近年来，对鼾声信号进行识别、截取，分析等数据处理已经成为诊断 OSAHS 病症的重 要的一步。目前，鼾声信号的处理技术已经有了一定的发展。Duckitt 等人结合光谱特征与隐 马尔科夫模型（Hidden Markov Models HMM）提出了一种能从环境声学数据中自动检测与分 割出鼾声信号的方法。在他们的研究中，可以取得 82-89％的准确率来确定鼾声。[5]类似地， Liao 和 Su 研究了如何基于概率分布的方法从整夜的鼾声录音中分类出鼾声信号与非鼾声信 号[6]。最近，Mesquita 等人通过整夜音频记录研究了 OSAHS 患者鼾声之间的时间间隔，他们 发现时间间隔可能是用来区分正常和异常鼾声的一个很好的依据，这一研究表明整夜音频记 录的分析的重要性[7]。值得注意的是，在任何一种声学分析方法中，信号的质量都会对诊断 的正确性起到重要的作用。信号采集的非接触性会使得鼾声信号因为背景噪声而失真，降低信噪比，最重要的是会产生不准确的诊断结果。Andrew 提出了一种鼾声信号的预处理系统， 他研究通过水平相关依赖性（LCD)的阈值来抑制背景噪声[8]。针对上述 Andrew 提出的鼾声73793

信号的背景噪声抑制问题，也可以使用基于麦克风阵列自适应滤波技术的语音处理方法来抑 制鼾声信号中的机械噪声。

麦克风阵列自适应滤波技术在抑制噪声方面有很大的应用前景。在现实生活中，在语音 通信系统中由麦克风获取的信号，是期望信号，干扰信号以及环境噪声的混合。使用麦克风 阵列的语音增强和噪声抑制问题多年以来一直是一个活跃的研究领域，在混响的环境中，由 麦克风阵列获取的信号通常由于室内脉冲响应和噪声而失真。波束形成技术是一种重要的空 间滤波技术，是一种比较成熟的麦克风阵列语音处理方法。其目的是在传感器的混响和嘈杂 的输出中回收所需的源信号；其基本思想是在将空间和光谱信息合并在一起以形成一个波束， 并将其指向期望的方向；其结果是，该观测方向信号被增强，而所有其他方向的信号都被衰 减[9]。论文网

在一个波束形成的设计中最常见的是线性约束最小方差（LCMV）和最小方差无失真

（MVDR），后者是前者的一个特例[10]。Frost 提出了一种 MVDR 自适应波束形成器，它通 过在一个观测方向的约束下对总输出功率实行约束最小化来降低背景噪声[11]。LCMV 波束形 成器是在线性约束下最小化波束形成器输出功率[12]。当干扰和环境噪声与目标源共存时，有 学者还研究分析了 MVDR 和 LCMV 波束形成器的性能，并提出了 LCMV 和 MVDR 之间的 一种新型的关系——MVDR 分解成 LCMV 和匹配滤波器（不存在干扰的 MVDR），为抑制 机械噪声问题提供了解决方案[13]。

Griffiths and Jim 提出了广义旁瓣对消器(GSC),是自适应波束形成器中的一种重要的结 构。它通过最小化输出功率以及分离约束条件，将 MVDR 转化为不受约束的形式。因此， GSC 结构是 MVDR 波束形成器的一个等效表示，但 GSC 有两个显著的优势：首先，无约束 算法比约束算法计算更有效。 第二，它可以使用归一化最小标准均方（NLMS）自适应方案 来实现[14]。在 GSC 结构中使用目标源和麦克风之间的传递函数的估计值的约束和阻塞矩阵， 来确保最佳的波束形成器的性能[15]。Gannot 等人提出了传递函数 GSC（TF-GSC），它利用 了时间--频率域的相对传递函数。TF-GSCs 是一种有效的解决方案，计算量较小，相比于传 统的 GSC 而言有了更好的噪声抑制性能，TF-GSC 方法是基于乘法传递函数（MTF）的近似 算法[16]。Ronen Talmon 等人提出了卷积传递函数的广义旁瓣消除器（CTF-GSC）的方案，该 方案将卷积传递函数应用于 GSC 方案，与乘法传递函数（MTF）的近似相比更加准确，约束 也更少[17]，都为机械噪声的抑制提供了可行的方案。