一步优化OSAHS鼾声分类算法

针对人工标注分类阻塞性睡眠呼吸暂停低通气综合征(OSAHS)患者鼾声准确率低等不足,提出一步切割聚类的鼾声分类算法(BVCL)。该算法基于贝叶斯信息准则(BIC)对单切割点检测进行优化,实现鼾声多切割点检测和聚类,并采用语音端点检测(VAD)技术对切割点进行快速筛选;通过改进线性判别分析(LDA)算法矩阵,构建分类回归树(CART)-LDA分类模型,实现OSAHS患者鼾声、正常鼾声和非鼾声的一步三分类,提高OSAHS患者的筛查效率,为便携式睡眠鼾声监测设备走向应用提供一种可能。以某医科大学临床夜间实录鼾声数据作为输入,仿真结果表明,该算法与鼾声两步分类法和一步分类法相比,降低算法复杂度的同时提升了分类准确率。

复杂场景下OSAHS鼾声快速检测及辅助诊断算法

为辅助医疗检测阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea-hypopnea syndrome,OSAHS)且克服人工标注、分类准确率低等问题,提出一种OSAHS鼾声检测算法。该算法采用贝叶斯信息准则联合语音端点检测,对单切割点检测进行优化和快速筛选;改进线性判别分析矩阵,构建分类回归树分类模型,实现OSAHS患者鼾声、正常鼾声和非鼾声的一步三分类;构建鼾声检测可视化模型,通过检测OSAHS患者呼吸暂停的发生位置和次数来预测AI指数,进而用于辅助医疗诊断。以某医科大学临床夜间实录鼾声数据作为输入,实验结果表明:与其他方法相比,该算法的分类准确率达99.41%,可以实现有效的辅助诊断。