謝運泉, 李 宏, 鄔楊波, 謝建軍

一種基于血氧飽和度與鼾聲檢測的呼吸暫停監(jiān)測系統(tǒng)設計

謝運泉, 李 宏, 鄔楊波, 謝建軍*

（寧波大學 信息科學與工程學院, 浙江 寧波 315211）

長期打鼾嚴重的人往往都患有呼吸暫停綜合征, 該癥狀對人的身體健康有著極大的危害. 針對用鼾聲實現(xiàn)呼吸暫停檢測技術準確度不夠的問題, 設計了一種基于血氧飽和度與鼾聲檢測相結合的呼吸暫停監(jiān)測系統(tǒng), 利用微控制器結合外部的血氧檢測電路以及鼾聲檢測電路實現(xiàn)血氧飽和度的實時監(jiān)測與鼾聲片段的識別, 當監(jiān)測到用戶睡眠時正在打鼾同時血氧飽和度在一定程度上下降, 系統(tǒng)便可以識別出該打鼾者的呼吸暫停癥狀. 而對于患有呼吸暫停癥狀的打鼾者, 后續(xù)可以對其進行止鼾, 從而一定程度上可以緩解呼吸暫停癥狀. 整個系統(tǒng)在準確實時的血氧飽和度監(jiān)測以及鼾聲識別基礎上, 可以較為方便準確地識別出打鼾者的呼吸暫停癥狀, 為呼吸暫停綜合征的實時監(jiān)測提供了一種新的方法.

呼吸暫停綜合征; 血氧飽和度; 鼾聲檢測; 止鼾

睡眠呼吸暫停綜合征(Sleep Apnea Syndrome, SAS)是一種常見的睡眠障礙性疾病, 嚴重影響人們的生活質(zhì)量以及身體健康. SAS最常見的臨床表現(xiàn)便是打鼾, 相比一般的打鼾, SAS的特有癥狀是呼吸暫停和低通氣事件頻繁發(fā)生. 所謂呼吸暫停是指夜間睡眠時呼吸氣流完全停止10s以上, 而低通氣是指睡眠期間的呼吸氣流相對一般基礎水平減少50%以上, 并伴有血氧飽和度減少4%以上[1]. 血氧飽和度下降會產(chǎn)生更加嚴重的危害, 如高血壓、低氧血癥、冠心病等, 部分心血管疾病患者甚至會出現(xiàn)夜間猝死[2-3]. 根據(jù)相關調(diào)查結果, 全球每天有3000多人發(fā)生與SAS相關的夜間死亡[4], 且在中老年肥胖患者中更易出現(xiàn)[5]. 因此, 對于打鼾者所患的SAS有必要進行監(jiān)測和治療.

多導睡眠儀(Polysomnography, PSG)是呼吸暫停癥狀的主要檢測設備, 但其操作復雜, 價格昂貴, 給患者帶來的負擔較重, 不易在廣大人群中推廣[6]. 通過動態(tài)腦電監(jiān)測來進行SAS檢測的方法應運而生, 但該方法在檢測實施過程中需要專業(yè)醫(yī)護人員進行實時操作, 不易在家庭中推廣[7]. 通過血氧飽和度來獨立判斷SAS的發(fā)生可以作為一種方便有效的SAS初篩手段, 但單一的血氧飽和度監(jiān)測會低估患病的嚴重程度[8]. 目前, 基于動態(tài)心電圖機監(jiān)測的心率變異性(Heart Rate Variability, HRV)檢測法是替代PSG檢測的主要方法之一, 但該檢測方法需要病人長期佩戴心電電極, 容易造成皮膚過敏[6]. 通過直接分析用戶鼾聲信號來進行SAS檢測與篩選是一種簡單且常見的方法[9], 但該方法不易準確區(qū)分單純打鼾者和患有呼吸暫停癥狀的打鼾者, 存在一定的誤差, 準確度有待提高.

