本科生毕业设计（论文）外文资料译文
（ 2020届）
|
论文题目 |
基于STM32的智能止鼾床垫 |
|
|
外文资料译文规范说明
|
一、译文文本要求 1．外文译文不少于3000汉字； 2．外文译文本文格式参照论文正文规范（标题、字体、字号、图表、原文信息等）； 3．外文原文资料信息列文末，对应于论文正文的参考文献部分，标题用“外文原文资料信息”，内容包括： 1）外文原文作者； 2）书名或论文题目； 3）外文原文来源： □出版社或刊物名称、出版时间或刊号、译文部分所在页码 □网页地址 二、外文原文资料（电子文本或数字化后的图片）： 1．外文原文不少于10000印刷字符（图表等除外）； 2．外文原文若是纸质的请数字化（图片）后粘贴于译文后的原文资料处，但装订时请用纸质原文复印件附于译文后。 |
|
指导教师意见： 指导教师签名： 年 月 日 |
一、外文资料译文：
利用非接触式麦克风自动检测整晚打鼾事件
关键词：非接触式麦克风，鼾声检测，阻塞性睡眠呼吸症
摘要
目的：虽然人们对睡眠障碍的认识在不断提高，但关于整夜打鼾的信息却非常有限。我们的研究旨在开发和验证一种基于非接触技术的健壮、高性能、灵敏的整晚打鼾检测仪。
设计：在多导睡眠描记（PSG）过程中，使用放置在床上1米处的定向电容话筒记录声音。针对人工标注的鼾声和非鼾声事件，对AdaBoost分类器进行了训练和验证。
患者：前瞻性和连续性地招募67名患者（年龄52.5plusmn;3.5岁，BMI 30.8plusmn;4.7kg/m2，m/f 40/27）进行PSG检查，以诊断阻塞性睡眠呼吸暂停。25名受试者被用于设计研究；其余42名受试者被盲法进行验证研究。
测量和结果：为了训练建议的声音检测器，设计研究中收集的76600个声音片段由三个评分者手动分类为打鼾和非打鼾片段（例如床上用品噪音、咳嗽、环境）。应用特征选择过程，从时间域和谱域中提取最具鉴别能力的特征。基于十倍交叉验证技术，设计组的平均鼾/非鼾检测率（准确率）为98.4%。验证组平均检出率为98.2%，敏感度为98.0%（鼾声为鼾声），特异性为98.3%（噪声为噪声）。
结论：从时间域和频谱域提取的基于音频的特征能够准确区分打鼾和非打鼾声事件。这种音频分析方法能够检测和分析整夜打鼾的声音，以便为患者的客观随访制定量化的措施。
介绍
睡眠时上呼吸道部分或完全塌陷对人体有不同的影响，从嘈杂的呼吸（简单的打鼾）[1]到阻塞性睡眠呼吸暂停（OSA），这会导致相当大的心血管疾病发病率[2,3]。打鼾是睡眠呼吸紊乱最常见的症状。到了60岁，打鼾对60%的男性和40%的女性产生了不利影响[4]。它是由上呼吸道的软组织振动引起的，包括软腭、悬雍垂和咽部等解剖结构[5,6]。
评估打鼾史最常用的方法是使用自我报告问卷[4,7,8]。一般人群中自我报告打鼾的估计患病率从16%到89%不等[9–13]。这种流行程度取决于意识、年龄、文化和伴侣的抱怨[4,7,14]。早期的研究表明，打鼾响度的测量与不同观察者的主观评价之间的相关性很差。我们的结论是，打鼾在很大程度上是“旁观者的耳朵里”。因此，可靠的打鼾报告不能仅仅基于患者（或伴侣）在睡眠期间的嘈杂呼吸史[8,11,15]，或睡眠实验室技术人员报告[4]。调查问卷的另一个限制是，大部分受试者回答说，如果他们打鼾，他们“不知道”。为了克服这些限制，一些临床医生要求患者在减鼾手术前提供他们打鼾的音频记录，或者避免对“打鼾者”进行手术，而事实上问题在于床伴被基本正常的夜间呼吸噪声干扰[1]。
睡眠医学的主要目标之一是提高睡眠呼吸紊乱的诊断和治疗的可及性。评估睡眠呼吸紊乱的金标准是多通道多导睡眠图（PSG）研究[16]。在高达80%的研究中，打鼾者的PSG正常，没有其他提示睡眠呼吸紊乱的症状[7,15]。然而，由于PSG的等待时间长、成本高等问题，迫切需要一种简单可靠的技术来检测和分析打鼾。鼾声的音频信号分析可用于不同的任务，如评估手术治疗的结果[17,18]。最近几篇论文提出了基于整晚打鼾录音的OSA检测系统[19]和呼吸暂停低通气指数（AHI）估计[20,21]。此外，为了可靠地评估个人打鼾的严重性和可变性，需要记录一整晚。因此，开发一种自动检测打鼾的方法来及时准确地分析整晚的记录将是有利的。
