文摘

打鼾可能是决定性的许多疾病,特别是对睡眠障碍是一个重要的指标。近年来,许多研究已经进行打鼾相关声音(srs)由于生产有用的结果检测睡眠呼吸暂停综合征(sah)。这些研究的重要的第一步是打鼾的检测srs通过使用不同时间和频域特性。srs有复杂的本性是起源于几个生理和物理条件。srs的非线性特性可以用混沌理论研究方法被广泛用于评估生物医学信号与系统。本研究的目的是要分类srs的鼾声呼吸/沉默通过使用最大李雅普诺夫指数(米歇尔)和熵与多类支持向量机(svm)和自适应网络模糊推理系统(简称ANFIS)。两种不同的实验进行不同的训练和测试数据集。实验结果表明,该多类支持向量机可以产生更好的分类结果比简称ANFIS使用非线性数量。此外,这些非线性特性对分类srs携带有意义的信息,并能够用于sah等睡眠障碍的诊断。

1。介绍

睡眠呼吸暂停综合征(sah)是一种睡眠紊乱状态,是由低级的实例定义呼吸或呼吸暂停,在睡眠中。sah诊断是通过多导睡眠图(PSG)。然而,PSG非常麻烦测试由于病人在医院睡一夜。研究人员表明,有一个严肃的要求简化系统而不是PSG诊断sah [1]。为此,一些方法已经开发利用多种生理信号,如心电图(ECG)、脑电图(EEG)和打鼾的声音(srs)。最近,有许多研究可用于诊断sah使用srs (2- - - - - -9]。

打鼾是sah的症状,这可能被视为一个指标不同的疾病,如心血管和睡眠障碍(10]。说,打鼾与物理和功能缺陷上呼吸道的反应,通常发生在病人有上呼吸道狭窄比正常的(3,4,6,11]。因此,上呼吸道的了解生理和功能可以从srs(获得4]。因为sah关心上呼吸道的部分或全部崩溃,许多研究使用不同的线性技术已经执行了srs分析(5,7,12- - - - - -16]。这些研究的结果表明,srs sah携带重要信息。

最近,一些研究已经表明分类srs是检测打鼾的第一个任务,长官(17- - - - - -20.]。Duckitt et al。17)提出了一个方法提供了自动监测打鼾特征取决于强度和频率的数据。他们用mel-frequency cepstral系数(MFCCs)和隐马尔可夫模型(HMM)。他们的系统获得指定鼾声中82 - 89%的准确率。Cavusoglu et al。18]估计能源和零交点srs和线性回归方法用于分类srs的段打鼾/ nonsnore。他们获得了86.8%的准确率阻塞性睡眠呼吸暂停(OSA)患者。Karunajeewa et al。19)讨论二阶导数过零率,计算归一化自相关系数,能量,和第一预测系数线性预测编码(LPC)分析作为分类特征的srs打鼾、呼吸,沉默。他们还使用了三种降噪技术和比较它们的性能。当他们有一个总体分类精度为90.74%,其准确性高达96.78%的降噪技术和适当的选择功能。Yadollahi和穆萨维20.]试图呼吸和打鼾的声音用Fisher线性判别分类(盛名)基于讨论二阶导数过零率、能量,srs的第一共振峰所记录的两个麦克风(气管和环境)。他们调查了身体和颈部位置对分类结果的影响。发现总体精度为95.7%和93.2%的气管和环境记录无论脖子位置,分别(20.]。

看到这些研究都集中在研究打鼾声音等线性特性分析傅里叶变换,LPC分析,但srs的非线性特征分类到目前为止尚未评估。srs已知的非平稳和复杂行为(21,22]。srs的非线性声学振动部分取决于——和影响因子,如呼吸气流强度、振动软腭,上呼吸道的形状和差异,气道阻塞由于舌头沉降(22,23]。这些很难解决srs的识别取决于传统的基于线性频率和时域方法。在这些情况下,非线性分析可以揭示执行的未定义的特征信号。可以使用线性和非线性分析在一起因为这些近似可以产生相互支持的有意义的结果。例如,宽带频谱混乱的可能指标,但不能只识别混沌的定义。然而,光谱分析可能给一些信息检查的变化信号的来源。