針對已有SAS檢測方法準確度低的問題, 結合血氧飽和度與呼吸暫停癥狀的密切關系[10], 本文提出了一種通過鼾聲檢測區(qū)分鼾聲與非鼾聲, 再通過監(jiān)測其血氧飽和度的變化來檢測呼吸暫停癥狀的方法, 該方法可以有效地識別出打鼾者的呼吸暫停癥狀, 明顯提高檢測SAS的準確度.

1 血氧與鼾聲檢測原理

1.1 血氧檢測原理

血氧飽和度(SpO2)用于表示血液中的血氧含量, 定義為氧合血紅蛋白(HbO2)容量占全部血紅蛋白(HbO2+Hb)容量的百分比:

式中:為血氧飽和度,為血紅蛋白容量.

氧合血紅蛋白與還原血紅蛋白對波長為940和660nm的入射光吸收系數(shù)差異最大[11-13], 這兩種光可以作為血氧飽和度測量的光源. 本文采用透射式方法, 如圖1所示, 發(fā)射端是波長1=660 nm的紅光(Red)和波長2=940nm的紅外光(IRed)發(fā)光二極管, 接收端是光電接收管, 光透過手指被接收管接收轉(zhuǎn)換為電信號輸出. 根據(jù)朗伯-比爾定律推導出血氧飽和度的標定公式:

式中:、為常數(shù);AC、DC分別為脈搏信號的交流分量、直流分量. 為了提高測量精度, 對式(2)取泰勒級數(shù)展開的前兩項, 得出實際設計應用中的血氧飽和度標定公式:

式中,為常數(shù). 由于動脈血液會隨著心臟的搏動而產(chǎn)生節(jié)律性變化, 使得光透過手指末端時光強改變, 而其他組織相對靜止, 最后只需要獲取光經(jīng)過人體組織后光強的變化量(AC)與最大值(DC)的比值, 便可以計算出血氧飽和度.

圖1 透射式血氧檢測原理

1.2 鼾聲檢測原理

鼾聲的發(fā)聲機制與語音信號類似, 都是在聲道中形成的, 不過鼾聲是由咽部振動而不是聲帶振動產(chǎn)生, 且產(chǎn)生在吸氣階段. 可以使用語音信號的常用特征來作為研究鼾聲信號的依據(jù), 如梅爾頻率倒譜系數(shù)(Mel Frequency Cepstral Coefficents, MFCC)、共振峰等.

目前, 對于語音信號的研究已較為成熟, 但對于鼾聲的識別研究相對較少. 對于鼾聲的檢測與識別, 主要分為監(jiān)督與非監(jiān)督兩種方法, 兩者的區(qū)別在于是否需要訓練數(shù)據(jù). 本文采用監(jiān)督學習的方法, 利用訓練數(shù)據(jù)來識別出鼾聲. 首先通過麥克風檢測聲音信號并采集到微控制器中, 然后進行信號處理, 主要包括預處理、端點檢測、特征提取以及鼾聲識別. 預處理過程主要是對采集的語音數(shù)據(jù)進行預加重、分幀、加窗, 是為了消除人類發(fā)聲機制等因素給語音信號分析帶來的影響. 端點檢測主要是檢測出有聲段, 去除睡眠時的寂靜段. 特征提取過程主要是提取與人耳感知特性相關的MFCC. 最后采用機器學習算法K近鄰(K-Nearest Neighbor, KNN)來識別出鼾聲.

