语音信号和面部图像处理对阻塞性睡眠呼吸暂停的评估

文摘

阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠障碍的特点是反复出现呼吸暂停睡眠时堵塞引起的上呼吸道(UA)。阻塞性睡眠呼吸暂停综合症诊断通常是通过一个昂贵的过程,需要过夜的病人在医院。这导致提出低成本的过程分析的基础上,患者的面部图像和声音的录音,以帮助在阻塞性睡眠呼吸暂停综合症检测和严重程度的评估。在本文中,我们调查的使用图像和语音处理估计低通气指数、AHI(描述病情的严重程度),超过285人口的西班牙男性受试者疑似患有阻塞性睡眠呼吸暂停综合症和睡眠障碍的单元。收集照片和语音录音监督而不是高度控制的方式试图测试场景接近阻塞性睡眠呼吸暂停综合症评估应用程序运行在移动设备上(即。智能手机或平板电脑)。光谱信息在演讲中话语是由最先进的低维声学建模表示,称为矢量i。一组当地颅面特征与阻塞性睡眠呼吸暂停综合症后从图像中提取检测面部地标使用主动外观模型(批)。支持向量回归(SVR)是应用于面部特征和i-vectors估计你好。

1。介绍

睡眠障碍正在接受增加的关注引起白天嗜睡,受损的工作,和交通事故,与高血压、心力衰竭、心律失常、糖尿病。睡眠障碍中,阻塞性睡眠呼吸暂停(OSA)是最常见的一个1]。阻塞性睡眠呼吸暂停综合症的特点是反复发作在睡眠中呼吸暂停,大于10秒一次,堵塞引起的上呼吸道(UA)咽的水平由于上呼吸道的解剖和功能异常。

睡眠呼吸暂停的诊断的金标准是多导睡眠图(PSG)测试2]。这个测试需要过夜的病人在睡眠监控单元在一个医院呼吸模式,心律,肢体动作。这个测试结果,计算低通气指数(AHI)的平均呼吸暂停和呼吸浅慢集(部分和总呼吸停止发作,职责。)每小时的睡眠。这个指数是用来描述的严重程度患者的条件:低AHI (AHI < 10)表示一个健康主题或轻度阻塞性睡眠呼吸暂停综合症患者(10≤AHI≤30),而AHI超过30与严重的阻塞性睡眠呼吸暂停综合症。然而,多导睡眠图监测是昂贵和侵入性和消除了患者正常的睡眠环境;因此,更快的、非侵入性和低成本的替代方案提出了阻塞性睡眠呼吸暂停综合症的早期筛查和严重程度的评估。在这个工作我们探索替代AHI估算程序使用语音和面部数据。这些程序研究了OSA-symptomatic人口(即。,个人,被称为睡眠单位PSG);因此,我们的最终目标是帮助在设定优先级进行多导睡眠监测诊断基于预期的阻塞性睡眠呼吸暂停综合症严重程度(即。分层)。这将确保更好的治疗病人根据自己的需要,特别是有关在一些国家西班牙,等待PSG可能超过一年(3]。

虽然中央肥胖和过度的地方脂肪组织被认为是阻塞性睡眠呼吸暂停综合症的主要风险因素,颅面畸形和UA结构的改变也被认为是重要的因素在阻塞性睡眠呼吸暂停综合症的发病机制进行交互。使用图像和语音的基本原理分析阻塞性睡眠呼吸暂停综合症评估等工作可以找到李et al。4,5和戴维森等。6),进化在颅面形态学等生理特点或收购的言论与阻塞性睡眠呼吸暂停综合症的出现从一个解剖学基础。

在[7]作者应用复杂的容积分析磁共振成像(MRI)的上气道软组织结构控制和睡眠呼吸暂停。通过统计检验他们报道的舌头卷组(生理差异)、侧咽壁(),总软组织()。劳et al。8)评估颅面结构之间的交互的计算机断层扫描侧头部测量法,舌头,软腭,和上呼吸道大小在对照组和睡眠呼吸暂停患者,发现差异对舌头,软腭,上呼吸道卷。在[9),作者研究了口咽软组织概要文件通过人头测量法的分析,以检测控制和睡眠呼吸暂停的个体之间的差异。显著差异与软腭的长度(),软腭的面积(),和距离之间的密切接触舌头和软腭()。这些先前的工作依赖于先进的成像技术,允许一个详细的检查骨和软组织结构。然而,这些程序通常cost-expensive,费时,由于辐射和侵入性患者。作为一个简单的选择,基于颅面人体测量学、摄影测量之间的关系,它可以合理探索使用图像处理作为非侵入性,更快,更容易访问的技术。面对表征技术已经遗传综合征的诊断测试(10]。在参考李等工作。4]比较睡眠呼吸暂停的颅面形态学表型和控制人口应用摄影测量在额叶和概要文件头部的数码照片的主题下的研究。手动地标图像之后,他们计算71颅面测量维度和关系的代表颅面地区包括脸,下颌骨,上颌骨,眼睛,鼻子,头和脖子。他们报道相关严重阻塞性睡眠呼吸暂停综合症(你好)专门为一些措施为颈部深度(,)或颈部周长(,)。后来,李et al。5]其中最歧视的特性选择71测量延长与另一个62年颅面测量也通过摄影测量。使用逻辑回归他们报道76.1%正确分类阻塞性睡眠呼吸暂停综合症和non-OSA之间。

特定的面部表型在阻塞性睡眠呼吸暂停综合症的人也被发现与特定的上呼吸道结构使用磁共振成像(MRI),例如,舌头卷和中脸宽度之间的相关性(11]。这些物理变化作为颅面abnormalities-dental阻塞,再舌骨和下颌平面之间的距离,放松咽部软组织,大型的舌头基地,所以forth-generally导致更长和更可折叠的上呼吸道(UA)。因此,异常或特定的语音特性在阻塞性睡眠呼吸暂停综合症演讲者可能会改变结构或功能的用户代理。

方法基于语音的阻塞性睡眠呼吸暂停综合症早期检测可以发现在12,13]。在[12]作者使用的语言描述符(发音、发声、共鸣)正确识别96.3%的正常(健康)科目,尽管只有63.0%的睡眠呼吸暂停者被发现。使用语音的声学分析阻塞性睡眠呼吸暂停综合症检测首次提出是在(14,15]。发嘶嘶声et al。14)检查元音的谐波结构光谱,发现阻塞性睡眠呼吸暂停综合症扬声器的频率范围窄,可能点喉行为阻塞性睡眠呼吸暂停综合症和non-OSA扬声器之间的差异。后来罗伯et al。15]提出的声学分析声道共振峰频率和带宽,因此关注supralaryngeal层面,OSA-related改变应根据疾病的发病机理有更大的影响。