从医学的角度来看,非线性分析方法来自混沌理论被用来评估生物系统和信号系统水平细胞比例(24- - - - - -28]。动力生物系统的行为是被混乱的李雅普诺夫指数等指标,评价相关维度,庞加莱截面和熵。虽然一些系统显示一个混乱的行为在正常操作条件下,在病理条件下一定程度的系统的混沌行为可能会减少或增加,或系统行为可以转到普通状态(23- - - - - -28]。因此,一些贡献相关评述系统功能可以通过评估提供病理的影响或对系统正常情况下的行为。有一些研究调查srs的非线性性质在文献[29日- - - - - -33]。Sakakura [29日]利用庞加莱截面和最大李雅普诺夫指数(米歇尔)表明打鼾声音的混沌特征。劳斯(30.)执行代理分析通过使用相关积分和表明打鼾的声音有非线性特性。Yılmaz和Ankışhan31日打鼾)计算了米歇尔值段获得呼吸暂停/呼吸浅慢病人和简单的打鼾者。他们的研究结果显示,米歇尔简单的打鼾者组明显高于呼吸暂停/呼吸浅慢组(31日]。Ankışhan和Arı32)从他们的实验结果显示,srs混乱行为和有意义的信息,那么可以使用米歇尔srs的分类。此外,他们还表明,熵可以用于分类的srs时域特性(33]。这些研究表明,非线性措施可以使光srs的重要结果。

米歇尔的量化系统的动态稳定性,给信息系统的可预测性(34,35]。米歇尔的积极价值被接受作为一个关键指标的混沌行为。熵也可能被解释为多个定义的平均数量通过测量获取的新信息在信息理论意义上(35]。在以前的研究中,据报道,这些特性是混乱和常用的定量措施在实验时间序列的非线性分析23- - - - - -33]。所以,这项工作的目的是提取有意义的信息从srs相关非线性特征,探讨这些混乱的措施不同的可变性srs段,并测试这些数量对分类srs的可用性。为此,srs分析利用熵和米歇尔列为鼾声呼吸/沉默与支持向量机(svm)和自适应网络模糊推理系统(简称ANFIS)。

有几种方法用于生物分类数据。其中两个是简称ANFIS和支持向量机有效的分类方法和机器学习系统,如人脸检测、语音识别、模式识别和大量的生物医学应用程序(36- - - - - -41]。最近,多类支持向量机非常受欢迎和成功对于不同分类问题(42,43]。在以前的研究中,对于分类srs,一些分类方法,如线性回归LPC的,嗯,盛名已使用(17- - - - - -20.]。与以往不同的是,在这项研究中,已经考虑到支持向量机和简称ANFIS在生物医学应用的成功;的多类支持向量机,简称ANFIS被选为分类器。

2。材料和方法

2.1。数据

在这项研究中,Cavusoglu et al。(18)的数据集,从Gulhane获得军事医学科学睡眠实验室使用。在记录数据,森海塞尔我64电容式传声器Hz-20 40 kHz±2.5 dB使用频率响应,在病人的头部放置15厘米。BNC电缆,ua - 1000模型多通道数据采集系统,和个人电脑被用于获取数据。房间的电脑放置了避免其噪音。信号记录在16千赫采样频率和16位分辨率和存储患者信息。这个数据库的详细信息是指在Cavusoglu等的研究(18]。12名患者的数据被用于本研究的实验。有关病人的信息表1。

