0　引言

OSAHS临床表现为患者在睡眠时打鼾并且伴随着连续出现长时间的呼吸暂停事件，以及出现白天嗜睡疲乏症状。研究指出由于呼吸暂停而导致的反复呼吸不畅、氧气不足，可导致多种疾病的发生，最严重会夜间猝死[1]。目前多导睡眠仪(Polysomnograph，PSG)是评估OSAHS严重程度的最常见方法，也是金标准[2]，但是PSG仪器价格高昂，患者只有在意识到问题后才会去医院等专业机构就诊，这往往会导致OSAHS发现时机的延误。

鼾声与语音有很相似之处，可以使用语音信号的特征作为鼾声分析的特征，常见的端点检测主要有基于时频特征的方法[3]以及基于机器学习[4]、神经网络[5]的方法。时频域的算法一般较简单易实现，但抗噪干扰是个问题，丁荔等[6]提出OM-LSA和维纳滤波结合的睡眠鼾声降噪的方法，实现低信噪比环境下算法的高准确率；而机器学习、神经网络的方法操作复杂，计算量大。在区别是否患有OSAHS的早期研究中，偏向于鼾声的声音强度的研究，用在一段时间内鼾声信号的声级LAeq来区别OSAHS患者和单纯打鼾人[7]。Azadeh Yadollahi通过共振峰和短时平均过零率，实现鼾声和呼吸声二分类达到90%的准确率[8]。彭好等发现OSAHS患者的共振峰频率其F1值的大小与OSAHS的严重程度呈现出相关性[9]。还有研究用鼾声基频作为区分特征[10]，以及用K均值对鼾声片段按照时间间隔的二分类,以此为基础实现OSAHS的自动诊断[11]。

目前重要的是要发现在出现OSAHS症状临床早期进行准备和治疗，尤其是如何尽快发现，当前的部分研究算法在应用上还有一定距离，如何能将算法部署成功应用是一个关键[12]。本文研究设计的一种OSAHS检测系统，起到了一个帮助用户自查初筛的作用，及时提醒用户，能够大大降低病情加重风险。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005725

作者信息：

甘智高，岳克强，李文钧，潘成铭

（杭州电子科技大学 电子信息学院，浙江 杭州 310018）