这些早期的贡献推动最近建议使用自动语音处理技术等检测阻塞性睡眠呼吸暂停综合症(16- - - - - -21]。不同的方法,一般使用相似的技术,在说话人识别22),研究了希伯来语(16,21)和西班牙(17)语言。已报告的结果(即为不同类型的演讲。、持续和/或连续语音)[16,18,20.),不同的语音功能16,19,20.不同的语言单位(),和建模18]。也从两个不同的语音记录位置,直立或坐着和仰卧位或拉伸,被认为是(20.,23]。

在本文中,我们探索的使用为阻塞性睡眠呼吸暂停综合症评估语音和面部特征。考虑移动设备的能力(smartwatches,平板电脑、智能手机等)为一种简单的生理数据的集合,比如语音和面部图像,这些技术可能是有用的非常简单的和非侵入性阻塞性睡眠呼吸暂停综合症的初步评估。额和剖面图像和语音录音收集285名男性说西班牙语的人口众多怀疑患有阻塞性睡眠呼吸暂停综合症和派生的睡眠障碍。收集图片和录音在监督而不是高度控制的情况下类似于移动设备的场景。

决定哪些特性可以是有用的估计AHI对面部和声音特征代表一个不同的挑战。自动面部特征来估计你好可以依靠一套面部特征,以往的研究(Lee et al。4,5)已经与睡眠呼吸暂停的颅面表型。然而,现有的研究没有能够清楚地识别一组特定的声学特性对阻塞性睡眠呼吸暂停综合症。解决这个困难,在我们的研究,我们分析语料库专门设计的四个语言句子包含一组特征在阻塞性睡眠呼吸暂停综合症的声音听起来。这四个句子后设计参考研究[12,13),福克斯等人确定一组可能的语音清晰度相关描述符在阻塞性睡眠呼吸暂停综合症,发声、共鸣。例如,第三句在我们语料库主要包括鼻声音共振检测到异常(更多细节可以找到这个语料库的设计标准(19])。一次专注于一个OSA-specific声学空间,最先进的扬声器的声音描述技术,之前测试和证明可有效估计其他演讲者的特征,如身高24)和年龄(25),被用来估计低通气指数(AHI)。我们可以支持这种方法考虑到类似的方法已经被证明是优于其他方法(如使用共振峰分析或gmm模型)用于检测其他生理变量如年龄、身高和体重指数。

除了面部和声音特征,我们也评估AHI预测使用可用的临床变量:年龄、身高、体重、BMI(身体质量指数)和颈围。这让我们比较AHI估计当只使用面部特征,语音功能,或临床变量并结合所有可用的信息。据我们所知这是第一次,你好预测是研究通过分析语音信号和面部图像处理技术和考虑他们的组合与其他睡眠呼吸暂停的临床指标。

2。方法

2.1。主题和实验设计

研究下的人口由285名男性受试者被称为pneumonologist和阻塞性睡眠呼吸暂停综合症的表现症状如日间极度嗜睡、打鼾、睡眠窒息,或令人昏昏欲睡的驾驶。临床变量(年龄、身高、体重、BMI和颈周长)为每个单独的收集。这个数据库已经记录在医院自2010年以来上周日马拉加(西班牙)。执行所有的工作严格遵循伦理中心的考虑和研究的参与者被告知和他们的协议。统计数据的临床变量用于本研究总结在表1。

每个病人的诊断证实了专业医务人员通过多导睡眠图(PSG)的基础上获得AHI呼吸暂停和呼吸浅慢集的数量。两种类型的数据收集从病人,解释在以下:(我)声学数据:病人的演讲记录前巴黎圣日耳曼。所有演讲者读相同的4个句子和持续的一套完整的西班牙语元音[i, e、a、o u)。没有明确的具体声学特性描述阻塞性睡眠呼吸暂停综合症扬声器,这四个演讲句子后设计参考研究[12,13),福克斯等人确定一组描述符在阻塞性睡眠呼吸暂停综合症可能说话发音、发声、共鸣。例如,第三句在我们语料库主要包括鼻声音共振检测到异常(更多细节可以找到这个语料库的设计标准(19])。录音是在一个房间与低噪声和病人直立或坐的位置。录音设备是一个标准的笔记本电脑USB成份公司Plantronics耳机。演讲被记录在50 kHz的采样频率和16位编码。后来是downsampled 16赫兹的前处理。(2)摄影数据:额和概要文件头部的数码照片获得演讲录音之前,也在同一正规医院没有任何特定的房间照明条件。不同于(4,5),没有特别的动作被一个简单的无法控制的病人面前和概要文件的照片和一些指示保证颈部区域剖面图像是可见的。没有校准操作允许转换从像素测量指标维度(如测量相机的距离)拍摄,和手动识别(通过触诊)面部地标也是可以避免的。标准的罗技QuickCam Pro 5000摄像头是用于收集图像大小为640×480像素和24位颜色深度。

数据已经收集了自2010年以来,一些运营商(6),总是盲目的多导睡眠图的结果。这可以保证我们的结果不依赖于一个特定的习得过程。然而,我们没有机会测试几次相同的主题。

2.2。问题公式化

我们有一个训练数据集声学/面部特征和低通气指数(AHI)信息,在那里表示特征向量表示(声学/面部)的训练数据集和表示AHI的相应价值。

我们的目标是设计一个估计量函数你好,,一个声学/面部特征向量从一个看不见的测试问题,低通气指数的估计价值的区别和它的真理或实际价值是最小化。

2.3。声学特性

说话人识别技术通常代表了声学信息的一次演讲中话语作为一个序列的特征向量对应的短期谱包络嵌入的声音。在这项研究中Mel-Frequency倒谱系数(MFCC)扩展将使用一阶导数,他们通常采用的大多数自动说话人识别系统(26,27]。

此外,正如不同的话语自然表现出与不同长度的MFCC特征向量序列,它们通常转化成固定长度的向量代表所有相关的声学话语中的信息(所有的变异性,因此被称为总变异的向量空间表示(28])。这也将在我们的例子中是非常方便的,因为它允许一个固定长度的声学向量作为估计函数的输入,这使得估计要简单得多。