2.2。熵

熵的定义是一个随机变量的概率分布,通常解释为一定程度的不确定性。熵的概念是用在非常大的区域,从物理到信息理论35]。熵的数量通常被认为是用于定义系统的信息量的状态(35]。香农给熵的定义,国家预期的内容信息或不确定性的概率分布(44]。在这项工作,考虑成功的短信号熵估计,香农熵算法被用来评估新信息获得的平均段srs (44]。香农提出了一个叫做self-information数量是一个对数函数在区间和相关的概率事件,()。Self-information是由 平均重self-information或熵是派生的数字self-information值通过个人的概率(44]:

2.3。相空间重构

概念来自非线性动力学理论应用于生物医学时间序列通过使用一些方法提出了计算混乱的措施(李雅普诺夫指数、相关尺寸等)。估计这些措施,第一步是重建系统的吸引子(相空间重建)从标量时间序列数据34,35]。尽管动力系统可能有许多变量,获得一个变量的系统满足重建系统的相空间(35]。延时技术是很容易的,系统的和最受欢迎的方法重构吸引子34,35]。在这项研究中,塔肯斯的延时嵌入方法(45)是用于重建相空间吸引子的srs段部分。根据塔肯斯(嵌入定理45),维时滞向量是重建从SRS段部分(,),如下: 在哪里是th声音段部分的价值,是th点吸引子(),是相空间的维数(嵌入维数),然后呢是滞后或时间延迟45]。在这个定理,选择标准是嵌入维数;在此,是吸引子维度。根据Abarbanel [34),就足够了。选择嵌入维数和延时参数很重要,决定从时间序列数据,从最优值事先都不知道。有很多提议的方法选择它们的值(35]。摘要虚假最近的邻居(模糊神经网络)方法应用于选择嵌入维数(46]。确定了合适的嵌入维数为零的相空间维数百分比值的模糊神经网络,模糊神经网络的数量低于一个阈值。平均互信息(AMI),也就是说,一个非线性自相关函数,用于寻找时间延迟(34,47]。在这项研究中,适当的延时值被选中作为第一个AMI的最小值。

2.4。最大李雅普诺夫指数

李雅普诺夫指数或指数特征指定一个动力系统的对初始条件的敏感性和测量的平均收敛速度或附近的轨迹发散吸引子(34,35,48]。检测的混沌行为,米歇尔是充分的计算自积极米歇尔可以接受作为混沌系统(很好的证据34,35,48]。在这项研究中,米歇尔测量使用SRS的复杂性决定的部分。

几种方法估计提出了米歇尔和李雅普诺夫指数谱(48- - - - - -51]。一个简单的方法计算只有米歇尔Rosenstein等的算法(51),该算法适用于特别是小嘈杂的数据集。摘要Rosenstein et al的算法(51)被选为计算打鼾的米歇尔集。说,这个算法是一个合适的方法嵌入维数小于塔肯斯的选择标准和范围广泛的时间延迟(51]。

根据Rosenstein et al的算法(51),重建时滞向量后,最近的邻居每个州的相空间轨迹搜索。认为,th最近的邻居的一对发散速度几乎专门由米歇尔()[51]: 在哪里是最初的分离,是采样周期,之间的距离吗th对最近的邻居后()秒。方程(5)获得通过(两边的对数4): 这个方程给出一组平行线(左右),每一个都有斜坡大致成正比。声音的米歇尔值段部分用最小二乘法计算适合定义的平均线 在哪里代表所有的平均值值(51]。

2.5。支持向量机

支持向量机(svm)是一种用于机器学习的工具。1995年科尔特斯和Vapnik提出的(52]。支持向量机,激发最小化Vapnik-Chervonenkis (VC)维度已被证明是非常成功的在分类学习52- - - - - -54]。在该算法中,很容易制定决策函数的对称,正定和平方可积函数称为一个内核。决定的类函数也称为内核分类器(55然后给出了] 在训练数据和标签。