2 基于血氧飽和度與鼾聲檢測的呼吸暫停監(jiān)測與識別

打鼾嚴重的人通常都患有睡眠呼吸暫停綜合征. 在基于聲學的分析中, 鼾聲對區(qū)分單純打鼾以及呼吸暫停癥狀具有很大的潛力. 分析整晚的鼾聲信號特征, 可以初步判定是否患有呼吸暫停癥狀. 但研究發(fā)現(xiàn), 呼吸暫?；颊叩恼４蝼龝r間間隔不定且振幅不穩(wěn)定[1], 通過分析鼾聲信號特征并不能準確地檢測出呼吸暫停癥狀, 但患有呼吸暫停癥狀的打鼾者睡眠時血氧飽和度會一定程度上降低, 可以對睡眠時的打鼾者監(jiān)測其血氧飽和度的下降程度來判斷是否患有呼吸暫停癥狀. 然而, 對于長期患有心血管疾病的患者, 在睡眠時也會因為呼吸不順暢導致血氧飽和度下降, 單純監(jiān)測血氧飽和度并不能準確地檢測出呼吸暫停癥狀. 本文的呼吸暫停監(jiān)測系統(tǒng)主要是監(jiān)測睡眠時打鼾者血氧飽和度的下降程度, 識別出打鼾者的呼吸暫停癥狀, 無需從鼾聲信號特征上進行分析. 因為出現(xiàn)呼吸暫停的最基礎癥狀便是打鼾, 系統(tǒng)首先需要檢測出用戶睡眠時是否在打鼾. 對于打鼾者, 監(jiān)測其血氧飽和度的變化, 如果血氧飽和度明顯下降, 則識別出用戶是一名呼吸暫停癥狀患者, 后續(xù)可以對用戶進行止鼾, 一定程度上緩解用戶的呼吸暫停癥狀.

3 系統(tǒng)硬件設計

整個系統(tǒng)主要由血氧檢測電路、鼾聲采集電路及處理器外圍相關電路3部分組成. 3個部分協(xié)同工作, 當系統(tǒng)檢測到睡眠用戶打鼾的同時血氧飽和度在一定范圍內(nèi)下降, 便識別該打鼾者是呼吸暫停癥狀患者. 系統(tǒng)硬件框圖如圖2所示.

圖2 系統(tǒng)硬件框圖

3.1 血氧檢測電路設計

血氧檢測電路以STM32F407單片機為核心, 由指夾式脈搏血氧探頭、光源驅(qū)動電路以及信號調(diào)理電路構成. 血氧探頭采集人體手指末端的光電容積脈搏波(Photoplethysmographic, PPG), 由于探頭輸出的原始脈搏波信號微弱, 且干擾較多, 對其進行前置放大、信號分離以及濾波等信號調(diào)理電路的處理, 再經(jīng)過模數(shù)轉(zhuǎn)換, 由單片機采集原始的脈搏波信號, 處理器內(nèi)部對PPG信號處理, 顯示實時的血氧飽和度值.

3.1.1光源驅(qū)動電路設計

光源驅(qū)動電路主要是驅(qū)動血氧探頭正常工作, 如圖3所示, 為了使血氧探頭內(nèi)部的紅光與紅外光發(fā)光二極管交替點亮[14], 利用H橋電路, 通過四路PWM波對信號進行分時驅(qū)動.

圖3 光源驅(qū)動電路

工作時紅光與紅外光交替點亮. Q1、Q4導通, Q2、Q3截止, 紅光發(fā)光二極管點亮, 流過的電流為15mA, 滿足驅(qū)動紅光二極管的要求; Q2、Q3導通, Q1、Q4截止, 紅外發(fā)光二極管點亮, 流過的電流為17mA, 滿足紅外發(fā)光二極管工作的要求. 電路通過分時交替發(fā)光來驅(qū)動血氧探頭正常工作.

3.1.2前置放大及信號分離電路設計

由血氧探頭產(chǎn)生的原始脈搏波信號微弱, 且極易受到干擾, 為了提升電路的抗干擾能力, 需要加入前置放大電路, 而前置放大電路的性能會對電路抗干擾能力產(chǎn)生重大影響, 因此在選擇前置放大器時要求運放具有高共模抑制比、低噪聲電壓、高信噪比等特點[15]. 經(jīng)對比, 本文采用INA128儀表運算放大器. P1和P2是血氧探頭正常工作時的輸出端, 與前置放大電路相連, 經(jīng)前置放大電路后輸出的是紅光與紅外光混合信號, 需要將兩路信號進行分離以便后續(xù)處理. 本文采用模擬電子開關CD4066芯片來實現(xiàn), 其內(nèi)部由4個雙向電子開關組成. 需要注意的是, 為了將兩路波長信號成功分離, 該芯片的分離控制信號必須與光源驅(qū)動電路的導通時序保持一致. 具體電路如圖4所示.

