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[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臨床表現為患者在睡眠時打鼾并且伴隨著連續出現長時間的呼吸暫停事件，以及出現白天嗜睡疲乏癥狀。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院等專業機構就診，這往往會導致OSAHS發現時機的延誤。
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]、神經網絡[5]的方法。時頻域的算法一般較簡單易實現，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，實現低信噪比環境下算法的高準確率；而機器學習、神經網絡的方法操作復雜，計算量大。在區別是否患有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，實現鼾聲和呼吸聲二分類達到90%的準確率[8]。彭好等發現OSAHS患者的共振峰頻率其F1值的大小與OSAHS的嚴重程度呈現出相關性[9]。還有研究用鼾聲基頻作為區分特征[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OSAHS的自動診斷[11]。
目前重要的是要發現在出現OSAHS癥狀臨床早期進行準備和治療，尤其是如何盡快發現，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，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.jysgc.com/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）