2.5.1。多类支持向量机

支持向量机已经应用在许多不同领域的研究兴趣。执行svm多类问题时,通常使用技术是解决这一问题作为一个集合的两级分类可以通过二进制解决支持向量机(54]。

根据Vapnik [54,一些信息说明如下:假设我们有一组训练数据(,因为和和)和非线性变换到一个高维空间,功能空间,支持向量机解决 (在哪里)定义了特征空间的线性分类器。svm试图实施积极的样品现在输出大于+ 1,和负样本输出不足1−两类。这些样品不满足这个条件,需要一个非零在(9),所以他们将目标函数中引入一个点球(8)。的规范在(8)检查是否解决方案是最大利润(54]。

的目的是控制分类错误的样本的数量。参数的使用更大的值由用户选择,对应分配更高的处罚错误。当应用程序的优化求解问题,一般痛苦的平衡之间的样本类和特征空间中的不平等的集群密度(56]。在二进制svm多类支持向量机,也就是说,使用一个向量为每个类(不同的重量和偏见和为),应用。给出了支持向量机的分类器功能 因此,我们可以实行(9)不属于每个类,建议在[54,57),导致 在哪里是th样本在课堂上和是类的训练样本数量。在此,这个优化问题搜索th输出比其他的都大。总之,任何不正确分类样本的处罚将基于错误分配类和输出的数量比真正的输出分配类(57]。我们有我们的研究集中在这个简单的模型可以扩展到解决非线性可分问题。所以,有一些可用的文学研究,提出使用基于内核的方法。这些方法使用映射函数的输入特性将它们到一个高维空间中。方法可以构造一个超平面的特征空间属性依赖于核函数的支持向量机(54,58]。

2.6。自适应网络模糊推理系统(简称ANFIS)

自适应网络模糊推理系统(简称ANFIS)是一个工具,使用不同的目的。它的结构有一个模糊集”if - then规则。“生成合适的输入-输出对,它有一个正确的隶属函数(59]。简称ANFIS学习能力有neuro-fuzzy-type结构,和这个网络节点,这些节点放置在不同的层的每个组合为完成特定的功能。

简称ANFIS有一些混合学习算法,即Sugeno-type模糊推理系统识别参数。Sugeno-type模糊系统使用最小二乘法相结合的培训隶属函数模糊系统的参数。该系统模拟给定的训练数据集(59]。

Sugeno-type简称ANFIS模型生成推理系统的五层(59]。有几个节点在每一层。这些层工作如下:输入信号在当前层输出信号从节点在前一层(59]。张成泽(59)表明,一阶Sugeno-type模型 在哪里输入,和模糊集,输出的模糊区域内确定的规则,和设计参数(,,)决心在训练过程中59]。简称ANFIS架构图1。

在图1广场节点,称为自适应节点接受代表这些节点是可调的参数设置(59]。然而,圆节点接受固定节点代表系统中的固定参数设置(59]。简称ANFIS模型的细节中可以看到[59]。

3所示。结果

3.1。数据分析和特征提取

在这项研究中,打鼾、呼吸和无声段首先提取srs。样品时间和记录环境声音的时频域图所示2。,打鼾、呼吸和无声段手动标记在这两个领域研究信号的特征。每段自动分为部分有3200个样本通过MATLAB程序开发薄的黑色线条。这些细分和细分过程也显示在图2。在图2,,,,代表呼吸段部分,,,代表打鼾段部分,,,,代表无声段部分。我们可以看到从图2,每一段时间(吸气和呼气的间隔)是不同的。srs的频率和振幅频谱段有不同的特征(图2)。看到,打鼾部分零部件有几个不同的频率范围,高、低振幅峰值图2。然而,呼吸和无声段有很多组件是相似的高峰值在一个宽的频带。呼吸和无声段的分离是很困难的因为他们的特征相似,和噪音来自环境大大影响呼吸和无声段录音。因此,听觉和视觉检查被用于标记的部分。

在实验的情况下,部分是规范化的范围。使用这种方法,因为每个主题都有不同的特征(即。,all snore, breathing, and silent segments’ amplitudes of subjects are different owing to their sounds intensity). Therefore, changing range of each sound segment could be different without normalization. It would affect the calculated feature values.

