1.文献综述
1.1研究背景及意义
睡眠呼吸暂停低通气综合征（sleep apnea hypopnea syndrome SAHS是多原因引起的睡眠中上气道和中枢性抑制，以睡眠中反复发生的有或没有鼾声的呼吸变浅或暂停及白天嗜睡、疲乏等主要症状为特征的一种常见的综合征，是睡眠呼吸疾病中最主要、发病率最高的一种疾病[1],它不仅会影响人们的睡眠质量，还会给人们的身体健康带来极大的危害。其中,最为常见的是阻塞性睡眠呼吸暂停低通气综合征（Obstructive Sleep Apnea-hypopnea Syndrome,OSAHS）。对于原发性打鼾和阻塞性睡眠呼吸暂停综合征（OSAS）的有针对性的外科治疗，了解打鼾声在上呼吸道的哪个部位产生是有益的。OSAHS 现在的医疗临床检测仪器是多导睡眠图仪。这种仪器存在很多的不便之处[2]；被检测者需要一至两名有经验的医护人员全程看护，一次检测需要一宿的睡眠时间。检测者在检测过程中需要全身贴满传感器，行动不便并且处在多种辐射之间，对身体危害较大。整晚的检测费用也较为昂贵，稍有失误，本次的检测也将作废，所以导致有大量患者未能得到及时的诊断。人工智能技术具有很强的计算能力，能够免除人工计算的不方便性；同时，人工智能能够通过无监督学习信号的特征，摆脱目前已有的特征提取技术，可以帮助人们发现更多更关键的信息[3]。倘若能够应用在医疗方面，前景也是无穷的。因此目前很多人对此的研究方向倾向于寻找一种非接触式的，便捷的检测方法，以此来达到筛查 OSAHS 的目的。通过对打鼾噪声的声学分析来确定上呼吸道内的兴奋位置，对医生和病人来说都是比较容易的。此外，它可以在自然睡眠中进行。因此，本课题针对OSAHS患者整夜睡眠中每次OSA事件的数个鼾声，引入深度学习时间序列分析工具，建立相邻鼾声波形特征的表征模型，探索低信噪比（SNR）条件下的稳健OSA事件检测方法及策略进行研究。
1.2国内外研究现状
OSAHS 在国外的研究相对于国内较为成熟，检测 OSAHS 的“金标准”即是由国外首创，国内目前对于 OSAHS 的主流检测设备主要依赖于进口，所以迫切需要研究出一种方便、快捷的检测方法。因为 OSAHS 常规的检测方式需要采集多种体征信号，所以要想实现便捷式的检测，就需要利用 OSAHS 疾病的最直接特征鼾声。这点其实是和OSAHS 的生理病理有关的； Christoph Janott等人通过对来自三个不同中心的53例原发性打鼾和OSAS患者的音频材料进行了评估，发现（非阻塞性）软腭鼾和其他形式的鼾（口咽、舌根和会厌鼾）在基频和共振峰特征方面表现出不同的特征。证明打鼾噪声的声学特性包含有关打鼾类型的信息。可以认为，对打鼾信号中的多种特征进行组合分析（多特征分析），结合合适的模式识别方法，可以显著提高不同打鼾类别区分的灵敏度和特异性。许辉杰[4]等人通过对 30 例男性 OSAHS 患者夜间睡眠时同步进行鼾声监测和持续上气道压力测定。 根据患者的上气道阻塞部位,取每名患者上部阻塞或下部阻塞后第 1 次鼾声各 10 次, 分别计算每次鼾声的峰频率、中心频率及总能量中低、中、高频段能量构成比, 并绘制功率谱图。发现 OSAHS 患者软腭游离 缘以上和以下阻塞鼾声的频域特性具有明显差异, 可能有助于区分软腭游离缘上、下阻塞。OSAHS 患者的上气道通常会存在下陷现象，这就导致患者的鼾声明显不同于正常鼾声。所以，运用鼾声信号可以实现 OSAHS 的初步筛查。目前，大部分便携式检测方法都是从鼾声入手，而鼾声信号的的处理技术在这方面也日趋成熟。信号处理技术运用在鼾声信号中，使得对鼾声信号的分析更加彻底和深入，为 OSAHS筛查的研究提供了极大的方便。在对鼾声信号的分析上，不论是针对诊断还是针对人群不同鼾声来源及上气道阻塞部位的诊断，大多集中为：一是对鼾声信号时域的分析，如呼吸暂停低通气指数（Apnea Hypopnea Index,AHI）[5]、波峰因子（Crest Factor）[6],[7]二是对声信号的频域分析如基频[8][9]、功率比[10]、Mel倒谱系数[11]、共振峰[12]-[14]等。这些时域和频域分析得出的特征，都在一定程度上对的诊断以及对不同鼾声来源及上气道阻塞部位的判别都有一定的帮助。在语音识别领域中，俞栋[15]等人就深度学习在语音识别中的实践有过一定的分析与研究。自动语音识别技术的出现，使得人与人之间、人与机器之间能够更加顺畅的交流。自动语音识别主要包括信号处理信号处理与特征提取、声学模型、语言模型和解码搜索。整体结构如图
以音频信号为输入，进行信号处理和特征提取部分，提取好的特征通过语音增强技术（如消除噪声等）进行增强，信号由时域变换到频域之后，提取出有用ｐ特征向量之后送入声学模型，声学模型为之后的可变长特征序列生成声学模型分数，结合语料中词语之间的相互关系产生的语言模型得分一起进行解码搜索，总体输出中得分最高的词序列就是整体的识别结果。但对于从麦克风录制的鼾声相关信号数据中自动检测与分类所进行的研究较少，这也将直接制约后续大规模数据下深入系统研究鼾声来源及上气道阻塞部位的识别工作。一些学者对从麦克风录制的鼾声信号数据中如何区分鼾声与非鼾声信号做了一定的工作。WD Duckitt[13]等人利用隐马尔科夫模型（对如何从录制的音频数据中自动检测与分类鼾声信号与其他干扰信号（如空调噪音，说话声和棉被翻动声），能取得对鼾声信号正确识别达到82%-89%。M Cavusoglu等人研究了如何利用子频带能量比和健壮线性回归对軒声相关的信号进行了检测，重点在于区分鼾与非鼾声信号，并未涉及对多种鼾声相关信号的识别，实验结果较好，能取得以上的识别效率90%。然而，这些工作都很少涉及完整的鼾声相关信号自动检测与分类的方法，也并没有指出与后续深入研究鼾声来源与上气道阻塞部位识别的关系。
参考文献
[1] 张红梅，戴海龙，光雪峰．阻塞性睡眠呼吸暂停低通气综合征与心律失常关系的研究进展[J]．中国心血管病研究杂志，2016（2）：97-101．
