基于双神经网络的睡眠呼吸声检测方法及系统专利检索-人工神经网络人工智能专利检索查询-专利查询网

基于双神经网络的睡眠呼吸声检测方法及系统

阅读：353发布：2020-05-13

专利汇可以提供基于双神经网络的睡眠呼吸声检测方法及系统专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于双神经网络的睡眠呼吸声检测方法及系统，方法包括：采集睡眠声音实测数据，并分别标记呼吸声和非呼吸声；将睡眠声音实测数据划分为训练数据样本和测试数据样本；获取用于区分不同强度呼吸声的能量阈值，并根据该阈值将训练数据样本划分为两类训练数据样本；利用两类训练数据样本分别对其对应的人工神经网络进行训练；利用训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。系统用于实现上述方法。本发明以睡眠实测数据为基础，采用双人工神经网络进行识别，能实现快速有效的检测睡眠呼吸声，且能区分低强度呼吸声与非呼吸声，检测原理简单易实现，检测精度高，对于生命体征检测、睡眠质量监测等具有重要意义。，下面是基于双神经网络的睡眠呼吸声检测方法及系统专利的具体信息内容。

权利要求

1.一种基于双神经网络的睡眠呼吸声检测方法，其特征在于，包括以下步骤：
步骤1、采集睡眠声音实测数据，并对该数据进行标记，将呼吸声标记为1，非呼吸声标记为0；
步骤2、将所述睡眠声音实测数据划分为训练数据样本和测试数据样本；
步骤3、根据所述训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，根据该阈值将所述训练数据样本划分为两类训练数据样本；
步骤4、利用所述两类训练数据样本分别对其对应的人工神经网络进行训练；
步骤5、利用训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。
2.根据权利要求1所述的基于双神经网络的睡眠呼吸声检测方法，其特征在于，步骤3中根据所述训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，具体包括：
步骤3-1、对所述训练数据样本进行预加重、分帧预处理；
步骤3-2、求取训练数据样本每一帧的帧能量，所用公式为：
式中，Ej表示训练数据样本第j帧的帧能量，M表示帧长，bj(n)表示训练数据样本中的第j帧数据样本；
步骤3-3、绘制帧能量统计直方图，并计算该直方图的极小值点且将该极小值点作为区分不同强度呼吸声的能量阈值Th；
步骤3-4、根据能量阈值Th将所述训练数据样本划分为两类训练数据样本，具体包括：将帧能量大于能量阈值Th的训练数据样本划分至第一类训练数据样本，将帧能量小于等于能量阈值Th的训练数据样本划分至第二类训练数据样本。
3.根据权利要求2所述的基于双神经网络的睡眠呼吸声检测方法，其特征在于，步骤4中利用所述两类训练数据样本分别对其对应的人工神经网络进行训练，具体包括：
步骤4-1、初始化人工神经网络结构、学习率、激活函数、迭代次数阈值p1、最小梯度阈值p2、连接权值和阈值；
步骤4-2、对所述两类训练数据样本分别进行归一化处理；
步骤4-3、将所述归一化处理后的两类训练数据样本分别输入至其对应的人工神经网络进行训练；
步骤4-4、结合人工神经网络的输出，利用反向传播算法更新人工神经网络中的连接权值和阈值；
步骤4-5、判断反向误差是否增大或当前迭代次数n是否大于等于所述迭代次数阈值p1，若是，则完成人工神经网络的训练，反之重复步骤4-3至步骤4-5。
4.根据权利要求3所述的基于双神经网络的睡眠呼吸声检测方法，其特征在于，步骤5所述利用训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测，具体包括：
步骤5-1、将所述两类训练数据样本分别输入至其对应的人工神经网络；所述第一类训练数据样本、第二类训练数据样本分别对应第一类人工神经网络、第二类人工神经网络；
步骤5-2、分别根据第一类人工神经网络、第二类人工神经网络输出的数据绘制该人工神经网络对应的受试者工作特征ROC曲线；
步骤5-3、分别从第一类人工神经网络、第二类人工神经网络对应的ROC曲线上选取距离坐标轴上(0,1)点最近的点作为最佳检测阈值，分别记为Th1、Th2；
步骤5-4、对所述测试数据样本进行预加重、分帧预处理，并求取测试数据样本每一帧的帧能量；
步骤5-5、比较步骤5-4获得的测试数据样本每一帧的帧能量与能量阈值Th的大小，若帧能量大于Th，则将该帧数据输入至第一类人工神经网络，反之输入至第二类人工神经网络；