为了调查srs的混沌行为,米歇尔和熵计算每个部分的部分。米歇尔计算,所有段部分重构相空间中根据塔肯斯的定理。因此,嵌入维数()和时间延迟()值必须确定,首先。为了使这些值,决定为所有SRS段,嵌入维数()和时间延迟()值估计通过使用假近邻(模糊神经网络)和平均互信息(AMI)方法,分别。看着这些结果,这是见过和值的打鼾,呼吸和无声段部分彼此接近。因此,如果我们选择5,为所有8段部分,米歇尔的估计是没有显著影响。所以,它是最合适的和所有段部分。,一些重构吸引子根据srs选择部分投影到三维相空间图所示3。某些类型的几何形状的打鼾,呼吸和无声段可以看到从图。此外,大小的流动提供信息给我们关于他们是如何互相分化根据SRS的振幅值段。

图4给米歇尔和SRS的熵特征信息段。图为手动划分和标有垂直线显示部分。米歇尔和熵值段部分(正方形和三角形标记,分别地)自动估计发达的MATLAB程序。

从图可以看出4米歇尔和熵值可以分化成打鼾,呼吸,和无声段。打鼾段,米歇尔值之间的变化(0.1×2)和(1.2×2)不到呼吸和沉默的人,和熵值变化之间(0.1×5)和(1×5)大于呼吸和沉默的人。然而,在呼吸段,熵值通常是更大的和米歇尔值通常不到无声段。当看着沉默的片段时,他们通常有米歇尔的较大值和较小值的熵。图5给我们任何信息都打鼾/呼吸/沉默部分分布在所有的数据集。

在图5打鼾,呼吸,srs和无声段的部分是用正方形,圆形,三角形符号,分别。看到,打鼾段部分通常集中在2.0和4.5之间熵水平和0.03 - -0.15米歇尔水平;然而,部分打鼾段集中在0.0和1.0之间熵水平和0.1 - -0.15米歇尔的水平。尽管打鼾段部分集中在两个区域,结果显示他们可以从呼吸和歧视无声段部分。如果观察呼吸段部分,通常聚集在0.0和3.3之间熵水平和0.03 - -0.25米歇尔的水平。结果表明,呼吸段部分不容易分类根据分布区域。因为呼吸特性分布的部分并不是显著的集群。然而,无声段部分通常是集群分为两个方面:首先,在0.0和0.3之间熵水平和0.15 - -0.25米歇尔水平;第二,在0.3和2.5之间熵水平和0.4 - -1.0米歇尔的水平。可以说,可以歧视和无声段部分分为自己的类。

3.2。实验

在这项研究中,方法的性能分类打鼾,呼吸,和无声段的两种实验方法部分进行评估。

我的实验。训练和测试数据集得到的记录相同的病人。上半年的时间间隔记录训练数据集和测试数据集,这些数据集从12例获得培训和测试,包括672年和668年段。这些领域的细分过程后,培训和测试数据库有4037和5234段部分,分别。

实验二世。训练和测试数据集得到的录音不同的病人。训练数据集包含553段6例,其余6例录音被用于测试数据集有787段。这些领域的细分过程后,培训和测试数据库有3322和4110段部分,分别。

训练和测试数据集实验的细节我并在表二世进行了总结2和3,分别。

3.3。分类器的结果

在这项研究中,我们提出了从M-SVMs获得实验结果,简称ANFIS算法,这三个类非线性可分问题。在实验的情况下,最优的值被选为10⁷和正则化参数(λ)10⁻⁷M-SVMs。然而,对于简称ANFIS预测,最大数量的时代被选为10。看到,这足以使系统收敛于最后一个值。学习速率被选为0.0,简称ANFIS预测并分析了隶属度函数是高斯组合,高斯曲线,广义钟形,pi-shaped, s形形状,trapezoidal-shaped,三角形隶属度函数。观察是最好的预测结果在相同的条件下获得的广义钟形隶属函数。

