基于自适应频率尺度变换的骨导鼾声识别关键技术研究

Snoring is the sign of weak breathing during sleep. Nearly 20% of people snore while sleeping. Snoring has become a big problem that endangers people's health. About 15% of population who snore suffers Sleep Apnea Syndrome, which causes a mortality rate of 40%. There are 37.5 million people affected by this health threat in China. This study will focuses on developing the key techniques of detection of snore based on bone conduction sound. Detailed topics include: 1) Building a snore database by using a bone conducted snore detection device developed by our team. 2) Measuring the dependences between frequency components and the characteristics of bone conducted snore sound, so as that we adopt an adaptive frequency filter to extract more discriminative feature of BC snore signal. 3) Restricted Boltzmann Machines is used to reduce the dimensions of feature vectors of snoring signal. Also this method is expected to improve the protection of privacy information among snore signal. In addition, snoring statistic model is established by the context of sleep action events. 4) Meanwhile, snore sound recognition system will also be established by using HMM based method.

打鼾是睡眠过程中呼吸削弱的征兆,20%的人都会打鼾, 其中15%的打鼾者患有睡眠呼吸暂停综合症,其死亡率高达40%，我国大约有 3750 万人的健康受到该病症威胁。本课题对利用骨导音采集的鼾声进行自动识别中的关键技术进行研究。包括对于骨导鼾声采集位置的研究；建立大规模骨导鼾声音频及同步体态数据库。在鼾声特征参数提取方面，根据鼾声、呼吸信号、语音及咳嗽等信号分布计算F-ratio，按照每个频带对鼾声识别的贡献率的大小重新安排滤波器的分布，提出鼾声自适应频率尺度变换新方法，从而更好的获取鼾声音频信号特征。利用受限波尔兹曼机对鼾声特征向量进行降维研究，将原始数据特征向量中各个元素间的相关性体现到高层特征表示中，并降低特征参数维数。通过同步采集的睡姿及鼾声信号，定量分析两者间相关性。利用睡眠呼吸行为事件的上下文关系建立鼾声行为统计模型，并利用隐马尔可夫模型方法建立鼾识别验证系统。

打鼾是睡眠过程中呼吸削弱的征兆，20%的人都会打鼾，其中15%的打鼾者患有睡眠呼吸暂停综合症，其死亡率高达40%，我国大约有 3750 万人的健康受到该病症威胁。鼾声的产生是由于气流经过上气道狭窄部位时，变得湍急，从而引起了软组织结构的振动。而睡眠呼吸暂停综合症直接发病机制也是上气道的狭窄与阻塞，鼾声的声学参数已经被用于临床试验，其适用性也得到了证明。因此，鼾声的自动识别以及特征参数的提取等关键技术的研究对于睡眠呼吸暂停综合症的诊断和治疗变得尤为重要。本课题对这些问题进行了研究，从而实现基于自适应频率尺度变换的骨导鼾声识别技术。本课题对骨导鼾声采集位置进行了研究，建立了一套整合陀螺仪、加速度计、气导麦克风和骨导麦克风的数据采集系统。基于该采集系统，本课题采集并构建了大规模骨导鼾声音频及同步体态数据库。利用该数据库，本课题对鼾声特征提取算法进行了研究，搭建了基于DNN的鼾声检测系统，通过骨导麦克风和搭载录音APP的手机或平板电脑连接，可以便捷地录取鼾声数据并实现对睡眠呼吸暂停低通气综合症的筛查。此外，本课题设计了一种用于记录口气流、鼻气流和无损语音的设备，可以通过观察鼻气流波形的变化分析软腭的上升与振动，用于未来测量鼾声呼吸信息。为了减小不同研究对象的上气道差异，本课题采用薄板样条(TPS)的方法归一化处理二维声道的形态差异，同时，基于MRI数据对发音模型进行了研究，有助于上气道的数据分析和模型的建立。本课题建立了多模态的鼾声数据采集系统、数据库，以及对应的鼾声识别验证系统。不仅实现了对睡眠呼吸暂停综合症的筛查，更有效促进上呼吸道形态结构的研究，从而为确定鼾声激发机制和位置，以及治疗方案的选择提供帮助。