[發(fā)明專利]一種阻塞性睡眠呼吸暫停癥嚴重程度的分類方法

在審

• 申請?zhí)枺?/td>: 202010981626.0
• 申請日: 2020-09-17
• 公開（公告）號: CN112190253A
• 公開（公告）日: 2021-01-08
• 發(fā)明（設計）人: 龐康高;熊體超;凌永權;吳志杰;唐會;羅家穎;蔡穎珊;李康榮
• 申請（專利權）人: 廣東工業(yè)大學
• 主分類號: A61B5/08
• 分類號: A61B5/08;A61B5/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

1.一種阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，所述方法包括以下步驟：

S1：對原始阻塞性睡眠呼吸暫停癥語音文件進行特征提取；得到包括高頻能量系數(shù)的特征矩陣；

S2：對S1得到的特征矩陣進行降維；

S3：構建樸素貝葉斯分類模型，用經(jīng)S2降維后的特征矩陣訓練并測試樸素貝葉斯分類模型，直至樸素貝葉斯分類模型分類誤差值符合要求；

S4：將待測阻塞性睡眠呼吸暫停癥患者的語音原始文件輸入S3中訓練并測試好的樸素貝葉斯分類模型進行分類。

2.根據(jù)權利要求1所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，S1提取的特征包括：時域特征、倒譜特征、頻譜特征。

3.根據(jù)權利要求2所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，時域特征包括：對數(shù)能量；

倒譜特征包括：梅爾倒譜系數(shù)MFCC，梅爾倒譜速度系數(shù)ΔMFCC，梅爾倒譜加速度系數(shù)ΔΔMFCC；

頻譜特征包括：諧振峰，諧振峰帶寬，線性預測系數(shù)，諧波噪聲比，高頻能量系數(shù)。

4.根據(jù)權利要求1-3任一項所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，高頻能量系數(shù)的計算方法如下：

其中g(n，k)是將原語音信號經(jīng)過希爾伯特黃變換得到的函數(shù)，里面包含兩部分，一部分是頻率函數(shù)f_g(n，k)，另一個則是幅值函數(shù)a_g(n，k)；a′_g(n，k)是頻率大于5000Hz的幅值函數(shù)；E₅₀₀₀是高頻能量值，E_all是所有高頻能量值之和。

5.根據(jù)權利要求4所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，S2具體為：

首先對S1特征提取得到的特征矩陣進行主成分分析，得到一個降維的矩陣X1，然后再對X1進行前向序列特征選擇，得到一個維度更低的特征矩陣X2。

6.根據(jù)權利要求5所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，前向序列特征選擇包括以下步驟：

(1)將特征子集X從空集開始，每次選擇一個特征x加入特征子集X；

(2)測試評價函數(shù)的取值是否達到最優(yōu)；

(3)若測試評價函數(shù)的取值達到最優(yōu)，則保留特征x，并刪除其余特征。

7.根據(jù)權利要求5或6所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，S3包括以下步驟：

S3.1：構建分類模型；所述分類模型為樸素貝葉斯分類模型；

S3.2：把S2所得的特征矩陣分為訓練集和測試集；

S3.3：然后把訓練集放進分類模型中進行訓練，得到訓練誤差函數(shù)與訓練精度，然后用梯度下降對參數(shù)調優(yōu)，直至得到好的訓練模型，然后再把測試集放入已經(jīng)訓練好的分類模型中進行測試，得到一個預測類別，然后再和真實的類別相比較，得到預測精度，若預測精度太差，則繼續(xù)調節(jié)分類模型的參數(shù)，直至調出更好的參數(shù)為止。

8.根據(jù)權利要求7所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，樸素貝葉斯模型的表示形式如下：

9.根據(jù)權利要求8所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，S3.3中對已訓練好的分類模型使用留一法進行測試。

10.根據(jù)權利要求9所述的阻塞性睡眠呼吸暫停癥嚴重程度的分類方法，其特征在于，留一法具體為：從M個樣本中隨機挑選一個為測試集，其余皆為訓練集，重復M次，再計算其誤差值。