圖4 前置放大及信號分離電路

在INA128的1腳與8腳之間外接一個電阻7, 可以對前置放大電路的增益進行設置, 公式如下,

3.1.3濾波電路設計

濾波電路主要是為了得到計算血氧飽和度的交流分量以及直流分量, 兩路信號各自處理. 以紅外光信號為例, 將信號通過一個截止頻率為31.2 Hz的低通濾波器, 濾去信號中的雜波, 此時的信號可以看成是原信號的直流分量. 而交流分量需要通過高通濾波器來獲得, 脈搏波頻率很低, 將高通濾波器截止頻率設為0.159Hz, 信號經(jīng)高通濾波器后直流分量被濾除, 得到的便是交流分量, 信號所呈現(xiàn)的形態(tài)便是生理學上的脈搏波信號. 具體電路如圖5所示.

圖5 濾波電路

濾波器的截止頻率為

當8=9=,1=2=時, 式(5)可化為

設置8、9為51kΩ,10、11為1MΩ,1、2為0.1μF,3、4為1μF, 可得低通濾波器、高通濾波器的截止頻率分別為31.2、0.159Hz.

通過高通濾波器后的信號即為原始脈搏波信號, 但是信號十分微弱, 需進一步放大才能進行后續(xù)處理. 同時, 需要一個加法器將信號抬升到0V以上, 以便于控制器的采集, 保證信號采集完整.

3.2 鼾聲采集電路設計

鼾聲檢測的電路主要由鼾聲采集電路以及主控芯片STM32F407組成. 采用MAX9814作為鼾聲采集電路, 如圖6所示, MAX9814是一款低成本高性能麥克風放大器, 具有自動增益控制(AGC), 能夠設置40、50、60dB 3種增益, 電源電壓范圍2.7~5.5V, 內(nèi)置2V低噪聲麥克風偏置. 麥克風用于采集聲音, 輸出(OUTPUT)接入控制器.

圖6 鼾聲采集電路

通過鼾聲采集電路采集睡眠時的聲音, 通過微控制器對采集聲音進行相關算法處理, 從而檢測出鼾聲.

4 血氧及鼾聲信號處理算法設計

4.1 PPG信號去噪及峰值點提取

監(jiān)測血氧飽和度最重要的是對脈搏波進行消噪以及峰值點提取, 兩者的結果會影響血氧飽和度監(jiān)測的準確度. 對脈搏波消噪算法的研究主要針對的是基線漂移等低頻噪聲. 環(huán)境干擾等高頻噪聲可以通過低通濾波器濾除, 而基線漂移會改變信號的形態(tài)和幅值, 影響血氧飽和度計算的準確度, 需要對其濾除. 本文利用小波變換方法予以濾除, 小波變換在處理非平穩(wěn)低頻信號時優(yōu)勢較大, 很適合文中脈搏波基線漂移的濾除. 基于小波變換的脈搏波基線漂移濾除步驟如下:

(1)小波基選取. 根據(jù)各個小波基的形態(tài), 通過實驗比較, 選取db4作為基線校準的小波基.

(2)分解層數(shù)選取. 根據(jù)采樣率、采樣點數(shù)、脈搏波低頻特性, 通過實驗選取5層分解最為合適.

(3)噪聲估計. 利用5層分解得到第5層上的近似分量來估計PPG信號中的低頻噪聲.

(4)信號重構. 從PPG信號中直接去除第5層的近似分量進行重構, 得出去除基線漂移的信號.