这种转变的最常见的方法,称为i-vectors,之后在我们的研究中,图中所示1。I-vectors开发成功的建模序列的特征向量的概率密度函数的加权和高斯组件密度,高斯混合模型(GMM)。如图1,GMM代表一个话语从一个特定的演讲者可以通过通用背景模型的适应(GMM-UBM)训练有素的大喇叭人口29日]。一旦GMM改编自GMM-UBM使用给定的发言人的话语,将只是supervector堆堆的所有意味着适应GMM (26]。作为典型的高斯组件在GMM说话人识别是在512年至2048年之间,和维度的MFCC声学矢量值从20到60,演讲话语将由高维向量表示大小10 K到120 K。

高维supervectors之外,一个叫做矢量i已成功的新范式和说话人识别社会广泛使用的28]。它依赖于一个低维的总变异性子空间的定义和可以描述GMM意味着supervector空间 在哪里是GMM supervector话语,是话语、扬声器、健康、和临床condition-independent supervector GMM-UBM获得一个通用背景模型。是一个长方形矩阵低秩,它定义了总可变性空间(代表所有的可变性来源语音录音)。矩阵估计使用EM算法在一个大型的训练数据集。一个有效的程序培训和地图的改编i-vectors可以在找到22]。是一个随机向量标准正态分布吗,这是由总量的因素。这些因素总代表演讲者的声音特征。总因素是由他们习惯于Baum-Welch后验分布统计数据对于一个给定的话语。这个分布的均值与i-vectors相对应。

supervectors相比,总使用i-vectors可变性建模的优势高维度的GMM supervectors投影到低维子空间,大多数的捕捉speaker-specific可变性。

supervectors和i-vectors已经成功地应用于说话人识别(28)、语言识别(30.),议长年龄估计(25],议长高度估计(24),和口音识别(31日]。因此,我们认为,使用i-vectors挑战任务的成功,在那里演讲包含干扰intraspeaker变异性的重要来源(议长体重、身高等),探索一个合理的保证其使用在评估低通气指数(AHI)。此外,相同的麦克风用于所有记录和扬声器读相同的四句话语料库,通道和语音可变性最小化是合理认为i-vectors会捕获特点从声音可以更受到阻塞性睡眠呼吸暂停综合症的影响。感兴趣的读者可能会发现额外的关于这个主题的讨论(32)一起使用时比较supervectors i-vectors预测AHI和其他临床变量。

2.4。语音数据库的发展

保证所有相关的扬声器低维向量空间中包含的信息是,i-vectors的发展需要培训的总变异性子空间使用记录从数据库大量议长人口代表各种不同的扬声器,渠道,或嘈杂的条件。然而,在我们的临床环境中,声学空间只包括连续/读西班牙语语音记录只有一个麦克风和在噪声相对较少的环境中。因此,我们的子空间变异性应该主要代表西班牙语的发音变化丰富的各种广泛的扬声器声音明显。发展到目前为止,我们使用不同的数据库包含16岁千赫采样话筒的演讲,覆盖范围广泛的语音变化从连续/读西班牙语演讲(见,例如,ALBAYZIN [33),因为它是我们使用的数据库)。开发数据集用于培训的总变异性子空间和UBM包括25451从940年演讲者的演讲录音。其中126人,当然,诊断出患有阻塞性睡眠呼吸暂停综合症,并用于测试,也包括这矩阵也反映了变化的存在与否OSA-specific演讲的特征。

2.5。面部特征

最重要的一个阶段自动人脸识别特征提取。在我们的案例中,目标是有一个特定的紧凑和颅面特征能够描述的结构化表示国际米兰——为阻塞性睡眠呼吸暂停综合症和non-OSA个人和组内变异。有三个主要类型的面部特征在先进的自动人脸识别34]:整体特性、地方特色和功能得到了统计模型。在这项研究中我们作为参考李等人的工作(4,5),所以使用当地的特性。然而,如下所述,我们的研究相比主要区别在4,5)的使用监督自动图像处理和更健壮的颅面测量的定义适应我们少控制摄影捕捉过程。

当地面部特征提取的关键的第一步是确定一组受试者在研究的相关地标图片。面部图像的数据库包含额和概要285男性受试者的数码照片,也就是说,570年数码照片需要处理获得地标。人工注释的所有图片,完成(4,5),可以是乏味的,即使通过熟练的个人,这是由于主观性容易出错。因此,我们决定使用一种广泛使用的自动里程碑式的方法,首先介绍了傻瓜等人(2001年35),基于活动外观模型(AAM) [36]。基于先验知识的具有里程碑意义的位置,麦结合了一个统计模型,代表脸部的形状和纹理的变化(对象),用梯度下降法拟合的算法。如图2所示,批锋和档案照片我们使用一个网格52地标从一般的面部识别系统和一组24地标包括颈部区域,特定的标志。

在训练阶段,额和概要文件批由一组手动标注照片使用aam_tools软件(37]。在合适的阶段,从一个合理的具有里程碑意义的初始化,AAM算法迭代修正外观参数通过最小化平方误差来表示目标的纹理的脸。尽管麦表现良好的代表对象的形状和外观的变化,模型是location-sensitive面对的立场。在这项研究中这种影响是增加高度控制过程后由于没有采取照片(照明条件下,控制摄像机的距离,和控制的额叶和概要文件位置)。因此human-supervised阶段被发现必要的监督,如果有必要,纠正一些大偏差的自动生成的地标。

一旦地标我们继续提取生成一组本地特性基于以前的研究(4,5)但是,正如之前提到的,适应我们少照相过程控制。更具体地说,李等人研究一个主要区别在于(4]摄影进行了使用一个专业的相机和高度控制过程:额位置实现控制主题的面部具有里程碑意义的鼻根是沿着主题定位平面对齐,同时保证两个耳朵都看到同样从前面,和一个激光指示器head-clip指着校准标记一面墙上被用来确保概要视图是垂直于额叶的观点。这个高度控制场景中目标的对比研究中使用语音信号和图像捕获的可能性更非正式的方式使用标准的便携式设备。除此之外,有两个相比,另一个显著差异(4]。首先,我们不包括任何校准程序,允许我们将像素的测量转换为公制尺寸。能够做到这一点,在4)通过包括过程测量的距离相机或坚持校准标记在病人的脸(如一个圆形尼龙垫圈)。我们决定不遵循任何这些校准过程试图探索的结果在一个更有用的场景,但我们都知道,这使得校准测量用时,它根据(5)应该提供更好的结果。第二个决定,我们也寻找一个更好的用户体验是为了避免任何手动识别(通过触诊)面部地标。

因此,基于结果(4,5和考虑我们有限的摄影捕捉过程,只有(即未校准的措施。,relative measurements or angles) were used, and three alternative craniofacial measurements related to those identified by Lee et al. were designed. These measurements are described in the following.

