专利名称：根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方法医学上，PSG作为判断OSAHS严重程度的黄金标准，主要由专业人员依据多路 传感信号(眼电图，脑电图，心电图，肌电图，鼻气流，胸部运动，腹部运动，血氧变化等)综合 判断患者呼吸暂停的类型(中枢类型，阻塞类型或混合类型)，以及OSAHS严重程度。医学 上呼吸暂停与低通气指数(Apnea Hypopnea Index, AHI)表示OSAHS严重程度，按AHI可 将鼾声分为四类0<ΑΗΙ彡5属于单纯鼾声(或简单鼾声)，5<AHI彡20属于轻度0SAHS， 20<AHI彡40属于中度0SAHS，AHI>40属于重度OSAHS。PSG监测示意图如图1所示，患者 脸部、胸腹部以及手指上都贴有不同的传感器，传感器通过导线连接到床边的“黑盒子”上， 而“黑盒子”通过电缆线连接到护士中心的PC机，从PC机上可以看到如图2所示各路传感 器的实时信号。由图1可知，PSG提供精确诊断的同时，也削减了患者的舒适度，更糟糕的 情况是，由于睡眠环境(平时睡觉没有传感器贴在身上)的改变，有时PSG监测结果并不能正 确地反映患者平时的状态。除此之外，PSG监测费用昂贵，PSG设备不便携带，需要专业人员 连接繁琐的线路以及分析整晚多路信号的数据等使PSG设备的实用性与普遍性大打折扣。鼾声是OSAHS最突出的特点之一，尽管PSG有一路贴片麦克风信号用于监 测喉部振动情况，但根据该信号仅能判断有无鼾声。而且，鼾声信号的获取不同于其他传感 信号，麦克风设备并不需要接触身体。
本发明的目的在于针对PSG监测存在的不足，提供一种根据鼾声声学特征确定阻 塞性睡眠呼吸暂停与低通气综合症严重程度的方法，并将诊断结果显示出来。基本原理众所周知，声音是由振动引起的，而语音的产生是气流经由口腔鼻腔 等声道引起共鸣，声道的共振频率称为共振峰频率，简称共振峰。与语音相似，鼾声是由呼 吸道某部位(器官)塌陷或者阻塞，导致呼吸气流不通畅引起共鸣而发出的声音。也就是 说，鼾声与阻塞位置密切相关，OSAHS严重程度不同，对应鼾声的共振峰频率分布(formant probability in sub-band,简称SBFP)也不同，而对于同一 OSAHS严重程度的患者，其鼾 声在某一频段有一致的规律。或者说，重度OSAHS的鼾声在某些频率段更容易出现共振峰，而在单纯鼾声更容易在另一频率段出现共振峰。如图3所示四种OSAHS不同严重程度的患 者的SBFP特征参数规律，其中横轴对应8个子频段，带宽均为500Hz，纵轴表示共振峰在各 个子频段的分布概率。本发明的构思是通过统计鼾声吸气段的共振峰分布概率(SBFP)这个声学特征 来确定患者的OSAHS严重程度。鼾声由吸气段、过渡段和呼吸段组成，由于鼾声吸气段的共 振峰稳定而且明显，该特征的分析对象是鼾声吸气段，以下鼾声均指其吸气段。一种根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方 法，其特征在于(1)建立四个不同OSAHS严重程度的参比模型统计不同OSAHS严重程度的共振峰分 布规律，根据SBFP特征参数建立四个不同OSAHS严重程度的参比模型，分别为简单鼾声模 型、轻度OSAHS模型、中度OSAHS模型和重度OSAHS模型；(2)检测鼾声并计算其SBFP特征参数录制被试者的鼾声，计算其鼾声的SBFP特征参数；(3)将SBFP特征参数匹配四个参比模型根据被试者的SBFP声学特征参数匹配步骤 (1)中四个参比模型，匹配概率最大的模型对应被试者的OSAHS严重程度类型；(4)显示基于声学特征的OSAHS诊断结果。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点通过采 集患者的鼾声信号、分析鼾声的声学特征并拟合PSG的诊断结果，确定OSAHS的严重程度。 在不影响患者睡眠的舒适度、对测试环境要求不高、检测方便、费用低廉的条件下，确定患 者的OSAHS严重程度。