通過以上步驟, 基本消除了原始脈搏波的基線漂移, 如圖7所示.

圖7 原始波形及去除基線漂移后波形

對于脈搏波峰值點的提取, 主要是提取脈搏波的波峰以及波谷, 根據(jù)波峰與波谷的差值得出計算血氧飽和度的交流分量. 本文利用微分閾值法來提取脈搏波的波峰波谷, 步驟如下:

(1)獲取一段原始脈搏波去噪后的數(shù)據(jù), 對其進行一階差分.

(2)找出差分結果中的最大值, 根據(jù)設定一個閾值, 閾值系數(shù)為, 即閾值為, 通過實驗測得取0.9最為合適.

(3)在差分結果中尋找大于閾值的點, 可以得出此點左邊第一個過零點以及右邊第一個過零點, 對應于原始數(shù)據(jù)中便是需要提取的波谷與波峰點.

通過以上步驟, 可以準確地識別出脈搏波的波峰波谷點, 如圖8所示.

圖8 脈搏波波峰波谷識別

差分結果中每個周期內(nèi)的最大值左右兩邊的第一個過零點對應于原始脈搏波的波谷與波峰.利用微分閾值法, 提取脈搏波的波峰與波谷, 波峰與波谷的均值為計算血氧飽和度的直流分量, 差值為交流分量. 得到PPG信號的直流分量以及交流分量, 經(jīng)定標后便可以計算出血氧飽和度.

通過小波變換消除原始脈搏波的基線漂移, 微分閾值法提取脈搏波主波的波峰波谷, 經(jīng)數(shù)據(jù)處理后, 便可以實時地監(jiān)測血氧飽和度.

4.2 鼾聲檢測算法設計

目前語音信號處理技術較為成熟, 但對于鼾聲檢測與識別卻很少, 鼾聲信號的檢測是指對傳感器采集的語音數(shù)據(jù)進行分析, 檢測和識別出其中的鼾聲. 根據(jù)語音信號的處理過程, 對鼾聲信號進行處理主要分為4個步驟: 預處理、端點檢測、特征提取以及鼾聲識別.

4.2.1預處理

對語音信號進行預處理, 以消除因人類發(fā)聲機制給語音分析帶來的影響, 預處理過程主要分為預加重和分幀加窗, 預加重就是對語音信號的高頻部分進行增強補償, 實現(xiàn)方式如下:

語音信號在長時間上是一個非平穩(wěn)過程, 但是在短時間內(nèi)(10~30ms)近似為一個穩(wěn)定過程, 即短時相對穩(wěn)定, 可以將語音信號分為一小段一小段來處理, 即進行分幀操作. 而分幀操作通常是通過窗函數(shù)來截取, 本文采用漢明窗進行截取, 漢明窗具有更好的低通特性, 能更好地保留鼾聲信號.

4.2.2端點檢測

從傳感器采集到的用戶睡眠聲音, 除鼾聲以外, 還可能存在呼吸聲、關門聲、空調(diào)聲等噪聲, 這些都屬于有聲段, 而環(huán)境寂靜聲屬于無聲段, 需要很好地區(qū)分出有聲段與無聲段, 檢測出有聲段便是端點檢測的目的. 本文采用較為簡單的雙門限法進行檢測. 基于短時能量與短時過零率的雙門限法如圖9所示. 通過設置短時能量的門限th, 初步判斷出有聲段范圍在1左邊以及2右邊, 在1左邊和2右邊搜索. 設置短時過零率的門限th, 即可判斷出有聲段的范圍在1和2之間. 對每幀數(shù)據(jù)的短時能量和短時過零率判斷, 一旦滿足其中一個條件就被視為有聲段. 需要注意的是, 文中需要以環(huán)境聲的短時能量和短時過零率作為參考來設定門限閾值.