2.5.1。Cervicomental轮廓面积

解剖阻塞性睡眠呼吸暂停综合症的风险因素之一是前脖子上的脂肪沉积(38]。在[4,5]这个风险因素是被cervicomental角(neck-cervical point-mentum),增加颈部脂肪沉积的原因增加这个角。然而,考虑到我们有限的摄影捕捉过程中,它是极其困难的探测点如:颈点,甲状腺,环状,脖子上飞机,或胸骨切口cervicomental地区参与。因此,我们定义了一个替代测量,更健壮我们的图像捕获和自动具有里程碑意义的过程。这个措施是使用轮廓定义cervicomental地区追踪到6分,等距放置,注释与高可靠性后我们的半自动麦方法(见图3)。cervicomental测量,一个矩形的面积定义为左下11点23岁,右上点用于规范化区域定义为20到23分11 12和正确的和低的交手矩形。这个结果在未校准的测量值,减少脂肪沉积前脖子上增加。

2.5.2。表面宽度

在李et al。11),磁共振成像(MRI)是用于研究之间的关系表面面部尺寸和阻塞性睡眠呼吸暂停综合症患者上气道结构。表面之间显著正相关性检测面部尺寸和上呼吸道结构,特别是中脸宽度和两眼间的宽度。基于李的工作我们使用这两个面部维度定义表面宽度未校准的测量中脸宽度两眼间的宽度比。图中所示相应的地标和措施4。

2.5.3。Tragion-Ramus-Stomion角

在劳et al。8阻塞性睡眠呼吸暂停综合症患者),据报道,已收回了下颚,这是咬合平面倾斜和有关美角(测量上颌下颌骨)的相对位置。我们提出了一个基于劳氏工作未校准的测量(即。,an angle) intended to capture, to some extent, the characteristic mandible position or mandibular retraction in OSA individuals. To define this angle we selected a set of landmarks that not only are related to the posterior displacement of the mandible but also could be accurately detected by our automatic landmarking process on the photographs without need of prior marking. The proposed measurement (Figure5)之间的夹角支- - - - - -stomion(16分和6)支- - - - - -tragion(分16和19)。

2.5.4。面部特征向量

面部特征向量包含在之前描述的3颅面测量的结合。这个特征向量输入到SVR回归模型用于预测你好。颅面特征提取过程如图6。

2.6。使用SVR回归

估计我们的阻塞性睡眠呼吸暂停低通气指数(AHI)数据库我们遵循了类似的方法,一个用于(24]和[25分别为身高和年龄。图中所描绘的一样1和6,一旦面部/声学特性是由其对应的特征向量,采用支持向量回归(SVR)的估计函数对于低通气指数。

支持向量回归(SVR)是一个函数的近似方法作为一种广为人知的回归版本开发超级向量机(SVM)分类器。首先,输入变量映射到一个高维特征空间通过一个非线性映射。映射到一个高维空间是由内核执行的函数。内核收益率新的高维特征点之间的相似性测量从原始特征空间。一旦完成了映射到一个高维空间中构造线性模型在这个特征空间中寻找最优超平面,大部分的训练样本在撒谎保证金(不敏感区域)在这个超平面39]。SVR的泛化性能取决于两个hyperparameters设置好,和和内核参数。的参数控件的宽度不敏感区域,用来适应训练数据。的宽度不敏感区域决定了近似函数的精度水平。它完全依赖目标的训练集值的参数决定之间的权衡模型的复杂性,控制和偏差的程度超过了不敏感区域容忍在超平面的优化。最后,内核参数依赖于使用相似性测量类型。

摘要支持向量回归(SVR)应用于估计低通气指数(AHI)和线性内核是用来近似估计函数。

训练和测试使用LIBSVM实现(40)和优化的hyperparameters SVR和RBF参数是由一个网格搜索,这是一个简单的穷举搜索的子集hyperparameters和参数由5倍交叉验证性能指标。

2.7。性能指标

提出预测方案的性能评估使用主体的平均绝对误差(MAE)估计AHI和皮尔森之间的线性相关系数(CC)的实际和预计值你好。

2.7.1。分析交叉验证和网格搜索

为了验证回归模型,我们采用分析交叉验证。要做到这一点,一个主题从数据集进行测试数据和其他训练数据。然后,为了找到最优模型的复杂性,我们应用一个5倍交叉验证对训练数据找到最优支持向量回归模型的参数值。为此我们实现“网格搜索”hyperparameters SVR模型的使用5倍交叉验证。网格搜索包含一个详尽的搜索指定组hyperparameters (和)的SVR模型。因此,各种尝试对hyperparameters值和交叉验证美是最好的选择。寻找最优参数值后,我们的火车模型使用最优hyperparameter值和训练数据集。最后,测试数据集被用来预测分配给每个输入的AHI利用SVR模型训练单独从训练数据集。重复整个过程的所有数据集,是描绘在图7。

3所示。结果

在测试阶段,如图8,每个主题是第一次处理提取它的声学特性/面部特征然后提取堆积的特性获取固定长度的向量。在使用这些向量训练SVR模型预测的价值主体的你好。

比较系统性能和预测AHI时参考,类似于李等人工作(5),我们也训练有素的SVR模型使用可用的临床变量作为输入向量(年龄、身体质量指数和颈周长),这对你好是众所周知的预测因子。平均绝对误差(MAE)和皮尔逊相关系数(CC)结果时使用这些临床变量预测AHI展示在表2。

预测结果使用i-vectors和颅面向量AHI预测表中列出3和4。表3包括平均绝对误差和相关系数结果当只使用三个未校准的颅面测量(cervicomental轮廓面积、表面宽度和tragion-ramus-stomion角),当这些未校准的颅面测量结合临床变量(年龄、身体质量指数和颈周长)在一个单一的特征向量。

结果在表4给出语音声表示使用i-vectors不同维度(从400年到30)。更好的结果可以观察到低维度(50)可能是因为有限数量的扬声器在开发数据库。是在表4相结合,给出性能结果当i-vectors和临床变量。分析这些结果显示了一个非常弱的预测能力的阻塞性睡眠呼吸暂停综合症,当使用语音声学特性。

