[0020] 本发明实例提供的呼吸暂停综合征检测识别系统，是利用混合神经网络模型对鼾声声学特征进行正常鼾声、低通气鼾声和呼吸暂停鼾声的分类识别，并统计识别的低通气鼾声和呼吸暂停鼾声的数量，再通过计算被测患者整晚的AHI指数，以此检测评估OSAHS患者的患病程度。另外本实例还提供了一种基于上述方法的呼吸暂停检测识别系统。以下结合附图对本发明实例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0021] 如图1和2所示，本发明的基于混合神经网络模型的低通气和呼吸暂停检测识别的系统，包括鼾声采集模块1、波束形成降噪模块2、有效鼾声截取模块3、鼾声声学特征提取模块4、混合神经网络模型鼾声分类模块5和鼾声统计模块6。鼾声采集模块1通过多个麦克风采集被测者整晚鼾声的数据。波束形成降噪模块2通过MVDR波束形成方法对多个麦克风采集的鼾声数据进行波束形成降噪。有效鼾声截取模块3通过小波变换提取整晚鼾声数据中有效的鼾声数据片段。鼾声声学特征提取模块4通过MFCC方法提取鼾声数据片段的声学特征。混合神经网络模型鼾声分类模块5通过使用训练完成并保存的混合神经网络模型对未标记的鼾声声学特征数据片段进行正常鼾声、低通气鼾声和呼吸暂停鼾声的分类。鼾声统计模块6统计模型检测到的整晚低通气鼾声和呼吸暂停鼾声的数量，计算被测患者整晚的AHI指数，通过AHI指数完成对OSAHS患者的检测。
[0022] 所述鼾声采集模块1，用于采集多个麦克风的鼾声数据，其具体方式包括：使用多个麦克风或麦克风阵列采集被测患者鼾声数据。可以将多个麦克风或麦克风阵列放置在患者附近约1米范围内采集鼾声数据，放置的方向性没有具体限制。同时多个麦克风或麦克风阵列的排列形状包括但不限于环形、线形、方形和矩阵排列等。
[0023] 所述波束形成降噪模块2将采集到的多个鼾声数据合成单声道的一个鼾声数据。具体地采用了MVDR波束形成方法对多个麦克风采集的鼾声数据进行波束形成，同时MVDR波束形成方法对鼾声数据还有降噪的效果，提高鼾声数据的信噪比。
[0024] MVDR波束形成的基本步骤如下：
[0025] 1.MVDR波束形成算法通过调整权因子使多个鼾声信号输出功率在期望方向上干扰和噪声最小，同时保证输出期望信号不失真最小。多个鼾声信号的输出功率可以表示为[0026]
[0027] 其中w为权重向量，X为频域的输入向量，即多个麦克风或麦克风矩阵采集到的鼾声信号，E为期望，R为协方差矩阵。
[0028] 2.MVDR波束形成算法可以表示为以下最小化优化问题
[0029] min wHRi+nw
[0030] s.t.wHs＝1
[0031] 3.使用拉格朗日乘子将上述最小化公式转化为无约束方程
[0032]
[0033] 4.由上面的公式解得MVDR波束形成算法的最优权重向量为
[0034]
[0035] 5.之后由以下公式
[0036] Y(t)＝wH[X(t)+xn(t)]
[0037] 可以得出MVDR波束形成算法的输出向量，该输出向量即为多个鼾声信号的合成鼾声输出。
[0038] 所述有效鼾声截取模块3，通过小波变换将整晚的鼾声划分为空白鼾声段和有效鼾声段，之后截取有效的鼾声数据片段，并通过人工标注的方式标记有效鼾声数据段的类别，划分为正常鼾声、低通气鼾声和呼吸暂停鼾声。
[0039] 小波变换提取有效鼾声段的具体实施方法如下：
[0040] 1.设波束形成降噪模块2输出的鼾声数据为x(n)，对鼾声序列数据x(n)加窗分帧处理后，对每帧使用db4小波母函数做10层分解，细节函数 共有10层。对每帧分解的10层，把它的细节系数分为两个部分，1～5层为第一部分，6～10层为第二部分。分别求出每层的平均幅值，第k层小波系数的平均幅值为
[0041]
[0042] 式中，下标i表示第i帧；L(k)表示第k层小波细节系数长度。
[0043] 2.令
[0044]
[0045]
[0046] 3.在1～5和6～10两部分中找出各自平均幅值的最大值，再进一步计算M1(i)和M2(i)的乘积
[0047] MDi＝M1(i)×M2(i)
[0048] 4.鼾声数据经过上述变换后，取数值大于阈值的部分既为有效鼾声段。阈值的大小可以根据经验设置为大于零的数值。
[0049] 所述鼾声声学特征提取模块4，将通过MFCC算法从截取的有效鼾声段提取声学特征，MFCC算法利用人的听觉特征，将线性频谱映射到基于听觉感知的Mel非线性频谱，然后再转换到倒谱上。具体地包括：
