基于聲學信息檢測阻塞性睡眠呼吸暫停的研究進展

中圖分類號：R563.8 文獻標志碼：A DOI：10.11958/20250966

Newadvances on detecting obstructive sleep apnea based on acoustic information

YUHui1，LIU Hao12，CAIFengli3，ZHAO Jing1，BAI Xiangsen1，TIAN Guoliang1， ZHANG Hanyuel， ZHANG Liyuan4 1 Departmentof Biomedical Enginering，Tianjin UniversityTianjin3Oo2，China; 2 DepartmentofNetwork Iforation Tianjin 4th Center Hospital; 3 Department ofObstetrics and Gynecology， Juye County Hospitalof Traditional Chinese Medicine，4DepartmentofEquipmentandMaterial，Tianjin4th CentreHospital （2 ^Δ Corresponding Author E -mail： 13752631906@163.com

Abstract：Obstructive sleep apnea （OSA） is a common sleep disorder characterized byrepeated episodes of upper airwaycolapseandobstructionduring slep.PolysomnographyisthegoldstandardfordiagnosingOSA，butitisexpensive， time-consuming，and cancause discomfort forpatients.Inrecent years，acoustic-based approaches fordetecting OSA have emerged as aresearch focus.This review summarizes recent advances in OSA automatic detection techniques based on snoringandspeechsignals，andsystematicallyexaminestheirappicationsindagnosis，severityassessment，andlocaliation of obstructionsites.Findings indicate that theacousticfeatures ofsnoringand speechsignals hold significantvalueforOSA screning，and whencombined with machine learning anddeep learning models，itcanachieve high diagnosticacuracy. Futureresearchshould focuson elucidating therelationship betweenacousticfeaturesand thepathophysiological mechanismsofOSA，integratingmultimodal information，andadvancingtheclinicalapplicationofwearabledevices，withthe aim of promoting intelligent， non-invasive，and cost-effective screening technologies for OSA.

Key Words： sleep apnea，obstructive; snoring; speech; detection; obstruction location; severity

阻塞性睡眠呼吸暫停（OSA）是一種常見的睡眠障礙疾病，主要特征是睡眠期間上氣道的反復塌陷和阻塞，導致呼吸暫停或低通氣事件。OSA在成人的發病率為 2%～4% ，且隨著年齡的增長患病率顯著增加，40歲以上的群體中，男性和女性的患病率約為 34% 和 17%^[1-2] 。OSA不僅會影響睡眠質量，還會引發多種嚴重的健康問題。長期缺氧和二氧化碳積聚增加了心血管疾病、糖尿病、高血壓和腦卒中的風險。OSA還可能加重已有的心臟病，并導致代謝紊亂。由于夜間反復的呼吸暫停，OSA患者還面臨更高的死亡風險，尤其是當癥狀未經治療時，長期的健康負擔可顯著降低生活質量和預期壽命。目前公認的診斷OSA的金標準是多導睡眠監測（PSG），該方法通過多個導聯同步監測患者睡眠期間的腦電、血氧、心電等生理參數，成本較高，且要求監測7h以上。由于醫院的環境和監測設備的穿戴極易給患者造成不適，PSG的應用受到很大限制，大量OSA病例仍未得到診斷，因此亟需探索成本更低、使用更加便捷的檢測方法識別和診斷OSA。

打鼾是在睡眠時上呼吸道軟組織振動引起的，是OSA最常見、最直接的特征[3]。根據美國睡眠醫學會的標準，以呼吸暫停低通氣指數（AHI） L?5 次/h、530 次/h將打鼾者依次評定為正常，輕度、中度、重度OSA患者[4]。已有研究表明，鼾聲的聲學特征可以分辨正常人群和OSA患者，且可以反映OSA的病情嚴重程度及上呼吸道阻塞部位[5-6]。此外，上呼吸道結構的改變和長期打鼾的影響使得OSA患者的發音方式與正常人群存在明顯差異，因此OSA患者語音信號的異常變化可作為評估疾病嚴重程度的特征信息。隨著人工智能技術在音頻信號處理領域的廣泛應用，加之語音/鼾聲可以在各種類型的設備中，以及在清醒或不干擾睡眠的情況下也可方便記錄，故基于聲學信息的OSA自動檢測技術有望成為新的診斷方式。本文全面總結了近5年基于聲或語音檢測OSA的研究進展，包含OSA的診斷、嚴重程度判斷和阻塞位置的確定，并對該領域的未來研究方向提出了展望。