圖9 雙門限法示意

4.2.3特征提取

端點檢測之后, 獲取語音信號的有聲段, 有聲段中包含鼾聲以及非鼾聲. 從有聲段中找出鼾聲片段, 首先需要做的便是特征提取, 選擇一個特征來區(qū)分這些聲音. 本文提取的是MFCC, MFCC可以更好地反映鼾聲與非鼾聲片段的差異[16], 通過將語音信號的線性頻率轉(zhuǎn)為人耳感知的梅爾頻率, 就可以更加貼合人耳對語音信號的聽覺感知機制. 特征提取步驟如圖10所示.

圖10 提取MFCC基本步驟

4.2.4鼾聲識別

提取了特征參數(shù), 就可以對有聲段語音數(shù)據(jù)進行分類, 也就有了將鼾聲信號識別出的手段. 鼾聲識別方法主要有隱馬爾科夫模型、K近鄰算法以及K均值算法等[17]. 對比3種方法, 并考慮到本系統(tǒng)需要實時監(jiān)測呼吸暫停癥狀, 采用K近鄰(KNN)較為簡單, 其他兩種方法不能做到實時監(jiān)測. K近鄰算法的實現(xiàn)如圖11所示.

圖11 K近鄰算法

K近鄰算法應用于鼾聲識別首先需要確定訓練集樣本, 且每個樣本的特征參數(shù)以及所屬類別需要給出, 為了準確識別, 訓練集樣本需要多樣性, 除了鼾聲, 還需要電視聲音、呼吸聲、關門聲等, 樣本種類越多識別的準確率越高. 確定完訓練集樣本, 便可以對新樣本特征參數(shù)與訓練集樣本特征參數(shù)進行分類識別, 具體步驟是首先測試新樣本與訓練集樣本特征參數(shù)的歐氏距離, 然后按距離排序, 選取與新樣本特征參數(shù)距離最近的個訓練集樣本, 確定最近的個訓練集樣本中類別出現(xiàn)最多的樣本, 并將其作為新樣本的預測類別, 這樣便可以將每一幀的語音數(shù)據(jù)類別識別出來, 從而識別出鼾聲片段.

5 系統(tǒng)軟件設計

系統(tǒng)軟件設計主要包括血氧飽和度檢測軟件設計以及鼾聲檢測軟件設計, 整個系統(tǒng)軟件設計流程如圖12所示.

圖12 系統(tǒng)軟件流程

系統(tǒng)實現(xiàn)的功能是先檢測出鼾聲, 再對打鼾者進行血氧飽和度的監(jiān)測, 血氧飽和度低于臨界值, 系統(tǒng)識別出該打鼾者患有呼吸暫停癥狀. 各個部分協(xié)同工作, 對血氧飽和度正常的單純打鼾者, 系統(tǒng)便不會識別出呼吸暫停癥狀.

6 系統(tǒng)測試結果

6.1 血氧飽和度測試結果

10名受試者保持靜坐姿勢10s, 佩戴血氧探頭進行5次測量, 得出平均值. 為了模擬睡眠時缺氧, 采用屏息的方法使血氧飽和度下降, 屏息20s, 佩戴血氧探頭進行5次測量, 得出平均值. 結果對比見表1. 受實驗條件限制, 采用華為手環(huán)FDS-B19作為標定儀器, 對本文設計的系統(tǒng)和手環(huán)測量的血氧飽和度進行對比, 兩者具有很好的一致性. 由于個體的差異, 誤差會有一定范圍的波動, 但總體而言, 本文系統(tǒng)的測量誤差在正常范圍內(nèi), 測量較為精確.

表1 血氧飽和度對比測試實驗結果 %

6.2 鼾聲識別測試結果

在實驗室環(huán)境中, 利用真實睡眠環(huán)境下的含有1min鼾聲片段的錄音進行鼾聲識別測試. 而對于鼾聲的標定, 采用人工對錄音進行鼾聲數(shù)量統(tǒng)計, 可以得出最終的鼾聲識別準確率. 具體測試結果見表2.