[0050] 1.统一有效鼾声段时间的长度为1秒至3秒之间，之后对有效鼾声段分帧，分帧时长在15ms至30ms之间，帧位移时长在5ms至15ms之间。
[0051] 2.对每帧数据进行预加重处理，补偿鼾声数据高频分量的损失，预加重的滤波器常设置为
[0052] H(z)＝1‑az‑1
[0053] 式中a为常数，z为z变换系数。
[0054] 3.对预加重的每帧数据做快速傅里叶变换(Fast Fourier Transform，FFT)变换，将时域数据转至频域数据：
[0055] X(i,k)＝FFT[x,(m)]
[0056] 4.计算每一帧FFT后的数据的谱线能量：
[0057] E(i,k)＝[X(i,k)]2
[0058] 5.把求出的每帧谱线能量谱通过Mel滤波器，计算在该Mel滤波器中的能量。在频域中相当于把每帧的能量谱E(i,k)(i表示第i帧，k表示频域中第k条谱线)于Mel滤波器的频域响应Hm(k)相乘并相加：
[0059]
[0060] 6.计算离散余弦变换(Discrete Cosine Transform，DCT)倒谱，即把Mel滤波器的能量取对数后计算DCT。
[0061]
[0062] 得到有效鼾声片段的MFCC特征。式中S(i,m)是Mel滤波器能量；m是指第m个滤波器；i是指第i帧。
[0063] 所述混合神经网络模型鼾声分类模块5，将输入该模块的鼾声MFCC声学特征进行预测分类，输出该鼾声特征可能性最大的类别。具体包括混合神经网络模型由三种神经网络结构组成，第一部分为卷积神经网络，第二部分为循环神经网络,第三部分为深度神经网络。这三个部分的神经网络串联形成整体的混合神经网络模型。每部分的神经网络结构如下：
[0064] 1.卷积神经网络包括6层的二维卷积层，6层的最大池化层，每个二维卷积层连接一层的最大池化层，每个二维卷积层的激活函数选用ReLU函数。ReLU函数表达式为：
[0065]
[0066] 2.循环神经网络总共包括4层，每层中使用GRU单元，每层中的GRU单元数量为512个。每层的激活函数选用ReLU函数。GRU单元的更新公式为：
[0067] zt＝σ(Wz·[ht‑1,xt])
[0068] rt＝σ(Wr·[ht‑1,xt])
[0069]
[0070]
[0071] 其中zt和rt是门控变量，Wz和Wr是权重变量，xt是输入变量，ht是输出变量。
[0072] 3.深度神经网络总共包括和3层全连接层，第一个全连接层的单元数为2048，第二个全连接层的单元数为1024，第三层全连接层的单元数为3。其中第一层和第二层的激活函数使用ReLU函数。第三层的激活函数选用softmax函数。其中第三层为该混合神经网络的最终输出。三个单元的对应三种鼾声类别，取三个单元输出中最大值对应的鼾声类别为最终预测的鼾声类别。
[0073] softmax函数的表达式为：
[0074]
[0075] 式中Si为第i种类别的输出，在本发明中对应鼾声的三种分类。xi为上一层单元的输出。
[0076] 训练该混合神经网络时，使用RMSprop方法作为训练的优化方法。使用交叉熵损失函数作为训练混合神经网络模型的损失函数。交叉熵损失函数公式为：
[0077]
[0078] 式中 为期望值，y为实际值。
[0079] 混合神经网络模型的训练初始参数包括：学习率为0.0005，训练轮数为500，批次大小为64。
[0080] 所述鼾声统计模块6，统计混合神经网络模型检测到的低通气鼾声和呼吸暂停鼾声的数量，计算被测患者整晚的AHI指数，AHI指数包括呼吸暂停指数(AI)和低通气指数(HI)，AHI指数的计算公式为：
[0081]
[0082] 其中T为整晚时间。然后根据患者的AHI指数以及表1的OSAHS病情程度与AHI程度判断依据完成对OSAHS患者的识别和检测以及对患者患病程度进行评估。
[0083] 本发明提出一种基于混合神经网络模型的低通气和呼吸暂停的检测识别系统，本发明通过多麦克风采集鼾声数据和MVDR波束形成方法获得低噪声高质量的鼾声数据，并通过混合神经网络对患者的正常鼾声、低通气鼾声和呼吸暂停鼾声进行准确的分类，然后统计低通气鼾声和呼吸暂停鼾声的数量，计算出患者的AHI指数，之后根据AHI指数检测识别OSAHS患者并对患者患病程度进行评估。同时本发明能够方便地移植开发到多种平台，包括手机、电脑和平板等多种设备。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下做出的若干改进都属于本发明的保护范围。