1基于聲學信息的OSA檢測流程

基于聲學信息的OSA自動檢測技術流程包括原始信號采集、數據預處理、特征提取、特征篩選和模型訓練（圖1）。常用的機器學習模型有支持向量機（SVM））、K近鄰（KNN）、樸素貝葉斯（NB）等，用于OSA的分類或回歸；一些深度學習模型，如卷積神經網絡（CNN）、遞歸神經網絡（RNN）、長短期記憶（LSTM）可以直接依據預處理后的聲學信號進行預測，并取得了和PSG相近或更為優異的診斷效果。

2鼾聲

2.1基于鼾聲診斷OSA近5年基于鼾聲診斷OSA的研究見表1。隨著數字信號處理技術的發展，研究者開始關注基于鼾聲診斷OSA。OSA患者鼾聲的聲學特征分布與正常人群存在明顯差異，Perez-Padilla等發現 800Hz 功率比（PR800）是診斷OSA的有效指標；Fiz等[8]對鼾聲進行頻譜分析顯示，OSA患者的鼾聲具有一個低頻峰且沒有明顯的諧波，而正常受試者的鼾聲具有一個基頻和多個諧波； Ng 等[9研究表明OSA患者鼾聲的共振峰頻率較正常受試者更高，尤其是第一共振峰頻率。Herzog等]的研究進一步發現單純性打鼾患者的鼾聲音調強度在100～300Hz ，而OSA患者的音調強度高于 1000Hz 0上述研究均證明鼾聲可以作為診斷OSA的有效指標。

頻譜圖中有共振峰頻率、SE、F等大量有價值的聲學特征，在音頻識別領域的應用十分廣泛。Castillo-Escario等[17]使用CNN從鼾聲的頻譜圖中識別OSA，同時系統地比較了不同時間窗對模型性能的影響，結果顯示使用60s時間窗可獲得最佳的預測效能，預測準確度、敏感度和特異度分別為 88.5%.71.8% 和 89.1% 。Jiang等20]評估了鼻聲的時域波形、頻譜圖、聲譜圖、梅爾頻譜圖和CQT聲譜圖在正常受試者和OSA患者分類任務中的表現，結果顯示梅爾頻譜圖取得最好效果，準確度、敏感度、特異度分別為 95.07%.95.42% 和95.82% 。梅爾頻譜將音頻信號的頻譜轉換為梅爾尺度，從而模擬人耳對頻率的感知特性。Ding等[12]提出了一種預訓練的VGG19和LSTM融合模型，將鼾聲的梅爾頻譜圖輸入該模型中對正常受試者和OSA患者分類，最高準確度達 99.31% 。Luo等[14]基于夜間音頻的MFCC訓練了一個多分類TCN，將音頻分類為非打鼾、打鼾或OSA相關打鼾，其中OSA相關打鼾的檢測準確度高達96.7% 。Shen等[19]通過MFCC、線性預測倒譜系數（LPCC）線性預測梅爾倒譜系數（LPMFCC）3種方式提取鼾聲的數據特征，并采用CNN和LSTM識別OSA患者，發現MFCC和LSTM相結合準確度最高，為 87% 。