图1 PSG多导睡眠监测的连接图。图2 PSG多导传感器信号同步显示界面。图3四个不同OSAHS严重程度的患者的SBFP特征参数规律图。图4根据鼾声的SBFP声学特征确定鼾声患者的OSAHS严重程度流程图。图5 “离线分析”不同OSAHS严重程度的声学规律的流程图。图6 “在线分析”计算被试者SBFP特征参数的流程图。图7根据鼾声声学特征分析OSAHS的人机界面。

实施例一参见图4、图5和图6，根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气 综合征(OSAiB)严重程度，其特征在于
(1)建立四个不同OSAHS严重程度的参比模型统计不同OSAHS严重程度的共振峰分 布规律，根据SBFP特征参数建立四个不同OSAHS严重程度的参比模型，分别为简单鼾声模 型、轻度OSAHS模型、中度OSAHS模型和重度OSAHS模型；
(2)检测鼾声并计算其SBFP特征参数录制被试者的鼾声，计算其鼾声的SBFP特征参数；
(3)将SBFP特征参数匹配四个参比模型根据被试者的SBFP声学特征参数匹配步骤 (1)中四个参比模型，匹配概率最大的模型对应被试者的OSAHS严重程度类型；
(4)显示基于声学特征的OSAHS诊断结果。
实施例二 本实施例与实施例二基本相同，特别之处如下
所述步骤(1)建立四个不同OSAHS严重程度的参比模型时需要 1)获取大量不同OSAHS严重程度的鼾声，其中不同OSAHS严重程度由医院PSG监测结 果获得，所述PSG监测结果必须正确；每一类OSAHS的实验需要超过500个，即四种OSAHS 程度的患者至少各500人；对于OSAHS患者，需要结合Alice中的MicL信号，使Alice信号 与鼾声同步，根据医学诊断标定的呼吸暂停低通气位置，截取对应的鼾声吸气段，作为统计 声学规律的实验数据；对于简单鼾声患者，所有鼾声的吸气段都可作为统计SBFP特征参数 的规律；由于SBFP是对被试者所有鼾声吸气段的共振峰分布规律的统计，所以鼾声的吸气 段必须完备且呼吸暂停低通气时间对应，需要手工切割鼾声。2)根据同一类OSAHS鼾声的SBFP特征训练模型，采用高斯混合模型，其中保证高 斯混合数与子频段数相等，以进一步分析导致OSAHS的可能阻塞位置。所述步骤(2)检测鼾声并计算SBFP特征参数时需要
①保证被试者处于良好的录音环境尽量减少噪音，除了可能的空调和电脑主机外， 监测时受试者单独在卧室，房门关闭，卧室外面保持安静；麦克风的位置需要通过播放测试 音的方法不断调整，必须保证与建立参比模型时录音的灵敏度一致；
②有效的鼾声检测与鼾声有关的声音包括静音、鼾声吸气段、鼾声呼气段以及说话 声，鼾声检测指从与鼾声有关的声音中检测出鼾声吸气段，必须保证鼾声吸气段检测无误， 这样统计SBFP特征参数才有意义；
③针对鼾声吸气声求共振峰在不同子频段的分布概率SBFP，将8个子频段分 为:0-500Hz,500-1000Hz,1000-1500Hz,1500-2000Hz,2000-2500Hz,2500-3000Hz, 3000-3500Hz和3500_4000Hz，估计共振峰时需要对500Hz内出现一个以上共振峰的情况合 并处理，要求计算共振峰的正确率高于90%。所述步骤(4)显示诊断结果是需要保留中间判断过程和结果，将鼾声检测的时 间和声音自动保存到PC机，同时波形显示应该以对比色显示不同的呼吸事件一主要指鼾 声事件、正常呼吸事件和呼吸暂停与低通气事件，以便核实和校准。
实施例三
如图4所示，根据鼾声SBFP声学特征确定OSAHS严重程度可分四步
(1)“离线分析”不同OSAHS严重程度的声学规律，建立四个不同OSAHS严重程度的模 型；(这里根据已有的数据分析规律，而不是对实时录音数据分析，故称为离线分析)
(2)“在线分析”计算被试者的SBFP特征参数；(在线分析指对实时录音数据处理)
(3)用步骤O)中计算的SBFP匹配(1)中的离线分析的四个模型，根据最大概率确定 被试者匹配的模型；