对于每一个实验,分类性能评估的灵敏度定义为100×TP / (TP + FN),阳性预测值(PPV)定义为100×TP / (TP + FP),和准确性100×(TP + TN) / (TP + TN + FP + FN)、TP、TN、FP,和FN真阳性的数量,真正的负面,假阳性和假阴性段部分,分类,分别。

表4和5的分类器性能试验I和II打鼾,呼吸,无声段部分。,所有段有不同数量的细分部分(每个部分有3200个样本);由于段时间间隔,部分零件的总数量在训练和测试数据集不同。

表4和5代表信息准确性结果的百分比的训练和测试数据集。可以看出M-SVMs提供一个良好的性能有关的培训和测试程序实验I和II。实现最佳的检测性能在试验我训练和测试数据集有不同的时间间隔相同科目的记录(表4)。在实验二世(表5),支持向量机测试精度下降了6.96%(从91.61%到84.65%),而在简称ANFIS测试精度下降了6.2%(从86.75%到80.55%)。在此,从不同的个体获得的训练和测试数据集。此外,看着打鼾和无声段部分的测试敏感性训练支持向量机接近性能,特别是在实验。然而,呼吸段部分的灵敏度结果比其他人更糟糕,因为呼吸段开始和结束部分接近打鼾或沉默的部分。也就是类似于其他部分熵值和米歇尔开始和结束部分。所以,分类器在分类呼吸有困难段部分。简称ANFIS也再次获得了类似的结果,但是精度不是可行的好方法。图6给中华民国的信息分析方法。

4所示。讨论和结论

它可以从前面执行的一些不同的特性的研究,从分析获得声音信号的光谱和时间域,用于检查srs。在这些作品中,声音的能量,讨论二阶导数过零率,MFCCs,和共振峰频率,等等,估计、线性频率分析如LPC分析和傅里叶变换(检查17- - - - - -20.]。srs不能充分研究了基于线性的方法,因为他们有复杂的自然21,22]。非线性分析可以拿出srs的不规则行为特征相关。

在这项研究中,混沌行为的重要信息来理解srs和有用的特性分类的srs预计非线性措施。对于这个目标,米歇尔和熵措施用于分类srs分为3类。srs的米歇尔和熵值在实验二段使用未配对学生的相互比较以及与水平的意义(Bonferroni调整),统计。所有srs的米歇尔计算领域有积极的价值,这个结果可以被接受作为一个混沌行为的证据。从实验中,可以认识到呼吸和沉默的米歇尔值组高,被发现和熵值的两组低于打鼾组,被发现。然而,对于呼吸组,米歇尔值低,熵值高于沉默组,显著。因此,结果表明,当米歇尔价值观倾向于减少,熵值增加从沉默到打鼾段。这对米歇尔递减表明打鼾段低级复杂动力学行为对呼吸和无声段。这可以解释的原因根据srs的频率特性21]。srs段有不同的频率和振幅频谱。打鼾部分通常包括简单和复杂波形和不规则的外观21]。他们有高、低振幅峰值为不同频率范围在域21]。然而,呼吸和无声段显示声特征有许多类似的高峰值在一个宽的频带(17,20.]。这些领域通常表现为相互交织在一起,与一些背景噪音特别是起源于环境录音(17,20.]。因为给予一定程度的可预测性和复杂性的声音,米歇尔显示系统的可预测性的增量减少打鼾无声段。