4所示。讨论

我们的研究结果表明,面部特征提取额和剖面图像可以更好地预测比声i-vectors阻塞性睡眠呼吸暂停综合症的特征提取阅读演讲。尽管不同的先前的研究20.,21),包括我们的(19),报道阻塞性睡眠呼吸暂停综合症评估结果使用语音处理技术好,我们最近的结果,那些报道在本工作使用大量的科目记录在临床实践的情况下,只显示阻塞性睡眠呼吸暂停综合症之间的弱连接和演讲。这一事实也在我们的研究讨论(41)之间只有非常微弱的相关性被发现黄鳍金枪鱼和共振峰频率和带宽从持续的元音。结果报道在本文中,基于使用i-vectors演讲的更强大的声音表示,似乎遵循类似的趋势。这激励我们地址的关键评论之前的研究对阻塞性睡眠呼吸暂停综合症评估使用语音处理,提出了在41),我们报告一些局限性和方法论上的缺陷,可能导致之前的过于乐观的结果。现在考虑的特性提取额和概要的面部图像,我们可以比较我们的结果报道在4],我们所知,是第一个也是唯一一个在这个领域的研究参考。从功能的角度来看,我们的方法提出了两个主要区别:(1)具有里程碑意义的识别是通过使用监督自动图像处理,而不是通过精确的人工识别(4),(2)我们使用三个未校准的摄影测量,灵感来自所选的李et al。5少),但更适合控制摄影捕捉过程。除了这些差异,总体而言,我们的研究结果相比接近和遵循类似的趋势报告(5]。在表中可以看到2和3相关系数(CC)和平均绝对误差(MAE)真理和估计AHI值之间只是略好时只使用临床变量(CC = 0.40;美= 12.32)比只依靠未校准的面部测量(CC = 0.37;美= 12.56)。此外,临床变量和未校准的测量组合在一起时,适度增加性能是观察(CC = 0.45;美= 11.97),尽管在5)的结果是只有当校准测量和临床变量相结合。

对比我们的结果时一个重要的问题是,我们专注于预测AHI(使用SVR),而目标(5]是分类或区分主体与阻塞性睡眠呼吸暂停综合症(你好≥10)和阻塞性睡眠呼吸暂停综合症(定义为一个AHI < 10)使用逻辑回归和分类和回归树(CART)。因此,我们进行了一些额外的测试使用我们估计AHI价值分类科目与阻塞性睡眠呼吸暂停综合症(真理你好≥10)和阻塞性睡眠呼吸暂停综合症(真理AHI < 10)。使用这个过程分类结果如表所示5。我们知道应该获得更好的结果,如果一个分类算法,支持向量机,是使用,而不是与SVR回归之后,分类使用估计你好,但是我们只是寻找一些数字,让我们画一些进一步的比较。

结果在表5表明,该方法分类70.8%的受试者正确当只使用我们未校准的测量,70.5%仅使用临床变量时,72.2%当结合(性能结果的灵敏度、特异性和面积中华民国也表所示)。这些结果类似报道李et al。(也见表5):一个精度为71.1%未校准的措施,76.1%为临床变量(年龄、BMI和见证了呼吸暂停),为临床和79.4%(目睹呼吸暂停;修改Mallampati类)和校正措施。尽管如此类似的趋势,我们的结果显示降低阻塞性睡眠呼吸暂停综合症歧视所有性能指标(特别当比较精度结果颅面特征+临床变量:分别为72.2%和79.4%)。这些差异可能不是统计学意义发展分类模型时考虑到置信区间;例如,李et al。5]表明,精度的评估他们的交叉验证过程中表现出一系列的61%至76%,其中包括在我们的研究结果发现的准确性。然而,它可能是值得分析以外的其他原因丧失准确性明显的来自我们的使用预测技术(SVR)分类和更少的控制未校准的测量。可能会有一些差异下的人口研究,虽然不是阻塞性睡眠呼吸暂停综合症的患病率,在这两项研究也有相似的价值观。然而,人口研究李et al。5)包括男性(76.1%)和女性(23.9%),在我们的案例中只有男性个体进行了研究。李等人。5男/女)不提供信息的平衡阻塞性睡眠呼吸暂停综合症和non-OSA组,和阻塞性睡眠呼吸暂停综合症的发病率明显降低女性与男性相比(42)与男性和女性之间的差异颅面阻塞性睡眠呼吸暂停综合症的风险因素(43可能会引入一些性能结果的偏差。作为一个例子,在32),我们展示了如何,由于女性和男性的声音之间的显著差异(44),当使用语音声学特性对阻塞性睡眠呼吸暂停阻塞性睡眠呼吸暂停综合症评估和非os人口不平衡的女性/男性比例(20.歧视),显然过于乐观的结果。

它也是有趣的评论,5]只有两个临床变量,目睹了呼吸暂停(即。,the bed partner reporting witnessed apneas in a questionnaire) and modified Mallampati class (a visual classification of the anatomy of the oral cavity used to identify OSA patients) [45),发现提高分类精度,结合面部和临床变量。正如作者指出的,这表明校准测量比年龄更重要的预测因子和BMI(和高度相关),而目睹了呼吸暂停和Mallampati分数提供补充信息。不幸的是,目前我们没有看到信息呼吸暂停和Mallampati分数为所有个人在我们的数据库中。然而,根据我们的结果,检测阻塞性睡眠呼吸暂停综合症和AHI估计(见表2- - - - - -5)显示改进当未校准的措施结合年龄、BMI、宫颈周长。我们可能因此假设阻塞性睡眠呼吸暂停综合症的可能损失检测性能由于我们不精确的无标定面部测量可以补偿当添加信息容易获得临床变量(年龄、BMI和宫颈周长)。此外,还基于李在人的结果,我们应该期待进一步提高如果我们能够添加信息呼吸暂停,Mallampati得分。我们相信,寻找一个简单的应用程序在移动设备上,目睹了呼吸暂停的信息可以很容易地获得病人本身。Mallampati得分,尽管它使用检测阻塞性睡眠呼吸暂停症是有争议的46),我们目前正对其自动估计通过图像处理技术在摄影的病人的口咽。