步骤5-6、对步骤5-5中第一类人工神经网络或第二类人工神经网络的输出数据进行分帧，并求取输出数据每一帧的帧能量；
步骤5-7、比较步骤5-6获得的输出数据每一帧的帧能量与Th1或Th2的大小，若帧能量大于Th1或Th2，则将该帧数据判定为呼吸声，反之判定为非呼吸声。
5.根据权利要求4所述的基于双神经网络的睡眠呼吸声检测方法，其特征在于，所述步骤5-7之前还包括：对步骤5-6所述输出数据每一帧的帧能量进行中值平滑处理。
6.一种基于双神经网络的睡眠呼吸声检测系统，其特征在于，包括：
数据采集模块，用于采集睡眠声音实测数据，并对该数据进行标记，将呼吸声标记为1，非呼吸声标记为0；
第一样本划分模块，用于将所述数据采集模块采集到的睡眠声音实测数据划分为训练数据样本和测试数据样本；
第二样本划分模块，用于根据所述第一样本划分模块划分后的训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，并根据该阈值将所述训练数据样本划分为两类训练数据样本；
训练模块，用于利用所述第二样本划分模块划分后的两类训练数据样本分别对其对应的人工神经网络进行训练；
检测模块，用于利用所述训练模块训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。
7.根据权利要求6所述的基于双神经网络的睡眠呼吸声检测系统，其特征在于，所述第二样本划分模块，包括：
第一预处理单元，用于对所述训练数据样本进行预加重、分帧预处理；
帧能量求取单元，用于求取训练数据样本每一帧的帧能量，所用公式为：
式中，Ej表示训练数据样本第j帧的帧能量，M表示帧长，bj(n)表示训练数据样本中的第j帧数据样本；
能量阈值求取单元，用于绘制帧能量统计直方图，并计算该直方图的极小值点且将该极小值点作为区分不同强度呼吸声的能量阈值Th；
样本划分单元，用于根据能量阈值Th将所述训练数据样本划分为两类训练数据样本，具体包括：将帧能量大于能量阈值Th的训练数据样本划分至第一类训练数据样本，将帧能量小于等于能量阈值Th的训练数据样本划分至第二类训练数据样本。
8.根据权利要求7所述的基于双神经网络的睡眠呼吸声检测系统，其特征在于，所述训练模块，包括：
初始化单元，用于初始化人工神经网络结构、学习率、激活函数、迭代次数阈值p1、最小梯度阈值p2、连接权值和阈值；
第二预处理单元，用于对所述两类训练数据样本分别进行归一化处理；
训练单元，用于将所述第二预处理单元归一化处理后的两类训练数据样本分别输入至其对应的人工神经网络进行训练；
参数更新单元，用于结合所述人工神经网络的输出，利用反向传播算法更新人工神经网络中的连接权值和阈值；
第一判别单元，用于判断人工神经网络的反向误差是否增大或当前迭代次数n是否大于等于所述迭代次数阈值p1，若是，则完成人工神经网络的训练，反之重复运行训练单元和参数更新单元。
9.根据权利要求7或8所述的基于双神经网络的睡眠呼吸声检测系统，其特征在于，所述检测模块，包括：
数据输入单元，用于将所述两类训练数据样本分别输入至其对应的人工神经网络；所述第一类训练数据样本、第二类训练数据样本分别对应第一类人工神经网络、第二类人工神经网络；
ROC曲线生成单元，用于分别根据第一类人工神经网络、第二类人工神经网络输出的数据绘制该人工神经网络对应的受试者工作特征ROC曲线；
检测阈值确定单元，用于分别从第一类人工神经网络、第二类人工神经网络对应的ROC曲线上选取距离坐标轴上(0,1)点最近的点作为最佳检测阈值，分别记为Th1、Th2；
第三预处理单元，用于对所述测试数据样本进行预加重、分帧预处理，并求取测试数据样本每一帧的帧能量；
第二判别单元，用于比较所述第三预处理单元获得的测试数据样本每一帧的帧能量与能量阈值Th的大小，若帧能量大于Th，则将该帧数据输入至第一类人工神经网络，反之输入至第二类人工神经网络；
第四预处理单元，用于对所述第二判别单元确定的第一类人工神经网络或第二类人工神经网络的输出数据进行分帧，并求取输出数据每一帧的帧能量；
第三判别单元，用于比较所述第四预处理单元获得的输出数据每一帧的帧能量与Th1或Th2的大小，若帧能量大于Th1或Th2，则将该帧数据判定为呼吸声，反之判定为非呼吸声。
10.根据权利要求9所述的基于双神经网络的睡眠呼吸声检测系统，其特征在于，所述检测模块，还包括：
第五预处理单元，用于对所述第四预处理单元获得的输出数据每一帧的帧能量进行中值平滑处理。

