中文引用格式： 甘智高，岳克強，李文鈞，等. 基于ARM的呼吸暫停綜合征檢測系統(tǒng)[J]. 電子技術應用，2023，49(10)：124-129.
英文引用格式： Gan Zhigao，Yue Keqiang，Li Wenjun，et al. OSAHS detection system based on ARM platform[J]. Application of Electronic Technique，2023，49(10)：124-129.
0 引言
OSAHS臨床表現(xiàn)為患者在睡眠時打鼾并且伴隨著連續(xù)出現(xiàn)長時間的呼吸暫停事件，以及出現(xiàn)白天嗜睡疲乏癥狀。研究指出由于呼吸暫停而導致的反復呼吸不暢、氧氣不足，可導致多種疾病的發(fā)生，最嚴重會夜間猝死[1]。目前多導睡眠儀(Polysomnograph，PSG)是評估OSAHS嚴重程度的最常見方法，也是金標準[2]，但是PSG儀器價格高昂，患者只有在意識到問題后才會去醫(yī)院等專業(yè)機構就診，這往往會導致OSAHS發(fā)現(xiàn)時機的延誤。
鼾聲與語音有很相似之處，可以使用語音信號的特征作為鼾聲分析的特征，常見的端點檢測主要有基于時頻特征的方法[3]以及基于機器學習[4]、神經(jīng)網(wǎng)絡[5]的方法。時頻域的算法一般較簡單易實現(xiàn)，但抗噪干擾是個問題，丁荔等[6]提出OM-LSA和維納濾波結合的睡眠鼾聲降噪的方法，實現(xiàn)低信噪比環(huán)境下算法的高準確率；而機器學習、神經(jīng)網(wǎng)絡的方法操作復雜，計算量大。在區(qū)別是否患有OSAHS的早期研究中，偏向于鼾聲的聲音強度的研究，用在一段時間內鼾聲信號的聲級LAeq來區(qū)別OSAHS患者和單純打鼾人[7]。Azadeh Yadollahi通過共振峰和短時平均過零率，實現(xiàn)鼾聲和呼吸聲二分類達到90%的準確率[8]。彭好等發(fā)現(xiàn)OSAHS患者的共振峰頻率其F1值的大小與OSAHS的嚴重程度呈現(xiàn)出相關性[9]。還有研究用鼾聲基頻作為區(qū)分特征[10]，以及用K均值對鼾聲片段按照時間間隔的二分類,以此為基礎實現(xiàn)OSAHS的自動診斷[11]。
目前重要的是要發(fā)現(xiàn)在出現(xiàn)OSAHS癥狀臨床早期進行準備和治療，尤其是如何盡快發(fā)現(xiàn)，當前的部分研究算法在應用上還有一定距離，如何能將算法部署成功應用是一個關鍵[12]。本文研究設計的一種OSAHS檢測系統(tǒng)，起到了一個幫助用戶自查初篩的作用，及時提醒用戶，能夠大大降低病情加重風險。
本文詳細內容請下載：http://m.ihrv.cn/resource/share/2000005725
作者信息：
甘智高，岳克強，李文鈞，潘成銘
（杭州電子科技大學 電子信息學院，浙江 杭州 310018）
