[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

摘要

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。

主权项

1.一种基于深度学习的睡眠鼾声分类检测方法，其特征在于，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；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；S3、根据步骤S2获得的纯鼾声图谱及音频文件，采用如同步骤S2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；S4、根据步骤S3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。