说明书全文

基于双神经网络的睡眠呼吸声检测方法及系统

技术领域

[0001] 本发明属于非语音识别技术领域，特别涉及一种基于双神经网络的睡眠呼吸声检测方法及系统。

背景技术

[0002] 呼吸声检测对于生命体征检测、睡眠质量监测、减少各种睡眠呼吸障碍疾病诊断的误判、协助医生完成实现各种病理诊断等方面都有重要意义。而如何从睡眠等记录中检测出人耳几乎听不到的低强度的睡眠呼吸声，是目前研究的难点。Takahiro Emoto等人在论文《Detection of sleep breathing sound based on artificial neural network analysis》公开了一种基于单人工神经网络的睡眠呼吸声检测方法，能够实现呼吸声的检测，但该方法对所应用环境的信噪比要求比较高，在信噪比相对较低的睡眠环境下，平均分类精度只有71.5％，而对于实际睡眠环境中出现的空调声音、走路声、咳嗽声等声音干扰，检测分类精度会更差一些。

发明内容

[0003] 本发明的目的在于提供一种具有检测原理简单、检测精度高等优点的睡眠呼吸声检测方法及系统。

[0004] 实现本发明目的的技术解决方案为：一种基于双神经网络的睡眠呼吸声检测方法，包括以下步骤：

[0005] 步骤1、采集睡眠声音实测数据，并对该数据进行标记，将呼吸声标记为1，非呼吸声标记为0；

[0006] 步骤2、将所述睡眠声音实测数据划分为训练数据样本和测试数据样本；

[0007] 步骤3、根据所述训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，根据该阈值将所述训练数据样本划分为两类训练数据样本；

[0008] 步骤4、利用所述两类训练数据样本分别对其对应的人工神经网络进行训练；

[0009] 步骤5、利用训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。

[0010] 一种基于双神经网络的睡眠呼吸声检测系统，包括：

[0011] 数据采集模块，用于采集睡眠声音实测数据，并对该数据进行标记，将呼吸声标记为1，非呼吸声标记为0；

[0012] 第一样本划分模块，用于将所述数据采集模块采集到的睡眠声音实测数据划分为训练数据样本和测试数据样本；

[0013] 第二样本划分模块，用于根据所述第一样本划分模块划分后的训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，并根据该阈值将所述训练数据样本划分为两类训练数据样本；

[0014] 训练模块，用于利用所述第二样本划分模块划分后的两类训练数据样本分别对其对应的人工神经网络进行训练；

[0015] 检测模块，用于利用所述训练模块训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。

[0016] 本发明与现有技术相比，其显著优点为：1)可实现对麦克风等录制的睡眠呼吸声的自动检测，节省大量人工截取数据的时间，检测结果准确，性能优良；2)基于双人工神经网络技术，可以对实际睡眠期间的低强度睡眠呼吸声进行检测，并能区分低强度呼吸声与非呼吸声(如鼾声)，检测原理简单易实现。

[0017] 下面结合附图对本发明作进一步详细描述。

附图说明

[0018] 图1为本发明基于双神经网络的睡眠呼吸声检测方法的流程图。

[0019] 图2为一个实施例中人工神经网络训练的流程图。

具体实施方式

[0020] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0021] 结合图1，本发明提供了一种基于双神经网络的睡眠呼吸声检测方法，包括以下步骤：

[0022] 步骤1、采集睡眠声音实测数据，并对该数据进行标记，将呼吸声标记为1，非呼吸声标记为0；

[0023] 步骤2、将睡眠声音实测数据划分为训练数据样本和测试数据样本；

[0024] 步骤3、根据训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，根据该阈值将训练数据样本划分为两类训练数据样本；

[0025] 步骤4、利用两类训练数据样本分别对其对应的人工神经网络进行训练；

[0026] 步骤5、利用训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。

[0027] 进一步地，在其中一个实施例中，步骤3中根据训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，具体包括：

[0028] 步骤3-1、对训练数据样本进行预加重、分帧预处理；

[0029] 步骤3-2、求取训练数据样本每一帧的帧能量，所用公式为：

[0030]

[0031] 式中，Ej表示训练数据样本第j帧的帧能量，M表示帧长，bj(n)表示训练数据样本中的第j帧数据样本；

[0032] 步骤3-3、绘制帧能量统计直方图，并计算该直方图的极小值点且将该极小值点作为区分不同强度呼吸声的能量阈值Th；

[0033] 步骤3-4、根据能量阈值Th将训练数据样本划分为两类训练数据样本，具体包括：将帧能量大于能量阈值Th的训练数据样本划分至第一类训练数据样本，将帧能量小于等于能量阈值Th的训练数据样本划分至第二类训练数据样本。