此外，許多研究將梅爾頻譜圖/MFCC與其他聲學特征相融合，共同用于OSA的診斷。Ding等[1]基于預訓練的VGG16、預訓練的PANN和MFCC建立了三種基本模型，使用XGBoost選擇特征，并應用多數投票策略構建融合模型，獲得了 100% 的準確度。Sun 等[15]基于Fisher比率選擇了一系列鼾聲的聲學特征，包含MFCC、PLP、BSF、SE、PR800、 F₀ 、共振峰和GTCC，通過GMM完成了OSA患者的識別，準確度達到 90.0% 。Song等[13]將聲學特征與XGBoost結合、梅爾頻譜圖與CNN結合、梅爾頻譜圖與殘差神經網絡（ResNet）結合構建了3種模型，并通過軟投票將其融合，完成對簡單打鼾/OSA相關打鼾的分類，準確度和召回率分別為 83.44% 和 85.27% 。Cheng等16將鼾聲的MFCC、梅爾濾波器組（Fbanks）、短時能量和線性預測系數（LPC）相結合，利用LSTM完成OSA患者的識別，分類準確度達到95.3% 。Jiang等[18]從鼾聲中提取MFCC、PR800、SE等10個聲學特征，基于隨機森林完成特征篩選，采用LR、SVM、高斯貝葉斯、KNN和ANN等模型識別OSA患者，結果表明LR效果最好，準確度、敏感度和特異度均達到 100% 。通過上述研究可以看出，鼾聲在OSA檢測方面具有巨大潛力，在多項研究中識別準確度接近 100% ，值得在未來進行更深入的探索。2.2基于鼾聲判斷OSA嚴重程度鼾聲不僅可用于診斷OSA，其聲學特征還可反映OSA患者的嚴重程度[20]。Chiang等[5]通過薈萃分析發現，鼾聲的強度、頻率和時間與AHI之間存在高度相關性，這表明轟聲的聲學特征可以提供判斷OSA嚴重程度的重要信息。表2概述了利用鼾聲與機器學習技術相結合判斷OSA嚴重程度的研究。

Bahr-Hamm等[21]計算了鼾聲、心電圖和胸腹部偏移信號的采樣熵作為SVM的輸人，對OSA嚴重程度進行判斷，結果顯示鼾聲的信號熵效果最好，判斷非OSA（R）與輕度OSA（L）的曲線下面積（AUC）為0.61，R與中度OSA（M）為0.68，R與重度OSA（H）為0.84，L與M為0.63，L與 H 為0.82，M與H為 0.65 。Ye等[22]從鼻聲中提取聲學特征，使用ReliefF和最大相關性與最小冗余（mRMR）相結合進行特征篩選，然后應用SVM、LR、KNN和NB模型驗證不同嚴重程度的OSA患者識別的有效性，結果顯示基于選取的top-20 特征，利用SVM，在AHI分列為5、15、30的閥值下，識別OSA患者的準確度分別為 100%.100% 、98.94% 。Luo等[23]提出了一種基于深度特征遷移的OSA檢測方法，利用CNN提取的呼吸音的深度特征訓練LR分類器，在 _AHI=15，30 的閥值下，分類準確度分別為 80.17% 和 80.21% 。Cho等24]提取了睡眠呼吸音的MFCC、LPC、SE等508個特征，使用隨機森林算法，基于AHI分別為5、15、30的閾值標準進行二元分類，準確度分別為 88.2% 、 82.3% 和 81.7% 。Hou等[25]提出了一種通過使用鼾聲的等效矩形帶寬相關維度（ECD）結合GMM來估計AHI的方法，展示了一種評估睡眠呼吸暫停風險的潛在無創性方法，在AHI分別為15、30的閾值下分類準確度達到了80.17% 和 80.21% 。Qiu等[2通過PubMedBERT增強鼾聲的音頻特征以豐富其多樣性和細節，隨后使用XGBoost根據睡眠呼吸暫停事件的數量對OSA嚴重程度進行分類，正常、輕度、中度和重度的準確度分別為 50%.50%.66.7% 和 75% ，達到診斷水平。