表2 鼾聲識別測試結果

從采集的5份錄音樣本的識別率來看, 鼾聲識別達到了較好的水平. 但本文的重點并不是識別鼾聲數(shù), 而是能準確識別出用戶打鼾. 由于運行在微控制器上, 不能采用較為復雜的算法, 而且處理器處理速度有限, 訓練集樣本也不能太多, 這樣會導致最終的識別率略低于一些復雜算法的識別結果. 總體而言, 本文系統(tǒng)已經(jīng)取得了較好的識別效果, 滿足通常的需求.

6.3 伴有呼吸暫停癥狀的鼾聲識別結果

為了模擬實際睡眠環(huán)境, 受試者佩戴血氧探頭進行實時的血氧飽和度監(jiān)測, 同時利用含有鼾聲片段的錄音以及非鼾聲片段錄音進行鼾聲識別, 測試結果見表3.

表3 伴有呼吸暫停的鼾聲患者測試結果

根據(jù)鼾聲檢測結果以及血氧飽和度監(jiān)測結果, 當系統(tǒng)檢測到用戶睡眠時在打鼾, 同時血氧飽和度下降, 系統(tǒng)便可以自動識別出該打鼾者患有呼吸暫停癥狀. 而對于未打鼾的用戶, 當監(jiān)測到其血氧飽和度下降時, 可能是患有心血管或者高血壓等疾病, 這些由其他疾病引起的血氧飽和度下降并不是本文研究的重點, 系統(tǒng)不作識別.

7 結論

本文提出了一種基于血氧飽和度及鼾聲檢測的呼吸暫停監(jiān)測系統(tǒng), 將血氧飽和度與睡眠時的鼾聲相結合, 對傳統(tǒng)的用鼾聲來檢測呼吸暫停癥狀方法進行了改進, 增加了血氧飽和度的監(jiān)測, 通過血氧飽和度來檢測SAS的準確率相比于單純鼾聲檢測提高了2%左右. 采集用戶睡眠時的語音數(shù)據(jù), 識別出其中的鼾聲部分, 便可以檢測出用戶的打鼾狀態(tài). 對正在打鼾的用戶, 同時監(jiān)測其血氧飽和度下降的程度來識別呼吸暫停癥狀. 識別出用戶患有呼吸暫停癥狀后可以對其進行一定的刺激, 從而在一定程度上緩解呼吸暫停癥狀. 該系統(tǒng)可以實時地監(jiān)測血氧飽和度以及鼾聲, 工作穩(wěn)定, 檢測方便, 無創(chuàng)傷, 具有一定的應用前景.

[1] 楊賀. 基于AHI指數(shù)的OSAHS篩查系統(tǒng)的研究與實現(xiàn)[D]. 大連: 大連理工大學, 2015.

[2] van Maanen J P, de Vries N. Long-term effectiveness and compliance of positional therapy with the sleep position trainer in the treatment of positional obstructive sleep apnea syndrome[J]. Sleep, 2014, 37(7):1209-1215.

[3] 王輝, 施戀, 王玉梅. 51例睡眠打鼾患者應用多導睡眠監(jiān)測系統(tǒng)監(jiān)測的臨床分析[J]. 中國醫(yī)學工程, 2019, 22(12):55.

[4] Farishta F, Hadi M S, Srinivas V. Obstructive sleep apnea hypopnea syndrome (OSAHS): A case review[J]. International Journal of Pharmaceutics, 2018, 3(3):15-16.

[6] Tuncer A T, Bilgen M. A viable snore detection system: Hardware and software implementations[J]. Turkish Journal of Electrical Engineering & computer sciences, 2020, 28(2):1059-1069.

[7] Hassan A R, Haque M A. An expert system for automated identification of obstructive sleep apnea from single-lead ECG using random under sampling boosting[J]. Neuro- computing, 2017, 235:122-130.

