基于K均值的阻塞性睡眠呼吸暂停低通气综合症诊断

- 1 8 8 - 中国科技信息 2010年第 22期 CHINA SCIENCE AND TECHNOLOGY INFORMATION Nov.2010现代服务 引言 阻塞性睡眠呼吸暂停低通气综合症[1] （Obstructive Sleep Apnea Hypopnea Syndrome, OSAHS）是一种具有严重危 害及潜在危险的高发性疾病，由于睡眠时 发生低氧及高碳酸血症，最终引起全身多 系统、多器官的渐进性危害。OSAHS最显 著地临床表现就是睡眠打鼾，表现为鼾声 语音识别问题，鼾声检测从某种意义来说 更简单。因为它只需要检测两个状态，即 患者“有”或者“没有”患病。因此语音 信号处理中的理论、是研究该问题的 主要研究方法。 现阶段实验用的鼾声数据多数是与 PSG检测同时录制的。由麦克风采集到的 鼾声经低通滤波和 A/D转换后得到鼾声 数字信号。鼾声数据一般较长，基于音频 信号的短时性技术首先将鼾声信号分 帧和预加重。端点检测[4]的目的就是区分 鼾声段和静音段，有效地计算鼾声片段的 时间间隔，并可以将真正的鼾声数据分离 出进行后续的处理。因为背景噪声的不稳 定性依据固定阈值进行端点检测的正确率 往往受限制，本文采用基于短时能量的自 适应端点检测，并将鼾声最短持续时间作 为判断条件加入来提高正确率。 1.1 端点检测 将鼾声信号分帧处理，因为鼾声的时 变性相对于语音信号的时变性较弱，本文 取分帧帧长为 128ms,帧移取 64ms。应用 COOLEDIT软件观察鼾声数据发现鼾声 的持续时间一般大于 0.6s，故在端点检测 时将鼾声的最短持续时间大于0.6s作为区 分鼾声的初始条件。这样可以把持续时间 稍长的噪音片段隔离掉，保证有效地提取 真正的鼾声数据。 第 i帧的短时能量表示为： 其中 len表示帧长。因为鼾声数据的 开端往往是以静音开始的，本文将预读入 的 5帧鼾声数据的平均能量值为参考设置 初始的阈值，自适应的过程表示为: 基于K均值的 阻塞性睡眠呼吸暂停低通气综合症诊断 陈伟伟 大连理工大学信息与通信学院 116024 Snore Detection for Obstructive Sleep Apnea Hypopnea Syndrome Diagnosis Chen Weiwei School of Information and Communication Engineering, Dalian University of Technology, Dalian 116024,China DOI：10.3969/j.issn.1001-8972.2010.22.092 摘 要 阻塞性睡眠呼吸暂停低通气综合症最常见 的症状是睡眠打鼾，本文依据语音信号处 理的方法对鼾声信号分析，实现对阻塞性 睡眠低通气综合症的筛查，以减小多导睡 眠监测的检查负荷。基于短时能量的自适 应端点检测记录鼾声的间隔时间，并以K 均值的方法对鼾声间隔时间分两类，以两 类中心点的距离和发生暂停的次数为依据 实现OSAHS的诊断。本文算法旨在减小个 体差异对判断结果的影响。 关键词 呼吸暂停；低通气；多导睡眠图；鼾声； K均值 中图分类号：TN912 文献标识码：A Abstract Snore is the typical symptom of the obstructive sleep apnea hypopnea syndrome. Based on the method of speech signal process realized the cheap and portable method of screening OSAHS, where reduce the load of PSG. Based on the adaptive short-time energy