有限的研究已经解决了鼾声信号的自动检测和分类问题，而使用环境（非接触）麦克风技术的鼾声检测更是鲜为人知。本文提出了几种不同的鼾声/非鼾声分类方法。其中包括音调和共振峰、与频谱建模有关的特征，如Mel频率倒谱系数（MFCC）、线性预测编码（LPC）[22]和标准声学测量，如声强[13]。这些研究中的大多数都是在设计和验证研究中没有单独的受试者群体的情况下进行的。Duckitt等人使用环境麦克风记录6名受试者的声音，使用隐马尔可夫模型和基于光谱的特征将这些受试者分成打鼾、呼吸、羽绒被噪音和静默期。Cavusoglu等人提出了一种用于设计和验证研究的15名受试者的打鼾检测方法，该方法使用经主成分分析处理的子带光谱能量分布反馈的线性回归。Karunajeewa等人提出了一种利用从时间域和谱域提取的四个特征的均值和协方差对鼾声和呼吸声进行分类的方法。Azarbarzin等人提出了一种基于模糊C-均值聚类算法的无监督鼾声提取方法，并利用气管传声器实现了更高的提取精度，这是因为它具有更高的信噪比[27]。
对于睡眠呼吸紊乱领域来说，提取和分析整晚打鼾声的方法是非常重要的。打鼾声变化很大；在某些情况下，打鼾声可能很柔和，但在其他情况下，打鼾声可能非常响亮[1,4,28–34]。本研究旨在利用非接触式技术，开发并验证一个新的强健的鼾声侦测系统（演算法）。该检测器基于信号增强和从不同领域提取的特征，因为它们具有关于鼾声/非鼾声识别的互补信息。打鼾检测算法主要分为三个步骤：1）信号增强和分割，2）特征提取，其中包括专门设计的用于描述打鼾事件的新特征；最后的特征选择采用自动显示最突出特征的综合特征选择技术，3）使用AdaBoost分类器检测打鼾事件[35]，该分类器使用数千个打鼾和非打鼾事件进行训练。我们提出的方法的新颖之处在于，它利用非接触技术从整晚的录音中自动检测出每一个打鼾事件。此外，该方法还包括时间域和谱域的综合特征集，这些特征集是使用特征选择算法选择的。此外，我们提出了一个客观的评分来量化打鼾强度。
方法
本文有联机方法支持文件S1。
设置
大学附属睡眠-觉醒障碍中心和生物医学信号处理实验室。索罗卡大学医学中心机构审查委员会批准了这项研究：研究方案编号10621。所有受试者均获得知情同意。
学科
从2008年2月开始，我们前瞻性地招募了67名连续的成年人（19至87岁，27/40的女性/男性）到位于以色列比尔舍瓦的索罗卡大学医学中心的睡眠-唤醒单元进行常规多导睡眠图（PSG）睡眠呼吸紊乱诊断。我们选择前25名受试者（患者）进行系统设计（训练）研究。其余42名受试者（从2009年5月开始）被纳入盲验证研究。
PSG研究
在夜间进行实验室PSG之前，所有受试者都完成了一份经验证的自我管理睡眠问卷[3,36–38]。Epworth嗜睡量表（ESS）用于评估白天嗜睡[39]。根据前面描述的方法[3,40]进行过夜PSG。受试者于20:30到实验室报到，第二天早上6:00出院。他们被鼓励保持日常生活习惯，避免在研究当天摄入任何咖啡因和/或酒精。轮班工人在轮班后一周内没有进行PSG研究。PSG研究包括应用于颏下肌和双侧胫骨前肌的脑电图、眼电图和肌电图，以检测周期性肢体运动、心电图、呼吸活动（腹部和胸部用力带）、血氧饱和度和鼾声强度（Quest Technology 2700，奥兰多，佛罗里达州，美国）。PSG评分由一名训练有素的技术人员完成，并由一名研究人员（AT）进行第二次评分。根据美国睡眠医学学会（American Academy of Sleep Medicine）的标准[16]，对呼吸暂停和低通气进行评分。
实验系统
我们已经开发了一个鼾声检测系统，该系统利用一个非接触式麦克风，在一个睡眠实验室进行整晚的音频信号记录。利用采集到的音频信号进一步开发了鼾声检测算法。数字录音机（Edirol R-4 Pro，Bellingham，WA，USA）和定向麦克风（ROslash;DE，NTG-1，Silverwater，NSW，Australia）放置在距离头部1米的地方用于录音。在实验室中，在病人头部旁边的梳妆台上放置了一个额外的录音机（手持Olympus LS-5），用于在非实验室环境下验证系统。音频信号与PSG信号一起存储，以便以后分析。每个音频信号在15ms分辨率下与PSG研究同步。同步是通过PSG鼾声强度电平通道和数字音频信号（能量提取后）之间的互相关技术来执行的。主要目的是将所有的PSG通道与数字音频信号同步，包括催眠图和呼吸努力通道，以支持和协助人工标记打鼾事件。图1示出了用于研究的设计和验证阶段的所提出的snore检测算法的框图。在鼾声检测算法中，采用了一种自适应降噪算法对信号进行预处理增强。对于系统设计，snore和non-snore事件（见下文）被手动标记并用于训练。
