：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，获取睡眠声信号中的有声段图谱；使用深度学习对有声段图谱进行鼾声与非鼾声的分类，并保留纯鼾声的识别结果；再使用深度学习对纯鼾声的识别结果进行四类鼾声的分类，完成对呼吸暂停低通气综合征(OSAHS)患者鼾声的自动识别与检测；根据对鼾声的识别与检测结果，统计被测患者整晚各类鼾声的数量，获取被测患者整晚AHI指数。本发明还公开了一种基于深度学习的睡眠鼾声分类检测方法的检测系统。本发明的方法及系统能够有效准确评价打鼾对象是否患病及患病程度，为OSAHS患者提供数据参考。

技术领域

本发明涉及疾病检测技术领域，特别涉及一种基于深度学习的睡眠鼾声分类检测方法及系统。

背景技术

阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是较为严重的睡眠呼吸障碍,病症主要表现为患者在睡觉过程中呼吸道软腭多次内陷,反复阻塞气道,导致呼吸受阻,临床表现为晚上睡觉时打鼾并伴随呼吸暂停或呼吸气流流量小。呼吸暂停是指患者在睡觉时呼吸气流消失超过10秒的情况，低通气是指患者在睡觉时呼吸气流强度低于基本值的50％，同时血氧浓度下降到低于正常水平96％的情况。

对于OSAHS的检测，传统的方法是通过多导睡眠监测装置对病人进行6至7小时的睡眠监督和测量，可记录并分析EEG(脑电图)、ECG(心电图)、EOG(眼电图)、EMG(肌电图)，鼾声、血氧饱和度、呼吸频率、体位等多个睡眠时的体征参数，该方法准确可靠，但是由于需要在患者身上安置超过15个导联，影响到了患者的正常睡眠状态，并且价格不菲，而且通过多导睡眠图(PSG)获取的信息必须利用人工辨别出现的问题，非常不便，人们正在寻找经济有效且可靠的辅助诊断方法。

鉴于鼾声的产生与呼吸道的生理结构关系紧密，鼾声极有可能能够反映出患者呼吸道发生病变的一些情况，并且有研究表明普通打鼾者发出的鼾声同OSAHS患者之间的鼾声存在一定的差异。AHI指数(暂停低通气指数)是判定OSAHS患者患病程度的最直观的标准，如果不对鼾声进行分类将很难从鼾声获取病人的AHI指数，因此对患病鼾声进行分类研究有其必要性，且通过将病患的整晚鼾声进行分类识别将有助于OSAHS患者病情的诊断和监控。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于深度学习的睡眠鼾声分类检测方法，将睡眠声信号进行处理有效信号提取，获取有声段图谱，使用深度学习对有声段图谱进行鼾声与非鼾声的分类，获取识别结果为纯鼾声的图谱及音频文件，再使用深度学习对纯鼾声的图谱及音频文件进行四类鼾声分类，完成对呼吸暂停低通气综合征鼾声的自动识别与检测，然后统计被测患者整晚各类鼾声的数量，获取被测患者整晚AHI指数。本发明方法使用深度学习对图谱进行了高准确度的识别，有利于准确评价打鼾对象是否患病及患病程度，为OSAHS患者提供数据参考。

本发明的另一目的在于，运用基于深度学习的睡眠鼾声分类检测方法，提出基于深度学习的睡眠鼾声分类检测方法的检测系统。

为实现以上目的，本发明采取如下技术方案：

一种基于深度学习的睡眠鼾声分类检测方法，包括下述步骤：

S1、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，获取睡眠声信号中的有声段图谱，有声段为一个鼾声或呼吸声；

S11、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；

S12、根据步骤S11得到的睡眠声信号最终的有效值信号，获取睡眠声信号的有声段图谱；

S2、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；