隨著人工智能技術的發展，為了提升自動判斷OSA嚴重程度模型的性能，越來越多的研究者將深度學習技術應用其中。Fang等27]使用3種機器學習算法（SVM、KNN、RF）和一種深度學習算法[音頻頻譜圖轉換器（AST）開發了基于模擬轟聲的OSA診斷模型，結果表明深度學習算法的識別能力優于機器學習算法，在AHI分別為5、15和30的水平下，AST的識別準確度分別為0.926，0.887和0.830。Le等[28]提出了一種實時逐個檢測OSA的方法，基于鼾聲的梅爾頻譜圖結合DNN和線性回歸模型，可以完成對無事件、呼吸不足、呼吸暫停3類OSA事件的檢測以及OSA嚴重程度的判斷，AUC分別達到0.93、0.85和0.94。Romero等[29]通過DNN確定睡眠呼吸音片段是否存在OSA，然后計算AHI，從而評估OSA嚴重程度，中度和重度OSA敏感度分別達到了0.79和0.78，特異度分別為0.80和0.93。Wang等[30]提出了一種名為OSAnet的深度卷積神經網絡，用于識別鼾聲中的OSA事件，并據此估計AHI，在AHI分別為5、10，15、30的閾值下，敏感度分別為 93.6% 82.5% 、88.5% 和 95.6% 。目前基于鼾聲對OSA嚴重程度的判斷集中在不同AHI閾值下的二分類，三分類、四分類，但其效果普遍不佳。此外，因為所用數據集的數據量、采集方式等均不統一，因此不同研究的分類效果差異很大，難以進行對比。未來亟待建立數據量龐大的公開數據集，以利于對該領域的進一步探索。2.3基于鼾聲確定阻塞部位不同阻塞部位有不同的手術治療方案，因此明確OSA患者上呼吸道阻塞部位一直是臨床上的關鍵問題。目前確定阻塞部位的金標準是藥物誘導睡眠內鏡檢查（DISE），但尚存在一些局限性，如藥物選擇的影響以及自然睡眠和藥物誘導睡眠之間的差異等。臨床上迫切需要一種低成本、方便且無創的確定阻塞部位的新方式。Gurpinar等將55例OSA患者的DISE的檢查結果與鼾聲的聲學分析相結合，發現腭后（RP）和舌后（RL）阻塞（ scriptstyleP=0.001 ），多級（ML）和RL阻塞（ P=0.025）的平均音調頻率、基頻和峰值聲音頻率的差異均有顯著性，分析圖顯示RP阻塞患者具有尖銳的峰值和較低的頻率，而RL曲線平滑且頻率較高。該結果表明通過鼾聲來確定OSA患者的阻塞部位是可行的。目前已有一些研究者關注了基于鼾聲對OSA患者阻塞部位的自動分類，見表3。

Liu等[31]提取鼾聲的MFCC，使用KNN進行RP、RL和ML的三分類，模型準確度為 85.55% ，結合年齡、性別和體質量指數，準確度提升至 87.98% 。Ding等[32]基于對鼾聲數據集慕尼黑-帕紹鼾聲語料庫（MPSSC）的原始劃分，采用在原型網絡中嵌入CNN的元學習算法將鼾聲分為軟腭、口咽、舌根、會厭阻塞，模型的非加權平均召回率為 77.13% ，其中軟腭、口咽、舌、會厭分別為 75.5%.80.0%.75.0% 和78.0% 。Sebastian等[33]提取鼾聲的MFCC、共振峰頻率、能量等時頻特征，通過特征選擇和多類LDA進行四分類（側壁、上腭、舌根、多級），總體準確度為62% ，舌/非舌阻塞準確度為 77% 。Sun等[34]設計了一個新特征-基于趨勢的MFCC（TCC），并利用主成分分析進行降維，最后使用SVM完成軟腭、口咽、舌根和會厭的四分類，非加權平均召回率為 87.5% 。之后使用包含多尺度熵（MSE）和MFCC的59維融合特征，采用相同的辦法進行分類，非加權平均值為87.63% ，軟腭、口咽、舌、會厭的敏感度分別為98.04%.80.56%.72.73% 和 94.12%^[35] 。通過上述研究可以看出，通過鼾聲確定阻塞位置具有極大的研究潛力，但目前該領域研究較少，模型分類性能有待提升，且各研究的分類類別也不相同，未來應在統一標準下進行深人研究。

3語音

3.1OSA患者語音信號異常特征語音信號是由人類聲帶振動產生的復雜音頻信號，它包含大量的人體特征信息，且可以通過無創性手段獲取。相對于正常人群，OSA患者語音信號存在明顯異常，表現在：（1）在OSA人群中可以發現神經運動功能障礙，由于呼吸肌群或上氣道肌群缺乏可調節的神經支配，這會影響發音并導致語音模糊。（2）0SA患者因睡眠打鼾的長期影響，其上呼吸道黏膜和聲帶會發生炎性變化。（3）OSA患者上呼吸道結構的改變（包括舌骨位置降低、腭咽帆增厚、后帆空間縮小、咽后壁增厚以及腭咽腔狹窄）導致腭咽閉合功能障礙和語音異常。Fox等[36]發現約有 74% 的OSA患者出現不同程度的共鳴和發聲異常，因而引起了許多研究人員的興趣。