[8] Pathinarupothi R K, Dhara P J, Rangan E S, et al. Single sensor techniques for sleep apnea diagnosis using deep learning[C]. 2017 IEEE International Conference on Healthcare Informatics, 2017:524-529.

[9] Pevernagie D, Aarts R M, de Meyer M. The acoustics of snoring[J]. Sleep Medicine Reviews, 2010, 14(2):131-144.

[10] Liu Y, Huang W, Zou J, et al. Sea level nocturnal minimal oxygen saturation can accurately detect the presence of obstructive sleep apnea in a population with high pretest probability[J]. Sleep and Breathing, 2020, 10(10):1007- 1010.

[11] 黎圣峰, 龐宇, 高小鵬. 便捷式血氧信號檢測裝置設計[J]. 傳感器與微系統(tǒng), 2017, 36(3):111-113.

[12] 王倩, 丁虹霞, 張元亭. EMD在消除光電容積脈搏波中運動偽跡的應用[J]. 先進技術研究通報, 2010, 4(6): 2-6.

[13] 陳帝良, 方震, 趙湛. 集成多生理參數(shù)監(jiān)測的終端設計[J]. 傳感器與微系統(tǒng), 2016, 35(1):95-97.

[14] 盧蒙蒙. 實現(xiàn)與血氧光譜分離的脈搏色素譜測量方法研究[D]. 長春: 吉林大學, 2018.

[15] 康華光, 陳大欽, 張林. 電子技術基礎模擬部分[M]. 5版. 北京: 高等教育出版社, 2005:228-266.

[16] Jiang Y, Peng J, Zhang X. Automatic snoring sounds detection from sleep sounds based on deep learning[J]. Physical and Engineering Sciences in Medicine, 2020, 43(2):679-689.

[17] Vesperini F, Romeo L, Principi E. Convolutional re- current neural networks and acoustic data augmentation for snore detection[M]//Esposito A, Faundez-Zanuy M, Morabito F C, et al. Neural Approaches to Dynamics of Signal Exchanges. Singapore: Springer Singapore, 2019: 35-46.

（責任編輯 韓 超）

Design of an apnea monitoring system by combining blood oxygen saturation and snoring detection

XIE Yunquan, LI Hong, WU Yangbo, XIE Jianjun*

( Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo 315211, China )

People with chronic snoring often suffer from obstructive sleep apnea syndrome (SAS), which is extremely harmful to their health. To tackle the issue of inaccuracy with the conventional technique of using snoring for apnea detection, an apnea monitoring system based on the combination of blood oxygen saturation and snoring detection is proposed. A microcontroller is used in combination with external blood oxygen detection circuit and snoring detection circuit to realize real-time monitoring of blood oxygen saturation and identification of snoring spells. When the system finds that the user is snoring while the blood oxygen saturation decreases to a certain level, it can recognize the apnea symptoms of the snorer. For snorers suffering from apnea symptoms, it can help them stop further snoring, so as to mitinate the apnea symptoms to a certain extent. On the basis of accurate and real-time monitoring of blood oxygen saturation and snoring recognition, the whole system can detect the apnea symptoms of snorers more conveniently and more accurately, which provides a new method for real-time monitoring of apnea syndrome.

SAS;blood oxygen saturation;snoring detection;stop snoring

TP311

A

1001-5132（2021）02-0009-08

2020?10?13.

寧波大學學報（理工版）網(wǎng)址: http://journallg.nbu.edu.cn/

寧波市自然科學基金（2018A610401）; 浙江省基礎公益研究計劃（LGF19B050003）.

謝運泉（1994－）, 男, 安徽壽縣人, 在讀碩士研究生, 主要研究方向: 嵌入式系統(tǒng)設計. E-mail: 83672311@qq.com

謝建軍（1974－）, 男, 浙江余姚人, 工程師, 主要研究方向: 電路與系統(tǒng). E-mail: xiejianjun@nbu.edu.cn