另一个相关点讨论,已经在5),面部测量相关尺寸(例如,表面宽度)似乎是阻塞性睡眠呼吸暂停综合症预测比面部的形状。这将指导我们未来的研究对两种互补的线。一方,因为我们正在寻找可用的情况下,我们不包括任何校准过程,可以允许我们像素测量转换为公制尺寸。我们未来的研究将探索用户的验收遵循简单的程序,例如,粘在脸上校准标志(作为一个圆形尼龙垫圈(4]),我们将评估预期的阻塞性睡眠呼吸暂停综合症检测改进使用的校准测量(即。我们的应用程序场景中,大小)。另一方面,我们认为,除了简单的测量面部地标相关的丰富信息的提取面部形状和纹理使用更强大的图像处理技术(47- - - - - -49)可以提供新的见解的阻塞性睡眠呼吸暂停综合症颅面表型,甚至描述了沉睡的面部外观(50]。

我们承认一些局限性在我们在未来的研究应该解决的工作。预测结果提出了临床人口限制在一个特定的睡眠;因此其他临床和社区人群应该研究来评估我们的临床效用模型。我们只有学习男性白种人,性别和种族可以相关因素主要与面部测量和语言特征。数据库目前包括一个重要的女性,所以本研究的扩展女性个体可能会变得特别有趣,呼吸疾病在女性仍然不是很清楚。

演讲和之间的弱相关观察阻塞性睡眠呼吸暂停综合症可以建模方法是有限的(MFCC和i-vectors),和不同的结果可以使用其他获得声学表示和建模方法。例如,不同的技术来补偿多余的矢量i子空间的可变性来源,这些提议在25,51),可以考虑。

我们还必须了解的局限性录音讲话当病人去睡眠。其他声学差异可能会在一天的不同时刻,例如,早上醒来后不久从夜间打鼾声音可能反映喉外伤。事实上,最近的研究已经指向其他可能影响病人的声音,可以帮助在阻塞性睡眠呼吸暂停综合症的检测分析演讲记录从仰卧位或拉伸位置(20.,23]。甚至有前景的结果已报告从鼻子和嘴巴呼吸音的声学分析记录在仰卧位和直立位(52,53]。我们的结果也仅限于演讲来自说西班牙语,所以比较与其他语言需要仔细分析语言相关的声学特征的阻塞性睡眠呼吸暂停综合症的声音。

最后,为了评估不同因素的负面影响通常出现在真实的场景中,未来的研究将需要检查的影响与不同的摄像机和麦克风,使用不同的移动设备测试不同光照条件的影响,以及变量相机方向和距离。

5。结论

额和剖面图像和语音录音从临床收集285人口男性被用来估计AHI使用图像和语音处理技术。最先进的扬声器的声音描述基于i-vectors只取得了很弱AHI估计的性能。更好的预测结果达到当使用三个未校准的摄影测量计算后检测面部地标。我们的实验结果表明,阻塞性睡眠呼吸暂停综合症的预测可以提高当结合临床和面部测量。这些结果的分析,对比相关的先前的研究,分几个方面的改进可以使检测阻塞性睡眠呼吸暂停综合症可能在实际场景中使用移动设备和自动语音和图像处理。

利益冲突

作者宣称没有利益冲突。

作者的贡献

费尔南多Espinoza-Cuadros,鲁本Fernandez-Pozo Doroteo t·托爱德华多Lopez-Gonzalo, Luis a Hernandez-Gomez构思和设计实验。何塞·d·Alcazar-Ramirez监督这项研究。费尔南多Espinoza-Cuadros和鲁本Fernandez-Pozo进行了实验。费尔南多Espinoza-Cuadros,鲁本Fernandez-Pozo Doroteo t·托何塞·d·Alcazar-Ramirez爱德华多Lopez-Gonzalo, Luis a Hernandez-Gomez分析结果。费尔南多Espinoza-Cuadros Doroteo t·托莱达诺,路易斯•a . Hernandez-Gomez执行回顾以往的研究至关重要。费尔南多•Espinoza-Cuadros Doroteo t·托和路易斯·a·Hernandez-Gomez写道。鲁本Fernandez-Pozo、爱德华多Lopez-Gonzalo和何塞·d·Alcazar-Ramirez修订。

确认

本文的活动是由西班牙和欧盟经济和竞争力(菲德尔)作为tec2012 - 37585的一部分二氧化碳(CMC-V2)项目。作者还要感谢索尼娅·马丁内斯·迪亚兹为她努力收集阻塞性睡眠呼吸暂停综合症在这项研究中使用的数据库。