endpoint detection record the time of interval of snores, and the method of K mean classified the time of internal to two types, the distance between the center and the occurrence of sleep apnea to diagnosis OSAHS. The new method is designed to reduce the individual differences in judging the results. Key words OSAHS; AHI; PSG; snore; K means 时高时低，并可以完全中断，严重患者可 以 憋 醒 。 多 导 睡 眠 图 （Polysomnography, PSG）是公认的监 测OSAHS的金。通过监测患者在安 静入睡的状态下的连续 6～8小时的脑电 图、心电图、肌电图、血氧饱和度、鼾声、 呼吸动度、腿动等十多项指标的改变诊断 OSAHS， PSG[2]以AHI为标准对OSAHS 病情程度评判。呼吸暂停指数（Ap n ea Hypopnea Index ，AHI）指数,也称为 呼吸紊乱指数，是指每小时呼吸暂停加上 低通气的次数。呼吸暂停是指睡眠过程中 口鼻呼吸气流完全停止10秒以上；低通气 是指睡眠过程中呼吸气流强度（幅度）较 基础水平降低50％以上，并伴有血氧饱和 度较基础水平下降大于等于 4％。因为 PSG监测价钱偏高而且需要检测者在医院 的检查室中进行整晚大约 8 个小时的监 测。调查显示，大约93%的女性和82%的 男性患者没有得到诊断，原因就在于目前 尚未找到一种简捷，方便，低费用的检测 方法来实现OSAHS的筛查。 鼾声检测主要针对患者的鼾声特性进 行研究与判断，鼾声的获取只需一组无接 触式的麦克风和数据记录装置。目前多数 研究者主要从鼾声的时域和频域参数着 手。时域参数多数以单位时间内的鼾声 数，鼾声持续时间和间隔，间断鼾声数，最 后以鼾声数和间断鼾声数为指标进行判断 [3]。基于鼾声检测的OSAHS诊断研究在 国内外均尚属起步阶段。而且研究涉及广 大人民的身体健康问题，研究意义重大。 本文主要应用端点检测的方法模拟呼吸暂 停低通气指数，并基于K均值分类的方法 实现 OSAHS的诊断。 1鼾声端点检测 鼾声实际上也是一种声音。通过鼾声 检测患者有病无病，可以广义的看作为语 音检测、识别问题。不过，相对于常见的 - 1 8 9 - 其中 LT和HT为经验数据，EL为低 阈值，EH为高阈值，E为每帧能量值。自 适应的端点检测算法能够根据实时的噪声 变化调整门限。 1.2 鼾声事件的处理 经过端点检测后得到每个鼾声的开始 时间和结束时间。鼾声的持续时间定义为 一次鼾声的开始时间到结束时间，间隔时 间定义为本次鼾声的结束时间到下次鼾声 的开始时间。 观察所有鼾声的得出如下结论：98. 5%正常鼾声的间隔时间的分布在 1.4s到 4.0s。而有的鼾声因为个人呼吸频率的不 同，往往吸气和呼气的间隔时间相对他人 的时间较长，一个完整鼾声的中间就会出 现小间隔。而这个间隔时间往往较小，所 以我们对端点检测后的数据做以下处理： 将间隔时间小于0.1s的两个鼾声归并成一 个鼾声，完成鼾声事件的整合。临床上的 呼吸暂停是指睡眠过程中口鼻呼吸气流完 全停止 10s以上，又因为打鼾者打鼾有时 并不是连续的而是存在间断时间，所以我 们将间隔时间大于 10s小于 60s的鼾声事 件定义为呼吸暂停。 2基于K均值的OSAHS诊断 临床上规定每晚 7小时睡眠中，呼吸 暂停反复发作30次以上或AHI大于等于5 次 /小时以上为患有 OSAHS。根据 AHI 指数的定义将整晚发生呼吸暂停的次数取 平均数并以一定的阈值做判断的方法没有 考虑到个体差异带来的影响。