阻塞性呼吸暂停事件邻近鼾声特征分析文献综述

 2022-11-24 21:26:14
{title}{title}

文 献 综 述

OSAHS，即阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea-hypopnea syndrome)的缩写，是一种常见的慢性疾病，一直影响着人们的健康，发病率高，主要是指睡眠时上气道塌陷阻塞引起的呼吸暂停和通气不足[1]。OSA的特征是在睡眠期间反复完全停止呼吸（呼吸暂停）或部分停止呼吸不足。OSA严重程度通过呼吸暂停低通气指数（AHI）来衡量，呼吸暂停低通气指数是每小时睡眠的平均呼吸暂停和呼吸不足事件数[2]。呼吸暂停是指睡眠过程中口鼻气流停止ge;10s，低通气是指睡眠过程中呼吸气流强度较基础水平降低超过30%以上，并伴血氧饱和度(SaO)3%或伴有觉醒。阻塞性呼吸暂停患者通常需要终生治疗，其主要表现特征有打鼾、睡眠结构紊乱、频繁发生血氧饱和度下降、白天嗜睡等。

多导睡眠图检测（polysomnog raply PSG）是诊断和观察睡眠障碍的经典方法，为患者提供了科学准确的临床诊断。在检测过程中，电极连接到病人的皮肤上，记录脑电、心电等种种生理信号,通过滤波后再经过放大后输出至存储装置。这些信号在显示屏上同步显示并存储在计算机的硬盘上。经由计算机软件系统的帮助可及时或事后对记录信息进行初步剖析，然后专业人员可以手动对其进行校正，分析患者的睡眠状态，呼吸和心脏状况,最后给出分析结果，并进行后续的科学诊断[3]。但是，PSG有两点弊端影响了其发展:一是设备复杂，价格昂贵,不易大量推广;其次，PSG是一种“侵入式'监测设备，患者身体需要连接大量的生理电极[4],并需整夜睡在相对安静的实验室中，使得监测过程中的睡眠状态与自然睡眠时有所不同[5]。

近十年来,利用鼾声信号的声学特征分析睡眠呼吸疾病的研究受到医疗界和信号处理学者的联合关注[6]。鼾声是OSAHS最主要的症状之一,且易于采集,鼾声信号中丰富的声学特征与病理是有关联的[7]。研究发现，在基于声学的分析中，打鼾对区分单纯打鼾和睡眠呼吸暂停(obstructive sleep apnea, OSA)具有很大的潜力。由于这种方法是非侵入式且易于使用，同时具有可在家中使用等多种优点，因此引起广泛的研究和关注[8]。

完整的打鼾事件包括吸气部分、过渡部分和呼气部分。吸气部分的特点是声音最响

，持续时间短。呼出段的特征是幅度更加稳定，类似于平静的呼吸，但是呼吸暂停患者的正常打鼾声时间间隔不定且振幅不稳定,呼吸暂停患者除了正常打鼾，睡眠时还往往出现不同程度的呼吸暂停,医学上称之为睡眠呼吸暂停综合征。由于不同呼吸暂停患者上呼吸道生理结构的差异，打鼾声音的组成可能混乱，鼾声幅度和间隔都不均匀,在睡眠呼吸暂停后会伴随2-4次打鼾,其中第一次鼾声振幅最大，睡眠呼吸暂停患者由于上气道阻塞导致呼吸不畅。

鼾声的产生机理与语音类似[9]，[鼾声是由于气流撞击上气道阻塞部位导致阻塞部位振动，通过上气道共鸣系统后产生的声音，与声带激励源振动和声道响应后产生语音的过程。对于一段完整的鼾声信号，我们可以将其分为三种情况：无声段 ̖过渡段和有声段。通过分析鼾声信号的时域波形，我们可以得知鼾声的有声段 ̖过渡段和无声段。但为了排除高频噪声的干扰以及外界声音的影响，我们需要对过渡段进行监测，当过渡段或有声段时长在0.5s-1.8s之间时，才能判断该声段为鼾声段 [10]。

人类听觉对声音频率范围的感知在1000Hz以下近似遵循线性关系，在1000Hz以上不再遵循线性关系，而是遵循在对数频率坐标上的近似线性关系[11]。MFCC充分考虑了人耳的听觉特性将线性频率转化为非线性Mel尺度,在倒频域形成了MFCC向量线性频率(Hz )和音调(Mel)的关系。

MFCC是在语音相关识别中应用最成功的特征描述之一[12],通过提取鼾声信号的MFCC特征,对不同类型的鼾声信号进行分析，可以进行QSAHS患者鼾声严重程度的筛查。鼾声信号的MFCC提取过程包括以下几步：首先对鼾声信号进行预处理，再对预处理之后的信号进行快速傅里叶变换，然后进行频谱搬移，最后通过DCT(discrete cosine transform)离散余弦变换得到MFCC特征。