[0034] 进一步地，在其中一个实施例中，结合图2，步骤4中利用两类训练数据样本分别对其对应的人工神经网络进行训练，具体包括：

[0035] 步骤4-1、初始化人工神经网络结构、学习率、激活函数、迭代次数阈值p1、最小梯度阈值p2、连接权值和阈值；

[0036] 步骤4-2、对两类训练数据样本分别进行归一化处理；

[0037] 步骤4-3、将归一化处理后的两类训练数据样本分别输入至其对应的人工神经网络进行训练；

[0038] 步骤4-4、结合人工神经网络的输出，利用反向传播算法更新人工神经网络中的连接权值和阈值；

[0039] 步骤4-5、判断反向误差是否增大或当前迭代次数n是否大于等于迭代次数阈值p1，若是，则完成人工神经网络的训练，反之重复步骤4-3至步骤4-5。

[0040] 示例性优选地，在其中一个实施例中，步骤4-4中反向传播算法具体采用基于Levenberg-Marquard的误差反向传播算法。

[0041] 进一步地，在其中一个实施例中，步骤5利用训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测，具体包括：

[0042] 步骤5-1、将两类训练数据样本分别输入至其对应的人工神经网络；第一类训练数据样本、第二类训练数据样本分别对应第一类人工神经网络、第二类人工神经网络；

[0043] 步骤5-2、分别根据第一类人工神经网络、第二类人工神经网络输出的数据绘制该人工神经网络对应的受试者工作特征ROC曲线；

[0044] 步骤5-3、分别从第一类人工神经网络、第二类人工神经网络对应的ROC曲线上选取距离坐标轴上(0,1)点最近的点作为最佳检测阈值，分别记为Th1、Th2；

[0045] 步骤5-4、对测试数据样本进行预加重、分帧预处理，并求取测试数据样本每一帧的帧能量；

[0046] 步骤5-5、比较步骤5-4获得的测试数据样本每一帧的帧能量与能量阈值Th的大小，若帧能量大于Th，则将该帧数据输入至第一类人工神经网络，反之输入至第二类人工神经网络；

[0047] 步骤5-6、对步骤5-5中第一类人工神经网络或第二类人工神经网络的输出数据进行分帧，并求取输出数据每一帧的帧能量；

[0048] 步骤5-7、比较步骤5-6获得的输出数据每一帧的帧能量与Th1或Th2的大小，若帧能量大于Th1或Th2，则将该帧数据判定为呼吸声，反之判定为非呼吸声。

[0049] 进一步地，在其中一个实施例中，步骤5-7之前还包括：对步骤5-6输出数据每一帧的帧能量进行中值平滑处理。

[0050] 本发明提供了一种基于双神经网络的睡眠呼吸声检测系统，包括：

[0051] 数据采集模块，用于采集睡眠声音实测数据，并对该数据进行标记，将呼吸声标记为1，非呼吸声标记为0；

[0052] 第一样本划分模块，用于将数据采集模块采集到的睡眠声音实测数据划分为训练数据样本和测试数据样本；

[0053] 第二样本划分模块，用于根据第一样本划分模块划分后的训练数据样本获取用于区分不同强度呼吸声的能量阈值Th，并根据该阈值将训练数据样本划分为两类训练数据样本；

[0054] 训练模块，用于利用第二样本划分模块划分后的两类训练数据样本分别对其对应的人工神经网络进行训练；

[0055] 检测模块，用于利用训练模块训练后的人工神经网络对待检测的睡眠声音数据进行呼吸声检测。

[0056] 进一步地，在其中一个实施例中，上述第二样本划分模块，包括：

[0057] 第一预处理单元，用于对训练数据样本进行预加重、分帧预处理；

[0058] 帧能量求取单元，用于求取训练数据样本每一帧的帧能量，所用公式为：

[0059]

[0060] 式中，Ej表示训练数据样本第j帧的帧能量，M表示帧长，bj(n)表示训练数据样本中的第j帧数据样本；

[0061] 能量阈值求取单元，用于绘制帧能量统计直方图，并计算该直方图的极小值点且将该极小值点作为区分不同强度呼吸声的能量阈值Th；

[0062] 样本划分单元，用于根据能量阈值Th将训练数据样本划分为两类训练数据样本，具体包括：将帧能量大于能量阈值Th的训练数据样本划分至第一类训练数据样本，将帧能量小于等于能量阈值Th的训练数据样本划分至第二类训练数据样本。