目前，語音信號的采集方式主要是讓受試者（包括OSA患者和正常群體）在同一特定時段（比如清醒時或睡前1h）朗誦研究人員提前準備的語料，錄制音頻以比較其在時頻特征上的差異，或作為后續模型輸入的原始數據。語料一般為持續元音居多的句段或單詞，即希伯來語中的 ，或后鼻音 持續元音的優點在于，與連續語音信號相比，持續元音的發音更省力，而且不受語速、發聲停頓或壓力的影響。目前對于中文語料尚無統一要求。

另一種研究方式是探究語音信號中的時頻特征與AHI之間相關性。該種方法通過建立回歸模型找尋語音信號中一個或多個音頻特征與AHI之間的數學關系，或是訓練深度學習模型，將受試者的語音信號預處理后作為輸入直接預測AHI值并作為診斷OSA的依據。常用特征如時域和頻域特征、LPC、LPCC、MFCC等。

3.2通過語音診斷OSA 十九世紀九十年代已有學者注意到OSA患者的語音信號異常，如Monoson等[38]通過聆聽的方式對患者發聲狀況進行分類，聽力結果顯示OSA患者組中約有 62% 被判定為異常，而這一數據在慢性阻塞性肺病患者和正常組中分別為 23% 和 8% ;Fiz等[39]分析了18例男性OSA患者和10例正常男性的發聲情況，發現2組受試者所發出的/i/ I^e/e/Λ 元音的最大諧波頻率存在差異。

基于上述發現，研究人員開始將音頻信號處理技術和機器學習算法應用于OSA自動檢測，取得了許多新的成果。Pozo等[40]建立了一個包含OSA患者和健康對照組的西班牙語語音數據庫，比較兩者的聲學特征，并建立高斯混合模型進行分類，最終達到了 81% 的分類準確度。Goldshtein等[37在希伯來語群體中進行了類似的研究，他們比較了OSA患者和健康人語音信號的梅爾倒譜系數，并基于隱馬爾可夫（hiddenmarkov model，HMM）分類器進行分類，最終在男性和女性患者中分別得到 83% 和 86% 的準確度。Ding等[41]采集了151例疑似OSA的成年男性患者的語音信號，基于LPCC等一系列聲學特征建立了SVM模型預測AHI指數，并以 AHI=30 次/h和AHI=10 次h為閾值進行分類，準確度均達到了78.8% 。上述研究證明了基于語音信號的OSA自動檢測技術在各種語言背景下的可行性。

近年來，隨著深度學習語音處理技術的突破，為基于語音的OSA自動檢測技術提供了無限可能。一些在音頻處理領域已然成熟的模型被投入應用，例如CNN、RNN、LSTM等，在診斷準確度和效率上都取得了不錯的效果。見表4。

4總結與展望

基于聲學信息檢測OSA是一種新興的OSA的診療技術，為其早期診斷、嚴重程度判斷以及阻塞位置確定提供了新的技術解決方案，但仍存在一定的局限性，亟待重點攻關和突破。

4.1OSA聲學診斷的機制研究OSA患者和正常受試者的鼾聲聲學特征（如頻譜、音調強度、共振峰等）存在明顯差異。這些差異可能反映了上呼吸道氣流受阻、振動模式以及氣道的生理變化。但是，聲學特征與OSA發病機制之間的具體關系仍不明確。例如，鼾聲的產生與上呼吸道氣流的變化和軟組織的振動密切相關，但這些生理過程如何在聲學信號中體現，以及如何準確反映OSA的不同嚴重程度仍是尚待深人研究的問題。鼾聲的聲學特征與上呼吸道阻塞位置的關系也尚無可靠的結論。此外，目前OSA的判斷主要依據AHI，但研究表明AHI可能無法完全反映OSA的嚴重程度，有些患者AHI較低，但卻具有重度OSA的癥狀[52]。因此，未來的研究中應考慮到OSA的不同表型，減少對AHI的依賴度，同時結合生理學、聲學及信號處理技術，進一步探索聲學信號與OSA病理生理之間的關系。通過先進的傳感技術和機器學習/深度學習方法的一體化融合，研究人員可以更精細地分析信號，智能提取OSA聲學特征，揭示鼾聲與OSA嚴重程度和阻塞位置之間的關聯。