熵值的平均数量可能被解释为通过测量获取的新信息在信息理论意义上(35]。根据熵值,可以说,从打鼾段大于预期的信息呼吸和沉默。这个结果可以从不同的角度评估;根据威廉姆斯(35)、高熵是解释为高精度的数据,这表明,系统的状态可以非常准确地确定。米歇尔和熵的测量产生显著值区分这些部分如果这些结果考虑在内。

srs显示的结构变化,如沉默,呼吸,和打鼾段,所以srs的混沌行为的程度可以根据这些不同部分。据米歇尔价值观,打鼾段比其他人低水平的复杂性,并且它可以表示,考虑熵值时,系统的状态可以被定义为更准确比呼吸和无声段。发现新信息的复杂性和数量增加了从测量减少打鼾沉默的群体。因为无声段没有任何信息,因为吵闹的特点,srs实际上是在呼吸过程中产生的,因此这些信号的动态取决于呼吸循环。塞万提斯和Femat60]研究了呼吸的现象在一类分段连续系统通过使用linear-driven切换系统模型。看到,混乱和常规阶段的呼吸不规则发展系统;然而,他们的平均行为是令人惊讶的是定期根据分岔参数。因此,他们已经表明,呼吸现象发生间歇性的类似的结构特点。如果考虑到这个结果,可以说,srs显示间歇性因为他们有不同形式的混沌动力学行为。

不同于先前的研究[17- - - - - -20.),尽管有许多分类方法,多类支持向量机,简称ANFIS被选在这个研究。首先,数据是由one-against-all训练支持向量机,简称ANFIS提供一个可行的方法来分类和分类实验的srs。实验发现,不同的内核函数多项式等高斯RBF高斯。被用于获得最佳精度的结果。它已被证明,当gauss-based内核函数是用于分类器,系统精度是最好的。

之前的研究表明,分类精度的变化值取决于他们的实验程序17- - - - - -20.]。Duckitt et al。17)获得打鼾检测灵敏度89%,培训从相同的患者和82.2%的训练和测试数据和测试数据集来自不同的病人。在Cavusoglu等的研究18),打鼾的敏感性检测只有简单的打鼾者97.3%和90.2%与简单的打鼾和阻塞性睡眠呼吸暂停综合症的病人。阻塞性睡眠呼吸暂停综合症的病人,他们的敏感性为86.8%。这些结果被发现在训练和测试数据集形成不同的个体(18]。Karunejeewa et al .的方法(19)提供了90.74%的总灵敏度打鼾、呼吸,沉默的分类。他们还使用了三个不同的降噪技术和获得最大的敏感性96.78%通过适当的选择降噪技术和功能。他们的测试集包含不同受试者的录音比用于训练集(19]。Yadollahi和穆萨维20.)用于气管和周围的声音来自不同的身体和颈部位置分类成呼吸和打鼾组。他们的结果通过使用不同受试者的样本作为训练和测试数据集(20.),和他们的总精度作为气管和环境记录的95.7%和93.2%,分别。表6给信息之前的研究,我们的研究结果的准确性。

本文发现srs有非线性特性,携带任何信息关于打鼾,呼吸,和无声段的srs。借助这些信息,这些片段可以分化成不同的群体。两个实验程序实施,以便形成训练集和测试数据集在两个方面:相同(实验我)或不同(实验二)受试者的数据。的总分类器性能实验二世(简称ANFIS M-SVMs为84.65%和80.55%)低于实验发现我简称ANFIS M-SVMs(91.61%和86.75%)。在以前的研究中,他们通常集中在评估鼾声检测敏感性(表6)。然而,鼾声检测敏感性被发现作为M-SVMs 91.49%, 79.31%,简称ANFIS实验我为87.58%,M-SVMs,简称ANFIS在第二实验中为73.28%。结果表明,提出的方法特别是M-SVMs分类精度不如先前的研究。

表6表明,先前的研究一般集中在srs段的线性分析,试图发现打鼾段。事实上,时域线性特性是重要的从生理信号中提取任何信息的。从这些研究可以看出,他们的结果是好足够的分类和区分srs。然而,记住这些声音的混沌行为也是相当大的。实验结果显示,米歇尔和熵可以临床诊断系统的重要特性。

确认

作者要感谢博士Tolga Ciloğlu和奥斯曼Eroğul博士的数据。