因为人与人 的呼吸道是不同的，打鼾的频率也往往会 有差异，有的人本身打鼾的频率就比较 低，间隔时间也就比较长，对诊断的结果 就会产生影响。为了减小因个体差异带来 的影响首先应用K均值分类的方法对鼾声 间隔时间分为两类，并以两类中心点的差 值和发生暂停的次数为诊断依据。 2.1 K均值分类原理 K均值聚类算法[5]是将给定的数据集 合分成确定的若干组。定义k个中心点,每 组一个,由于不同的初始中心位置产生不同 的聚类结果,所以选取适当中心点是聚类 的关键。 通过使它们之间的距离尽可能 大,使给定的所有数据点结合到离它最近的 中心点的聚类中。 当所有的数据点都分 配到中心点的范围内后,初始的聚类形成。 通过先前阶段的聚类中心重新计算 k个新 中心点,再将给定的数据重新分配到离它最 近的新中心点。不断进行循环,由循环的结 果得知, k个中心点逐步地改变直到它们 的位置不再变化为止,即聚类中心不再移 动.则标准函数的最小值函数的定义为: 式中：为聚类组的数量，为第i个聚类 的均值向量；z为得分向量；为聚类中的第 i个聚类。K均值算法的具体步骤是： 1）为每个聚类确定一个初始的聚类中 心，这样 k个聚类存在 k个聚类中心； 2）将样本集中的每一个样本按照最小 距离原则分配到 k个聚类中某一个； 3）使用每个聚类中的所有样本的均值 作为新的聚类中心； 4）如果聚类中心有变化则重复2），3） 步直到聚类中心不再变化为止； 5）最后得到的k个聚类中心就是聚类 的结果。 2.2 OSAHS诊断 本文对鼾声中存在的两类间隔时间的 定义如下：第一类，若间隔时间小于10s定 义为正常的鼾声间隔时间；第二类，若间 隔时间大于 10s小于 60s定义为发生呼吸 暂停的鼾声间隔时间。首先确定K均值分 类方法的初始中心点的取值，分别统计第 一类间隔时间和第二类间隔时间的平均值 作为初始中心点。 OSAHS诊断的依据： 1）当只存在第一类的鼾声间隔时 间：即没有发生呼吸暂停的，诊断未患 OSAHS。 2）当间隔时间中既包含第一类鼾声 间隔时间又包含第二类鼾声间隔时间： 若两中心点的距离小于 10s，则诊断为未 患有 O S A H S；若中心点的距离大于 30s，则诊断为患有 OSAHS，而且可以 确定为比较严重的阻塞暂停；若中心点 的距离大于 10s小于 30s则计算第二类间 隔时间每小时的平均发生次数。 3实验结果与分析 本文实验用的鼾声数据是由大连医科 大学提供。表1是对端点检测方法的评估。 截取不同人的大约12～28分钟的数据段统 计鼾声总数，并与两个不同人耳听到的鼾 声总数做对比，正确率在86%以上。不同 的人耳听到的鼾声个数也会存在一定的误 差。 表 1 端点检测方法的评估 Tab1. Evaluation of the endpoint detection 表 2 K均值分类方法的评估 Tab2. Evaluation of the K means 表 3 预测AHI指数 Tab3. Predicted AHI - 1 9 0 - 中国科技信息 2010年第 22期 CHINA SCIENCE AND TECHNOLOGY INFORMATION Nov.2010健康与生物医药 参考文 献 [1]殷善开, 易红良, 曹振宇. 阻塞性睡 眠呼吸暂停低通气综合症[M]. 北京: 科 学技术文献出版社.2006. [2]齐志勇, 张治平, 呼和牧仁等.多导 睡眠仪(PSG)在阻塞性睡眠呼吸暂停低通 气综合征中的临床应用价值[J]. 当代医 学. 2007（118）. [3]Yeh Liang Hsu, Ming Chou Chen, Chih Ming Cheng, et al. Development of a portable device for home monitoring of snoring[C].2005 IEEE International Conference on Systems, Man and Cybernetics, Hilton Waikoloa Village, Hawaii, USA , October, 2005. 