[0063] 进一步地，在其中一个实施例中，上述训练模块，包括：

[0064] 初始化单元，用于初始化人工神经网络结构、学习率、激活函数、迭代次数阈值p1、最小梯度阈值p2、连接权值和阈值；

[0065] 第二预处理单元，用于对两类训练数据样本分别进行归一化处理；

[0066] 训练单元，用于将第二预处理单元归一化处理后的两类训练数据样本分别输入至其对应的人工神经网络进行训练；

[0067] 参数更新单元，用于结合人工神经网络的输出，利用反向传播算法更新人工神经网络中的连接权值和阈值；

[0068] 第一判别单元，用于判断人工神经网络的反向误差是否增大或当前迭代次数n是否大于等于迭代次数阈值p1，若是，则完成人工神经网络的训练，反之重复运行训练单元和参数更新单元。

[0069] 进一步地，在其中一个实施例中，上述检测模块，包括：

[0070] 数据输入单元，用于将两类训练数据样本分别输入至其对应的人工神经网络；第一类训练数据样本、第二类训练数据样本分别对应第一类人工神经网络、第二类人工神经网络；

[0071] ROC曲线生成单元，用于分别根据第一类人工神经网络、第二类人工神经网络输出的数据绘制该人工神经网络对应的受试者工作特征ROC曲线；

[0072] 检测阈值确定单元，用于分别从第一类人工神经网络、第二类人工神经网络对应的ROC曲线上选取距离坐标轴上(0,1)点最近的点作为最佳检测阈值，分别记为Th1、Th2；

[0073] 第三预处理单元，用于对测试数据样本进行预加重、分帧预处理，并求取测试数据样本每一帧的帧能量；

[0074] 第二判别单元，用于比较第三预处理单元获得的测试数据样本每一帧的帧能量与能量阈值Th的大小，若帧能量大于Th，则将该帧数据输入至第一类人工神经网络，反之输入至第二类人工神经网络；

[0075] 第四预处理单元，用于对第二判别单元确定的第一类人工神经网络或第二类人工神经网络的输出数据进行分帧，并求取输出数据每一帧的帧能量；

[0076] 第三判别单元，用于比较第四预处理单元获得的输出数据每一帧的帧能量与Th1或Th2的大小，若帧能量大于Th1或Th2，则将该帧数据判定为呼吸声，反之判定为非呼吸声。

[0077] 进一步地，在其中一个实施例中，上述检测模块，还包括：

[0078] 第五预处理单元，用于对第四预处理单元获得的输出数据每一帧的帧能量进行中值平滑处理。

[0079] 示例性地，利用本发明的方法对实测的9段睡眠声音片段进行检测，其中共有417个呼吸声片段，正确检测出391个，具体结果如下表1、表2所示。由表中数据可知本发明的检测精确度为93.7％，准确率为87.8％，对比Takahiro Emoto等人提出的基于单人工神经网络的睡眠呼吸声检测方法的检测结果(检测精确度为89.7％，准确率为85.8％)，本发明的方法检测结果更准确，性能更优良。

[0080] 表1检测性能指标结果

[0081]

[0082] 表2检测结果

[0083]

[0084] 综上所述，本发明以采集的睡眠实测数据为基础，采用双人工神经网络进行识别，能实现快速有效的检测睡眠呼吸声，且能区分低强度呼吸声与非呼吸声，检测原理简单易实现，检测精度高，对于生命体征检测、睡眠质量监测等具有重要意义。

[0085] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0086] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

标题	发布/更新时间	阅读量
一种传感元件与忆阻器结合的多模态智能传感器	2020-05-11	508
一种快速建模的方法	2020-05-08	741
用于确定无人驾驶运载工具的路径置信度的系统和方法	2020-05-11	733
基于通信受限的神经网络系统远程状态估计方法及装置	2020-05-12	196
线路可移动监控方法及装置及计算机可读介质	2020-05-08	308
用计算机断层扫描系统的X射线管提供医学图像数据集	2020-05-11	505
用于图像数据的语义分割的方法和设备	2020-05-14	297
一种基于气相色谱雾计算框架的化工过程故障诊断系统	2020-05-11	596
一种东阿阿胶、福胶、鹿角胶定量研究的方法	2020-05-13	683
肺结节多尺度检测方法、装置、设备及介质	2020-05-11	604

基于双神经网络的睡眠呼吸声检测方法及系统

基于双神经网络的睡眠呼吸声检测方法及系统

技术领域

背景技术

发明内容

附图说明

具体实施方式

该功能需要专业版企业版VIP权限，您可以：