(4)结果显示根据匹配模型确定OSAHS严重程度，并显示OSAHS严重程度以及鼾声次数和对应时间。上述步骤(1)中实施过程如图5所示，具体步骤如下
1)获取不同OSAHS严重程度的鼾声与单纯鼾声，并结合PSG的Alice监测波形手动切 割呼吸暂停和低通气后的鼾声，作为统计共振峰规律的实验样本；
2)根据具体录音环境，对实验样本预处理，包括去噪、鼾声分成短时帧等；
3)采用线性预测分析(LPC)的方法计算共振峰；
4)根据划分的子带，统计步骤幻中计算的共振峰落在各个子带的规律，最终得到该 实验样本的SBFP特征参数；
5)采用聚类算法，对同一类OSAHS实验样本的SBFP特征参数分析，最终每一类OSAHS 都以一个GMM模型表示，其中模型参数由SBFP特征参数的均值、方差和高斯混合的权重系 数表示。上述步骤O)中的实现流程如图6所示，具体步骤如下
<1>分析的对象是被试者的整晚声音数据，该声音数据是通过麦克风采集被试者整晚 的睡眠过程得到；
<2>鼾声检测整晚声音数据可能包括鼾声、说话声、平静呼吸声、空调噪声等声音，鼾 声检测指根据一定的判断准则从整晚声音数据中自动检测鼾声吸气段，以待下一步分析； <3>预处理根据录音环境适当“去噪”以及将每次鼾声分成短时帧以计算共振峰； <4>采用线性预测分析的方法计算共振峰；
<5>根据划分的子带，统计<4>中计算的共振峰落在各个子带的规律，最终得到被试 者的SBFP特征参数。上述步骤(3)中的GMM模型由高斯混合的权重系数 為、特征参数均值炜和方差of表示，IA ^V , F是高斯混合数。若已知被试者的SBFP特 征参数ζ ( ζ是AT维的矢量)，匹配模型的概率计算可表示为公式(1)所示
#1(χ-μ·)2
才)⑴
技术效果
基于鼾声声学特征确定OSAHS严重程度的方法，可以结合图7所示的软件界面实现。该 软件界面可实现鼾声的采集、声学特征分析、分析数据自动保存以及通过鼾声的SBFP声学 特征确定其OSAHS严重程度的结果显示。既可实时地监测分析，又可以根据某个声音文件 离线判断OSAHS严重程度，下面简单地介绍图7所示的软件界面
①开始录音(在线分析)包括启动录音、对实时声音数据进行鼾声检测和自动保存每 一次自动检测的鼾声到PC机上(包括时间和声音文件)、保存每一个鼾声吸气段的各帧的 共振峰计算结果，以供核实；保存录制的整晚声音到PC机上，以便离线分析；显示OSAHS严 重程度；简单地统计呼吸事件，通过检测无声段的时间判断是否呼吸暂停和低通气的方法 (持续无声时间超过IOs以上视为呼吸暂停和低通气)，统计呼吸暂停和低通气的次数；
②“暂停录音”时，统计睡眠过程的时间也会暂停，这样不影响由呼吸暂停和低通气次 数计算AHI的值；
③“在线分析”时，在结果显示区将显示如图7所示的结果，包括鼾声次数、呼吸暂停和低通气次数及AHI值和被试者的OSAHS严重程度；
④“导入鼾声”(离线分析)可以通过导入整晚声音到软件中，通过鼾声确定该患者 的OSAHS严重情况，离线分析对验证和改进软件中的算法很有效；
⑤离线分析与在线分析类似，由离线分析可知导入鼾声的OSAHS严重程度以及鼾声次 数、呼吸暂停低通气次数和AHI值。 随着鼾声声学特征的不断研究，还可向软件中添加算法和功能，比如分析OSAHS 患者可能的阻塞位置、是否睡姿不对等引起OSAHS的原因，这些都有待于对鼾声声学特征 更深入的研究。


本发明涉及一种根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方法。本方法是对大量相同OSAHS严重程度的实验样本的SBFP参数聚类分析，得到代表四种不同OSAHS严重程度的模型简单鼾声模型、轻度OSAHS模型、中度OSAHS模型和重度OSAHS模型。当需要判断被试者属于哪种OSAHS严重程度时，只需要录制被试者整晚的声音数据，计算其SBFP特征参数，然后用SBFP去匹配四个模型，由最大匹配概率对应的模型就可知被试者属于哪种OSAHS严重程度。本发明仅仅需要录制患者睡眠时的鼾声，简单方便且不会影响患者的睡眠质量。