图1 研究方案框图
上面板-设计阶段（n=25），下面板——验证阶段（n=42）。
AdaBoost分类器（见下文）由来自时间域和谱域的声学特征提供。在设计组上使用特征选择算法，选择最佳特征并在验证阶段使用。
鼾声检测算法
预处理（图1）。在设计和验证阶段，将在睡眠实验室中记录的采集音频信号数字化，采样频率为44.1khz、PCM和每个采样16位，这是音频记录器的最小采样率。所有的音频信号都被采样到16khz，每个音频信号都经过了基于维纳滤波器的自适应噪声抑制（谱减法）处理。这个过程依赖于自动跟踪背景噪声段，以便估计其频谱并从音频信号中减去它们[41]。在这项研究中，从每个音频帧（40毫秒）中减去噪声谱模板。该模板最初由音频信号的前10秒的最低能量帧估计，并在自适应噪声抑制过程中更新。每个帧的频率分量被从噪声谱模板导出的特定值（抑制因子）抑制，并且它被限制在范围[0225db]内，以便在存在低信噪比时防止主要失真（参见在线支持文件S1中的详细描述）。
事件检测和分割（图1）。使用自适应能量阈值自动检测和分割音频事件（打鼾和非打鼾事件）。与音频信号中剩余的（减弱的）背景噪声相比，这些音频事件是具有更高能量的片段。在线补充（文件S1中的图S1）中给出了事件检测和分割模块的详细框图。最初，整晚音频信号被分成一分钟的部分，对于每个部分，使用能量帧（帧大小：60 ms，75%重叠）计算能量向量。使用能量向量histenergy（e）的直方图计算截面相关能量阈值（自适应阈值）eth。由于（剩余）背景噪声帧的普遍性相对于音频事件（打鼾/不打鼾）更大，因此与直方图emax峰值相关的能量值位于低能量尺度上：
emax=arg e max{histenergy(e)}
能量阈值（eth gt; emax）设置为对应于十分之一峰值振幅的能量值：
histenergy(eth)=0.1times;histenergy(emax)
采用五阶中值滤波对阈值（向量）进行平滑处理。事件检测-能量音频事件被检测为一组连续的能量帧，超过了部分相关阈值。事件分割-为了找到准确的事件边界（边），使用估计的斜率技术计算每个音频事件的时间边。图2中示出了分割处理的图示。该技术包括从十个连续的能量帧（150 ms窗口）估计斜率-从连续的能量帧计算线性回归拟合线，以估计其斜率。只要斜坡没有改变它的标志，这个过程就在事件边界外一次一帧地重复和进行。接下来，应用碎片测试。如果检测到的音频
剩余内容已隐藏，支付完成后下载完整资料
Automatic Detection of Whole Night Snoring Events Using Non-Contact Microphone
Abstract
Objective:
Although awareness of sleep disorders is increasing, limited information is available on whole night detection of snoring. Our study aimed to develop and validate a robust, high performance, and sensitive whole-night snore detector based on non-contact technology.
Design:
Sounds during polysomnography (PSG) were recorded using a directional condenser microphone placed 1 m above the bed. An AdaBoost classifier was trained and validated on manually labeled snoring and non-snoring acoustic events.
