一种基于血氧饱和度与鼾声检测的呼吸暂停监测系统设计

长期打鼾严重的人往往都患有呼吸暂停综合征,该症状对人的身体健康有着极大的危害.针对用鼾声实现呼吸暂停检测技术准确度不够的问题,设计了一种基于血氧饱和度与鼾声检测相结合的呼吸暂停监测系统,利用微控制器结合外部的血氧检测电路以及鼾声检测电路实现血氧饱和度的实时监测与鼾声片段的识别,当监测到用户睡眠时正在打鼾同时血氧饱和度在一定程度上下降,系统便可以识别出该打鼾者的呼吸暂停症状.而对于患有呼吸暂停症状的打鼾者,后续可以对其进行止鼾,从而一定程度上可以缓解呼吸暂停症状.整个系统在准确实时的血氧饱和度监测以及鼾声识别基础上,可以较为方便准确地识别出打鼾者的呼吸暂停症状,为呼吸暂停综合征的实时监测提供了一种新的方法.

基于PVDF传感器及鼾声检测的智能睡枕设计

提出了一种基于PVDF传感器及鼾声检测的智能睡枕设计,其中的PVDF传感器用于检测呼吸时胸部运动产生的震动信号,微型麦克风用于鼾声检测。系统采用STM32单片机对信号进行分析处理,判断鼾声及睡眠呼吸暂停的发生,从而调节睡枕的高度、斜度,改变酣睡者睡姿,降低睡眠呼吸暂停综合征的发生率。通过实验仿真验证了该方法可有效改善睡眠呼吸暂停综合征的发生。

鼾声检测研究综述

鼾声检测任务近年来取得了较大的发展,出现了许多相应的检测方法,这些方法也有着较为明确的框架与发展趋势。因此,本文就鼾声检测的研究现状进行总结,并给出该方向发展前景的讨论,以期让大家在了解其历史发展的基础上,跟进最新进展,对未来的发展方向有更加深入的认识。

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。

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。

基于声源定位的头部姿态检测系统研究与实现

研究了声源定位技术在鼾声检测上的应用,主要研究鼾声的声学特性、声源定位技术原理,并利用声源定位技术对人体打鼾时头部姿态进行识别.采用广义互相关函数法对多路声音采集系统采集到的鼾声信号进行延迟估计计算,根据得到的相对时延信息进行声音定位,结合定位信息和朝向信息推断出当前受试者打鼾时头部姿态.采用数据采集卡进行高速信号采集,使用虚拟仪器Labview进行信号处理和算法实现,实验中受试者以不同头部姿态在该系统监测下模拟打鼾,通过该系统检测头部姿态,综合判断正确率达到80%.