引用

1. s . k . j . c . m . Lam沙玛,b . Lam“阻塞性睡眠呼吸暂停:定义、流行病学和自然历史,”印度医学研究杂志》上,卷131,不。2、165 - 170年,2010页。视图:谷歌学术搜索
2. “AARC-APT(多导睡眠图技术人员协会(American Association of呼吸道Care-Association)临床实践指南。多导睡眠图”,呼吸道护理,40卷,不。12日,第1343 - 1336页,1995年。视图:谷歌学术搜索
3. f·普埃尔塔,g .销、j·玛丽亚和j .杜兰Documento de Consenso Nacional de Apneas-Hipopneas尤其el对德尔,只有卷。164年,西班牙人集团德,只有2005人。
4. r·w·w·李,r . r . Grunstein a . s . l . Chan和p . a . Cistulli“颅面表型出现在小说阻塞性睡眠apnea-a定量摄影方法,”睡眠,32卷,不。1,37-45,2009页。视图:谷歌学术搜索
5. r·w·w·李·Petocz t . Prvan r . r . Grunstein a . s . l . Chan和p . a . Cistulli“阻塞性睡眠呼吸暂停与颅面摄影分析预测,“睡眠,32卷,不。1,46 - 52点,2009页。视图:谷歌学术搜索
6. t·m·戴维森j . Sedgh d . Tran和c . j . Stepnowsky Jr .)“收购演讲的解剖基础和阻塞性睡眠呼吸暂停:证据的支持大跃进假说,”睡眠医学》第六卷,没有。6,497 - 505年,2005页。视图:出版商的网站|谷歌学术搜索
7. r . j . Schwab m . Pasirstein r·皮尔森et al .,“识别上呼吸道解剖阻塞性睡眠呼吸暂停的危险因素与体积磁共振成像,”美国呼吸和重症监护医学杂志》上,卷168,不。5,522 - 530年,2003页。视图:出版商的网站|谷歌学术搜索
8. 答:a .劳j . a . Fleetham足立,和c·f·瑞恩,“人头测量法的阻塞性睡眠呼吸暂停综合症的严重程度和计算层析的预测因素,”美国口腔正畸学杂志》和Dentofacial矫形手术,卷107,不。6,589 - 595年,1995页。视图:出版商的网站|谷歌学术搜索
9. t . Lyberg o . Krogstad, g . Djupesland“人头测量法的分析阻塞性睡眠呼吸暂停综合症患者。即骨骼形态。”喉科学和耳科学杂志》上,卷103,不。3、287 - 292年,1989页。视图:出版商的网站|谷歌学术搜索
10. m . c . El Rai n . Werghi h . Al Muhairi和h . Alsafar”使用面部图像的诊断基因综合症:一项调查,”学报》国际会议通信、信号处理、及其应用(ICCSPA 15)IEEE,页1 - 6,沙迦,阿拉伯联合酋长国,2015年2月。视图:出版商的网站|谷歌学术搜索
11. r·w·w·李,k·萨瑟兰,a . s . l . Chan et al .,“表面面部尺寸之间的关系和上呼吸道结构在阻塞性睡眠呼吸暂停,”睡眠,33卷,不。9日,第1254 - 1249页,2010年。视图:谷歌学术搜索
12. a·w·福克斯,p . k . Monoson和c·d·摩根,“阻塞性睡眠呼吸暂停的言语功能障碍。判别分析的描述符”,胸部,卷96,不。3、589 - 595年,1989页。视图:出版商的网站|谷歌学术搜索
13. p . k . Monoson和a·w·福克斯”,语言障碍的初步观察阻塞性和混合睡眠呼吸暂停,”胸部,卷92,不。4、670 - 675年,1987页。视图:出版商的网站|谷歌学术搜索
14. j . a .饮料j .莫雷拉j . Abad et al .,“元音的声学分析排放在阻塞性睡眠呼吸暂停,”胸部杂志,卷104,不。4、1093 - 1096年,1993页。视图:出版商的网站|谷歌学术搜索
15. m·p·罗伯·j·耶茨,e·j·摩根,“声道共振特性与阻塞性睡眠呼吸暂停的成年人,“Acta Oto-Laryngologica,卷117,不。5,760 - 763年,1997页。视图:出版商的网站|谷歌学术搜索
16. e . Goldshtein a Tarasiuk, y Zigel“阻塞性睡眠呼吸暂停使用语音信号的自动检测,”IEEE生物医学工程,卷。58岁的没有。5,1373 - 1382年,2011页。视图:出版商的网站|谷歌学术搜索
17. r . Fernandez-Pozo j . Blanco-Murillo l . Hernandez-Gomez e·洛佩兹,j .城堡和d·t·托”的评估严重呼吸暂停通过语音分析,自动语音和说话人识别技术,“EURASIP在信号处理的发展》杂志上,卷2009,不。6篇文章ID 982531 1 - 11, 2009页。视图:出版商的网站|谷歌学术搜索
18. a . m . Benavides a·费尔南德斯,j·l·布兰科r·f·博罗·d·t·托和l·h·戈麦斯,“使用嗯检测扬声器和严重的阻塞性睡眠呼吸暂停综合症,”伊比利亚语言的语音和语言技术的进步卷,328通信在计算机和信息科学施普林格,页121 - 128年,柏林,德国,2012年。视图:出版商的网站|谷歌学术搜索
19. a .蒙特罗Benavides r . Fernandez-Pozo d·t·托j . l . Blanco-Murillo e . Lopez-Gonzalo和l . Hernandez-Gomez”相关的语音特征分析在诊断阻塞性睡眠呼吸暂停和他们的应用程序支持,”电脑语音和语言,28卷,不。2、434 - 452年,2014页。视图:出版商的网站|谷歌学术搜索
20. 马丁j . Sole-Casals c . Munteanu o . c . et al .,“检测严重的阻塞性睡眠呼吸暂停通过语音分析,“应用软计算杂志,23卷,第354 - 346页,2014年。视图:出版商的网站|谷歌学术搜索
21. m . Kriboy A Tarasiuk, y Zigel“阻塞性睡眠呼吸暂停综合症的严重程度估计的新方法使用语音信号,”IEEE国际会议上声学学报》,演讲,和信号处理(ICASSP 14)3610年,页3606 -佛罗伦萨,意大利,2014年5月。视图:出版商的网站|谷歌学术搜索
22. p .肯尼·Ouellet n . Dehak诉古普塔和p . Dumouchel”发言人验证interspeaker可变性的研究”,IEEE音频、语音和语言处理,16卷,不。5,980 - 988年,2008页。视图:出版商的网站|谷歌学术搜索
23. m . Kriboy a Tarasiuk, y Zigel”检测阻塞性睡眠呼吸暂停清醒学科利用身体语言对语音信号的影响,”第36届国际研讨会论文集,生物医学工程学会(EMBC 14)芝加哥,页4224 - 4227年,生病,美国,2014年8月。视图:出版商的网站|谷歌学术搜索
24. a . Poorjam m . Bahari诉Vasilakakis, h . Van-Hamme”高度估计使用i-vectors从语音信号和最小二乘支持向量回归”美国第37国际会议通信和信号处理(TSP的14),页1 - 5,柏林,德国,2014年7月。视图:谷歌学术搜索
25. m·h·Bahari m·麦克拉伦h . van Hamme和d . a . van Leeuwen“演讲者使用i-vectors年龄估计,”人工智能技术的工程应用34卷,第108 - 99页,2014年。视图:出版商的网站|谷歌学术搜索
26. t . Kinnunen和h·李”的概述text-independent说话人识别:从功能到supervectors,”言语交际,52卷,不。1,12-40,2010页。视图:出版商的网站|谷歌学术搜索