修正的频谱质心是指对频谱质心计算中的频谱幅度修正为频谱能量，提取所有帧的修正后的频谱质心的均值和差分作为特征[13],子带能量特征是在频8000Hz内均匀划分出16个子带,提取16个子带的归一化能量的均值和提取相邻时间段的16个子带能量的差分作为特征.在频谱幅度值包络下归一化面积特征.频谱熵特征是分别从时间方向和频率方向对声谱图计算熵，得到两个熵值.基频是由声源的周期性振动造成的，是声音信号的最小周期的倒数.现在有倒谱法、线性预测法、自相关法等多种方法计算基频,子带能量比特性达到区分OSA患者和单纯打鼾者的目的，但其目标是实现呼吸暂停患者的筛选而

非判断，需要后期结合PSG进行呼吸暂停判断。

卷积神经网络(CNN)是多层前馈神经网络的变体，其通过考虑局部和全局特征专门用于处理大规模图像或视觉数据[14]。与多层感知器类似，CNN是一个堆叠成多个层的网络,其中前一层的输出通过一组可学习的权重和偏差顺序连接到下一层的输入[15]。主要区别在于，通过卷积的操作捕获特征的不同视角，将每个图层表示为输入和输出特征图。

CNN基本上由三个主要操作组成:卷积 ̖非线性和池化/子采样。卷积层和池化层在CNN网络中交替堆叠在一起，直到获得用于最后一层分类的高级特征为止[14]。此外，在每个卷积层中可以存在若干特征图，并且同一特征图中的卷积节点的权重可以共享。这个设计使CNN能够在保持参数数量易处理的同时可以学习到不同的特征。利用CNN对整夜鼾声进行学习，提取OSAHS患者鼾声的特征，建立数据库。当输入新的鼾声片段后，我们可以通过与已经建立好的数据库中的OSAHS患者鼾声信号特征进行对比，则可判断出该未知鼾声片段是来自于正常人还是OSAHS患者。

参考文献

  1. Spruyt K, Gozal D. A mediation model linking body weight，cognition，and sleep-disordered breathing [J]. Am J Respir Crit Care Med, 2012, 185(2):199-205．
  2. Rosenwein T, Dafna E, Tarasiuk A, and Zigel Y. Breath-by-breath detection of apneic events for OSA severity estimation using non-contact audio recordings [C]. 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2015: 7688-7691.
  3. 陈伟伟.基于鼾声检测的睡眠呼吸暂停低通气综合征诊断[D].大连理工大学，2010Chen weiwei.Diagnoise of sleep apenea hypopnea based on snoring detection[D],Dalian:Dalian University of Technology,2010
  4. 韩娜,辛莹莹阻塞性睡眠呼吸暂停综台症患者的护理[J]饮食保健, 2018 (9) :225-226Han Na, Xin Yingying. Nursing care of patients with obstructive sleep apnea syndrome[J] Dietary Health, 2018 (9) :225-226
  5. Nakano H,Funkawa T,Nishina S.Relationship between snoring sound intensity and sleepiness in patients with obstructive sleep apnea[J], Journal of clinical sleep medicine:JCSM:official publication of American Academy of Sleep Medicine,2008,4(6):551
  6. 许辉杰,余力生,黄魏宁,等. OSAHS患者与单纯打鼾者鼾声声学特性初步研究[J].听力学及言语疾病杂志, 2009, 17(3):235-238.
  7. Pevernagie D, Aarts R M, De M M. The acoustics of snoring[J]. Sleep Medicine Reviews ,2010, 14(2):131-144.
  8. Rosenwein T, Dafna E, Tarasiuk A, and Zigel Y. Detection of Breathing Sounds During Sleep Using Non-Contact Audio Recordings [C]. 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2014: 1489-1492.
  9. NgAK, KohT s, Baey E, et al. Could formant frequencies of snore signals be an alternative means for the diagnosis of obstructive sleep apnea?[J] Sleep Medicine, 2008, 9(8):894-898.
  10. 杨贺基于AHI指数的OSAHS筛查系统的研究与实现[D].大连:大连理工大学，2015Yang He. Research and implementation of OSAHS screening system based on AHI index[D]. Dalian:Dalian University of Technology, 2015
  11. Nakamura K, Toda T, Saruwatari H, et al. Speaking-aid systems using GMM-based voice conversion for ele ctrolaryngeal speech[J]. Speech Communication, 2012, 54(1):134-146.
  12. Kinnunen T. Saeidi R, Sedlak F, et al. Low-variance multitaper MFCC features:a case study in robust speaker verification[J]_ IEEE Transactions on Audio Speech and Language Processing, 2012, 20(7):1990-2001.
  13. MLYNCZAK M, MIGACZ E, MIGACZ M, et al. Detecting breathing and snoring episodes using a wireless tracheal sensor-A feasbilitl study[J] IEEE Journal of Biomedicalamp;Health Informatics, 2017, 21 (6) :1504-1510.
  14. Schmidhuber J. Deep learning in neural networks: An overview[J], Neural networks, 2015,61:85-117.
  15. LeCun Y, Bengio Y, Hinton G. Deep learning[J]. nature, 2015, 521(7553): 436.

以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章