Patients:
Sixty-seven subjects (age 52.5613.5 years, BMI 30.864.7 kg/m2, m/f 40/27) referred for PSG for obstructive sleep apnea diagnoses were prospectively and consecutively recruited. Twenty-five subjects were used for the design study; the validation study was blindly performed on the remaining forty-two subjects.
Measurements and Results:To train the proposed sound detector, .76,600 acoustic episodes collected in the design study were manually classified by three scorers into snore and non-snore episodes (e.g., bedding noise, coughing, environmental). A feature selection process was applied to select the most discriminative features extracted from time and spectral domains. The average snore/non-snore detection rate (accuracy) for the design group was 98.4% based on a ten-fold cross-validation technique. When tested on the validation group, the average detection rate was 98.2% with sensitivity of 98.0% (snore as a snore) and specificity of 98.3% (noise as noise).
Conclusions:
Audio-based features extracted from time and spectral domains can accurately discriminate between snore and non-snore acoustic events. This audio analysis approach enables detection and analysis of snoring sounds from a full night in order to produce quantified measures for objective follow-up of patients.
Citation: Dafna E, Tarasiuk A, Zigel Y (2013) Automatic Detection of Whole Night Snoring Events Using Non-Contact Microphone. PLoS ONE 8(12): e84139. doi:10.1371/journal.pone.0084139
Editor: Muhammad Khurram Khan, King Saud University, Saudi Arabia
Received April 10, 2013; Accepted November 12, 2013; Published December 31, 2013 Copyright: 2013 Dafna et al. This is an open-access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited.
Funding: This work was supported by the Israel Ministry of Industry, Trade and Labor - the Kamin Program, award no. 46168 to YZ and AT. These funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript.
Competing Interests: The authors have declared that no competing interests exist.
* E-mail: yaniv@bgu.ac.il
Introduction
Partial or complete collapse of the upper airway during sleep has different effects on the human body, ranging from noisy breathing (simple snoring) [1] to obstructive sleep apnea (OSA), which can lead to considerable cardiovascular morbidity [2,3]. Snoring is the most common symptom of sleep-disordered breathing. By age 60, snoring adversely affects 60% of men and 40% of women [4]. It is caused by the vibration of soft tissue in the upper airways involving anatomical structures such as the soft palate, uvula, and pharynx [5,6].
The most common method for evaluating snoring history uses self-report questionnaires [4,7,8]. The estimated prevalence of selfreported snoring in the general population extends over a wide range from 16% to 89% [9–13]. This prevalence depends on awareness, age, culture, and partner complaints [4,7,14]. Early work has shown a poor correlation between measured loudness of snoring and subjective appreciation by different observers. It wasconcluded that to a large extent snoring is lsquo;lsquo;in the ear of the beholderrsquo;rsquo; [4]. Thus, reliable snoring reporting cannot be made based solely on a patientrsquo;s (or partnerrsquo;s) history of noisy respiration during sleep [8,11,15], or with sleep laboratory technician reports [4]. An additional limitation of questionnaires is that a large portion of the subjects respond that they lsquo;lsquo;do not knowrsquo;rsquo; if they snore [10]. To overcome these limitations, some clinicians ask the patient to supply an audio recording of their snoring, for example, prior to snore reduction surgery or to avoid operating on a lsquo;lsquo;snorerrsquo;rsquo; when in fact the problem lies with the bed partner being disturbed by essentially normal nocturnal breathing noise [1].
One of the main goals of sleep medicine today is to improve accessibility to sleep-disordered breathing diagnosis and treatment. The gold standard for evaluating sleep-disordered breathing is the multichannel polysomnography (PSG) study [16]. PSG on snorers, with no additional complaints suggestive of sleep-disordered breathing, will be normal in up to 80% of studies [7,15]. However, due to difficulties associated with PSG, such as its longwaiting list and costs, there is an urgent need for simple and reliable technology for snore detection and analysis. Audio signal analysis of snore sounds can be deployed in different tasks, such as assessment of the outcome of surgical treatment [17,18]. Recently several papers have proposed OSA detection systems [19] and apnea-hypopnea index (AHI) estimation based on whole-night audio recording of snoring [20,21]. Furthermore, in order to reliably evaluate the severity and variability of an individualrsquo;s snore, the recording of an entire night is required. Hence, developing an automatic snore detection method to analyze fullnight recordings in a timely and accurate manner would be advantageous.
A limited number of studies have addressed this issue of automatic detection
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[273552]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
