基于混合神经网络的鼾声和睡眠呼吸暂停综合征检测

摘要

睡眠呼吸暂停是一种由于反复较长时间呼吸停止导致睡眠连续性中断和短暂的血氧含量降低及二氧化碳含量增高的严重疾病，而阻塞性睡眠呼吸暂停(obstructive sleep apnea，OSA)又是其中最常见的一种类型，系由睡眠中反复出现的喉部或上气道闭合引起的。多导睡眠监测(Polysomnography, PSG)是OSA诊断的“黄金标准”，然而为患者实施PSG诊断是困难和昂贵的。因此，迫切需要一种快速有效的检测阻塞性睡眠呼吸暂停事件的方法。 鼾声是阻塞性睡眠呼吸暂停的基本信号，携带着有关于上呼吸道阻塞的信息，准确分析和评估潜在OSA患者的鼾声，对OSA的诊断具有良好的指导作用。因此本文从鼾声声学分析入手，提出了OSA的检测算法，本文主要工作内容如下: 首先仅使用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficents，MFCC)特征，并基于栈式自编码网络(Stacked Autoencoder, SAE)进行模型的搭建，通过从睡眠声音记录中分类不同的事件（打鼾，OSA和静默）来评估所提出模型的性能。 然后深入挖掘特征和模型结构，增加线性预测系数(linear predict coefficient，LPC)特征并基于混合神经网络（hybrid neural network，HNN）来进行模型的搭建。将模型的分类结果与正确标注进行比较，提出的模型，对于打鼾事件的检测，能够达到90.65％的灵敏度，对于OSA的检测可以达到90.99％的灵敏度，对于静默事件的检测可以达到90.30％的灵敏度，结果表明该模型可以为诊断OSA提供一定的依据。

目录

声明

摘要

第一章绪论

1．1 研究背景

1．2研究现状

1．3本课题研究的目的和意义

1．4本文主要研究工作

1．5相关工作

第二章相关工作

2．1 睡眠呼吸暂停综合征检测的相关研究

2．1．1 基于多导睡眠图的睡眠呼吸暂停综合征检测

2．1．2基于心电图信号的睡眠呼吸暂停综合征检测

2．1．3基于声学特征的睡眠呼吸暂停综合征检测

2．1．4基于柏林问卷等筛查工具的睡眠呼吸暂停综合征检测

2．2神经网络相关理论概述

2．2．1 RNN网络

2．2．2 CNN网络

2．2．3栈式自编码网络

2．3评估标准

2．4实验环境

2．5本章小结

第三章基于SAE的鼾声及睡眠呼吸暂停综合征检测

3．1实验数据集

3．2数据预处理

3．2．1数据降噪

3．2．2数据标注及特征提取

3．3基于SAE的实验和结果

3．4．1模型框架

3．4．1模型调优

3．4．3实验结果与分析

3．4本章总结

第四章基于HNN的鼾声及睡眠呼吸暂停综合征检测

4．1特征分析

4．2模型整体架构

4．3基于HNN的实验和结果

4．3．2对比实验

4．3．3实验结果与分析

4．4本章小结

第五章总结与展望

5．4全文回顾

5．6展望

参考文献

发表论文和参加科研情况

致谢