27. f . Bimbot肯尼迪。Bonastre, c . Fredouille et al .,“教程text-independent议长验证,”EURASIP应用信号处理》杂志上,卷2004,不。4篇文章ID 101962年,第451 - 430页,2004年。视图:出版商的网站|谷歌学术搜索
28. n . Dehak p . j .肯尼·r·Dehak p . Dumouchel和p . Ouellet前端为议长验证因子分析,“IEEE音频、语音和语言处理,19卷,不。4、788 - 798年,2011页。视图:出版商的网站|谷歌学术搜索
29. t . f . d . a . Reynolds Quatieri, r·b·邓恩,“议长验证使用适应高斯混合模型,数字信号处理:回顾杂志上,10卷,不。1,19-41,2000页。视图:出版商的网站|谷歌学术搜索
30. n . Dehak p . a . Torres-Carrasquillo d·雷诺兹和r . Dehak“语言识别通过Ivectors和降维,”第12届年会学报》国际言语交际协会(INTERSPEECH的11)860年,页857 -佛罗伦萨,意大利,2011年8月。视图:谷歌学术搜索
31. m·h·Bahari r . Saeidi h . Van Hamme和d . Van Leeuwen”口音识别使用矢量i,高斯意味着supervector和高斯后验概率supervector自发电话讲话,”学报》第38届IEEE国际会议音响、演讲,和信号处理(ICASSP 13)IEEE,页7344 - 7348年,温哥华,加拿大,2013年5月。视图:出版商的网站|谷歌学术搜索
32. f . Espinoza-Cuadros, r . Fernandez-Pozo d·t·托j . d . Alcazar-Ramirez e . Lopez-Gonzalo和l . Hernandez-Gomez”回顾演讲和阻塞性睡眠呼吸暂停之间的联系,“生物医学工程在线在出版社。视图:谷歌学术搜索
33. 莫雷诺,d . Poch a Bonafonte et al .,“Albayzin语音数据库:语音语料库的设计”诉讼第三欧洲会议语音通信和技术(EUROSPEECH ' 93),柏林,德国,1993年9月。视图:谷歌学术搜索
34. a . Jain和李,手册的人脸识别施普林格,纽约,纽约,美国,2005年。
35. t . f .笨蛋、g·j·爱德华兹和c·j·泰勒,“主动外观模型,”IEEE模式分析与机器智能,23卷,不。6,681 - 685年,2001页。视图:出版商的网站|谷歌学术搜索
36. l . Teijeiro-Mosquera j·l·Alba-Castro, d . Gonzalez-Jimenez”人脸识别跨体式自动估计的参数通过AAM-based里程碑,”20国际会议的程序模式识别(ICPR 10),页1339 - 1342,伊斯坦布尔,土耳其,2010年8月。视图:出版商的网站|谷歌学术搜索
37. t .傻瓜,”AAM-tools(软件)。”http://personalpages.manchester.ac.uk/staff/timothy.f.cootes/tfc_software.html。视图:谷歌学术搜索
38. i . l . Mortimore马歇尔,p . k .幽灵r . j . Sellar和n·j·道格拉斯,“脖子和总脂肪沉积nonobese和肥胖患者睡眠呼吸暂停与对照组相比,“美国呼吸和重症监护医学杂志》上,卷157,不。1,第283 - 280页,1998。视图:出版商的网站|谷歌学术搜索
39. A . j . Smola和b . Scholkopf教程支持向量回归。”统计和计算,14卷,不。3、199 - 222年,2004页。视图:出版商的网站|谷歌学术搜索|MathSciNet
40. c c。Chang和C.-J。林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3,1-27,2011页。视图:出版商的网站|谷歌学术搜索
41. a . m . Benavides j·l·b·Murillo r·f·博罗et al。“共振峰频率和带宽与临床变量在一个人口阻塞性睡眠呼吸暂停,”杂志上的声音,2015年。视图:出版商的网站|谷歌学术搜索
42. c . Guilleminault M.-A。m . Partinen Quera-Salva,吞云吐雾,“妇女和阻塞性睡眠呼吸暂停综合症,”胸部杂志,卷93,不。1,第109 - 104页,1988。视图:出版商的网站|谷歌学术搜索
43. l .气F.-L。Comyn: Mitra et al .,“识别颅面使用三维磁共振阻塞性睡眠呼吸暂停的危险因素,”欧洲呼吸杂志,38卷,不。2、348 - 358年,2011页。视图:出版商的网站|谷歌学术搜索
44. i r . Titze”,生理和声学区别男性和女性的声音,“《美国声学学会杂志》上,卷85,不。4、1699 - 1707年,1989页。视图:出版商的网站|谷歌学术搜索
45. t . j . Nuckton d . v . Glidden w·s·布朗尼,和d . m . Claman”体检:mallampati分数作为一个独立的预测阻塞性睡眠呼吸暂停,”睡眠卷,29号7,903 - 908年,2006页。视图:谷歌学术搜索
46. c . Hukins“Mallampati类不是有用的临床评估睡眠诊所的病人,”临床睡眠医学杂志》上》第六卷,没有。6,545 - 549年,2010页。视图:谷歌学术搜索
47. m·p·Beham和s . m . m . Roomi“回顾人脸识别方法,”模式识别与人工智能》国际期刊上,27卷,不。4、文章ID 1356005, 2013。视图:出版商的网站|谷歌学术搜索
48. c·p·Sumathi t·桑和m . Mahadevi“自动面部表情分析:一项调查,”国际计算机科学与工程杂志调查,3卷,不。6,47-59,2012页。视图:出版商的网站|谷歌学术搜索
49. 美国富,h .他和Z.-G。侯:“学习竞赛从脸:一项调查,”IEEE模式分析与机器智能,36卷,不。12日,第2509 - 2483页,2014年。视图:出版商的网站|谷歌学术搜索
50. r·d·谢尔文d·l··a·Vahabzadeh m·c·伯恩斯,j·w·伯恩斯和s·r·布赫曼“睡意的脸:改善后外观治疗睡眠呼吸暂停,”临床睡眠医学杂志》上,9卷,不。9日,第852 - 845页,2013年。视图:出版商的网站|谷歌学术搜索
51. 诉Dhandhania p·g . Shivakumar m . Li)和美国美国时称,“简化和监督i矢量建模议长年龄回归,”IEEE国际会议上声学学报》,演讲,和信号处理(ICASSP 14)IEEE,页4833 - 4837年,佛罗伦萨,意大利,2014年5月。视图:出版商的网站|谷歌学术搜索
52. j . Sola-Soler j . a .饮料a·托雷斯和r·简”标识的阻塞性睡眠呼吸暂停患者气管呼吸声音分析在觉醒障碍研究”学报》第36届国际会议的IEEE在医学和生物工程协会(EMBC 14)芝加哥,页4232 - 4235年,生病,美国,2014年8月。视图:出版商的网站|谷歌学术搜索
53. r . Premkumar、c·阿伦和r . s .迪”连续小波分析阻塞性睡眠呼吸暂停患者的呼吸声音和正常人在觉醒,“应用力学和材料卷。622年,45 - 50,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015费尔南多Espinoza-Cuadros et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。