阻塞性睡眠呼吸暂停患者语音辅助诊断研究
目的：阻塞性睡眠呼吸暂停(obstructivesleepapnea,OSA)是一种慢性睡眠呼吸疾病，其发生、发展的主要机制与气道坍塌导致的咽腔内空气动力学异常相关，表现为睡眠打鼾，鼾声响亮且不规律，夜间憋醒或产生窒息感，白天嗜睡，睡眠紊乱，严重者甚至影响正常生活。目前，多导睡眠监测是诊断阻塞性睡眠呼吸暂停的金标准，但由于费用昂贵、检查过程繁琐及受限于医疗条件的不均衡导致很多患者无法及时诊断，因此需要寻找更加简便、快速有效的手段进行快速筛查。 方法：本文主要基于实验语音学理论，研究OSA患者的语音特征。选取以睡眠打鼾伴夜间呼吸暂停为主诉就诊的成年男性为研究对象，使用SNORS双腔面罩和喉头仪采集受试者坐位和仰卧位两种状态下的语音数据，比较OSA患者在语音声学、言语嗓音和空气动力学上的差异。根据AHI=30(次/h)为分割点将受试者分为重度组和非重度组。使用不同的机器学习模型进行分类训练，并评估这些模型在验证集上的表现，使用SHAP对最佳分类模型的特征进行可视化和解释分析。 结果：根据纳入标准，患者被分为重度组(AHI＞30次/h)共88例、非重度组共35例(AHI≤30次/h)。根据受试者工作特征曲线(receiveroperatingcharacteristiccurve，ROC)分析得到声学特征中坐位状态下鼻音n音节中元音的第一共振峰带宽(thebandwidthofthefirstformant,B1)的区分度最好，曲线下面积为0.648；嗓音特征中坐位状态下持续元音ü的谐噪比(harmonic-to-noiseratio,HNR)区分度最好，其曲线下面积为0.753；空气动力学特征中坐位状态下擦音sh[?]音节中元音的最大混合气流的区分度最好，曲线下面积为0.620。在七种机器学习算法中，XGBoost算法模型的效果最好，ROC曲线下面积(areaunderthecurve,AUC)为0.876，准确率为0.7，Brier评分为0.2。 结论：语音学特征是一个有效的筛查OSA的途径，可以为OSA的早期诊断提供辅助参考。
阻塞性睡眠呼吸暂停;声学分析;机器学习;多导睡眠监测
上海师范大学
硕士
中国少数民族语言文学
沈向荣
2023
中文
R767.13
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）