表2中编号为5和7的鼾声分别取于同 一OSAHS患者的患病段和不患病段，对 比发现患者患病时和不患病时的间隔时间 存在很大的差异。2号数据是明显的打鼾 频率较慢，若只采用暂停次数做判断就会 误判为OSAHS，基于新算法正确判断为 正常的鼾声。 表3中数据不同于表1和表2的数据， 为整晚约 7个小时的鼾声。AHI指数范围 从2.6～72不等，包含了未患病的，中轻度 OSAHS患者和重度 OSAHS患者，预测 AHI和实际AHI存在一定的差值。差值的 存在可能是因为背景噪声的影响，但不影 响OSAHS的筛查。 4 结 论 通过仿真实验得到以下结论：分析鼾 声的间隔时间来诊断OSAHS确实是行之 有效的方法，而基于K均值的鼾声间隔时 间分类减小了因不同人的打鼾的频率造成 的分析误差。预测AHI指数基本能够体现 患病的程度，实现OSAHS的筛查。 上接第184页 跟踪，切实提高产品质量 对于产品型式试验不合格情况，我 们不应简单地封杀了事，而应一方面认 真做好产品不符合项的后续跟踪管理， 帮助企业查找原因，找出解决办法，及 时消除问题或隐患。同时，要求企业强 化责任意识，加强对质量管理人员、检 验人员的，督促企业限期整改。另 一方面，在企业报检出口时，安排检验 检疫人员下厂跟踪抽查，特别是安规项 目不合格的产品，将其列为重点监管。 此外，核查涵盖内的系列产品，确保检 测样品与出口批的一致性。 3结束语 出口型式试验模式在过去的几年中 为保证出口产品质量安全起到了显著的作 用，但随着外贸形势的发展，型式试验模 式存在着诸多问题有待改进。为确保出口 产品质量，加强出口型式试验产品检验监 管，本文从技术和管理两方面出发提出了 解决实际问题的对策，有助于进一步完善 和健全型式试验检验监管模式。 上接第185页 矿工程类专业的本、专科毕业生为 1599 人，而到煤矿企业工作的还不足 100人。 人员素质低也是煤矿安全事故频发的一个 主要原因。政府、企业应采用多种形式 与途径，进行煤炭从业人员技术培训， 包括强制安全生产培训，全面提高煤炭 从业人员的素质。 （3）建立健全预警监控系统，落实预 防为主的方针 一是坚持安全生产调度与统计分析制 度。在各地、各部门设立专门的统计信息 员，每月上报各方面安全信息和事故统 计，为党委政府安全决策提供理论数据基 础。二是坚持安全生产情况通报制度。在 每季度通报安全形势和安全生产工作的基 础上，每半年将安全生产情况与经济发展 指标情况一并排位进行通报。三是坚持重 点监控制度。四是坚持动态分级预警制 度。结合本地实际及地理状况，开展季度 安全事故预警及突发自然性安全事故预警 工作，做到未雨绸缪，居安思危，尤其是 对已发生的事故，开展举一反三警示教 育，有的放矢，采取有针对性的措施，切 实遏制住事故多发的势头。[3] 参考文献 [1]王玉振,周文安.煤矿安全评价的灰色 统计方法[J].中国管理科学.1995年03期 [2]史润水,王界平,解建荣.矿井安全评 价系统项目的实际应用[J].山西煤炭， 1997年02期[1]李爱灯.谈谈煤矿安全生 产问题的原因[J].才智.2009(34). [3]周晓峰,王结实,阚恒.我国煤矿安全 现状的思考[J].中州煤炭.2009(05). [4]鲍长春. 数字语音编码原理[M]. 西安: 西安电子科技大学出版社. 2007. [5]边肇庆, 张学工. 模式识别[M]. 北京: 清华大学出版社. 2000. 作者简介 陈伟伟（1 9 8 6 -）女，山东泰安人，大 连理工大学信息与通信工程院硕士研究生， 研究方向为语言信号处理。·