最近，有研究发现鼾声信号中携带鼾声来源和上气道阻塞部位的相关信息[4]，因此 在众多简易 OSAHS 诊断的研究中，通过对被监测对象的鼾声信号的分析来检测和诊断 OSAHS 的研究较多。其主要原理是在采集到的鼾声信号中提取时域和频域特征，并利 用统计学和模式识别的相关方法与先验结果进行对比，从而判断出被监测对象是否患有 OSAHS。由于该方法具有“非侵入式”、低成本、易于实现的特点，受到了医学领域和 信号处理领域学者的共同关注[5]。

目前已有不少利用鼾声信号的声学特征来进行 OSAHS 诊断的研究。一些学者已通 过对鼾声信号的分析探究了鼾声信号特征与鼾声来源以及上气道的阻塞部位的联系，并 提出了一些有统计意义的特征指标[6]-[10]。北京医院研究了 OSAHS 患者的上气道不同阻塞部位产生的鼾声信号的特征，但仅限于时频特征，并且结果偏差较大，不适合后续的 模式识别[11]。

利用鼾声信号的声学特征进行 OSAHS 诊断需要大量的鼾声数据，因此对采集到的 鼾声信号进行自动检测和分段具有十分重要的意义。麦克风录制的整夜鼾声监测数据是 进行鼾声来源和上气道阻塞部位研究的数据基础，而提取鼾声信号中的声学特征首先需 要在采集到的监测数据中截取出鼾声片段。整夜鼾声文件数据量大，人工截取鼾声片段 需要耗费大量的时间。利用鼾声自动分段则可以节省时间，提高工作效率，为后续利用 鼾声特征进行 OSAHS 诊断的研究提供帮助。

1。2 国内外研究现状

1。3 论文主要工作及结构安排

本文依托国家自然科学基金面上项目（61271410）：“基于声学分析的鼾症人群鼾声来源及上气道阻塞部位识别”，旨在实现对录制的鼾声信号数据进行自动检测和分段。 本文主要阐述了一种鼾声信号自动分段方法的设计与实现，该方法为后续鼾声信号数据 库的建立节省了大量时间。本文的主要工作是提出了一种基于概率模型的鼾声自动分段 算法，并验证了其有效性。本文结构安排如下：

第一章：介绍了鼾声自动分段的研究背景、国内外研究现状以及本文的主要工作、 结构安排。

第二章：介绍了语音信号处理的相关技术，主要包括短时分析技术、传统的端点检 测技术以及基于概率模型的端点检测技术。文献综述

第三章：介绍了基于概率模型的鼾声端点检测算法，主要包括鼾声信号的采集、预 处理，每个时频点有声概率的计算，根据得到的概率模型判断帧是否为鼾声帧，实现自 动分段和鼾声片段提取。有声概率是通过改进的最小值递归平均算法计算得到，由两次 包含平滑和最小值搜索的迭代过程组成。将一帧内有声概率为 1 的频率点数占比与门限 值比较区分有声帧和无声帧，将 0-400Hz 频带内有声概率为 1 的频率点数占比与门限值 比较区分鼾声信号和普通呼吸声信号，提取出鼾声片段。最后进行片段的合并和筛选。 第四章：通过实测的鼾声信号监测数据验证该算法的有效性。用漏检率和虚警率这

两个指标评价端点检测性能，并与基于恒虚警率的鼾声信号端点检测算法进行对比。 第五章：对全文进行分析与总结，展望课题未来的研究方向。

第 4  页 本科毕业设计说明书

2 语音端点检测技术理论

鼾声是一种声音信号，鼾声自动分段类似于语音信号处理中的语音端点检测(VAD)。 本章介绍了语音信号处理的相关技术，包括短时分析技术和端点检测技术。

2。1 语音信号短时分析技术