4.2多模態信息融合用于OSA的精準篩查隨著技術的進步，單一的聲學信息已經不能完全滿足OSA篩查的需求。未來，通過融合聲學、生理和影像等多模態信息，可以為OSA提供更為全面的診斷支持。生理信號（如氣流、呼吸暫停、血氧飽和度等）與聲學信號（如鼾聲的頻譜分析）相結合，能夠彌補單一信號在篩查中的不足。影像學技術，如睡眠監測過程中結合上呼吸道影像，能夠為氣道阻塞的部位和程度提供更直觀的信息。多模態信息融合技術有望顯著提高OSA的診斷準確性，特別是在輕度患者的早期篩查中。未來，人工智能和大數據模型將被廣泛應用于多模態數據的融合分析，從而實現更加精準的診斷。

4.3基于OSA可穿戴設備的社區篩查隨著物聯網技術和可穿戴設備的發展和普及，未來嘗試將聲學、血氧、氣流等多種生理信號傳感器集成在可穿戴設備中，并通過物聯網技術構建云平臺，以實現實時的健康監測和數據分析。這種智能化設備不僅能夠進行高效的早期篩查，還能為用戶提供個性化的健康建議和預警，及時發現潛在的OSA風險。通過這種智能化、便攜的設備，OSA的篩查將能夠覆蓋到社區甚至家庭，大大提升了疾病早期發現的可能性。

參考文獻

[1]FRANKLIN K A，LINDBERG E. Obstructive sleep apnea isa common disorder in the population-a review on the epidemiology of sleepapnea[J].J Thorac Dis，2015，7（8）：1311-1322.doi： 10.3978/j.issn.2072-1439.2015.06.11.

[2] YEGHIAZARIANS Y，JNEID H，TIETJENS JR，et al. Obstructive sleep apnea and cardiovascular disease：a scientific statement from the American Heart Association[J]. Circulation，2O21，144（3）： e56-e67. doi：10.1161/CIR.0000000000000988.

[3]PEVERNAGIE D，AARTS R M，DE MEYER M. The acoustics of snoring[J]. Sleep Med Rev，2010，14（2）：131-144.doi：10.1016/j. smrv.2009.06.002.

[4]KAPUR V K，AUCKLEY D H， CHOWDHURI S，et al. Clinical practice guideline for diagnostic testing for adult obstructive sleep apnea：an american academy of sleep medicine clinical practice guideline[J].JClin Sleep Med，2017，13（3）： 479-504. doi： 10.5664/jcsm.6506.

[5]CHIANG J K，LIN Y C，LU C M，et al. Corlation between snoring sounds and obstructive sleep apnea in adults： a meta-regression analysis[J]. Sleep Sci，2022，15（4） ：463-470.doi：10.5935/1984- 0063.20220068.

[6]GURPiNAR B，SALTURK Z，KUMRAL T L，et al. Analysis of snoring to determine the site of obstruction in obstructive sleep apnea syndrome[J]. Sleep Breath，2021，25（3）：1427-1432. doi： 10.1007/s11325-020-02252-5.

[7]PEREZ-PADILLA J R，SLAWINSKI E，DIFRANCESCO L M， et al. Characteristics of the snoring noise in patients with and without occlusive sleep apnea[J].Am Rev Respir Dis，1993，147（3） ：635- 644. doi： 10.1164/ajrccm/147.3.635.

[8]FIZ JA，ABAD J， JANE R， et al. Acoustic analysis of snoring sound in patients with simple snoring and obstructive sleep apnoea [J].Eur Respir J，1996，9（11）：2365-2370.doi：10.1183/ 09031936.96.09112365.

[9]NG A K，KOH TS，BAEY E，et al. Could formant frequencies of snoresignals be an alternative means for the diagnosis of obstructive sleep apnea？[J]. Sleep Med，2008，9（8）：894-898. doi： 10.1016/j.sleep.2007.07.010.

[10]HERZOG M，SCHMIDT A， BREMERT T，et al. Analysed snoring soundscorrelate to obstructive sleep disordered breathing[J].Eur Arch Otorhinolaryngol，2008，265（1）：105-113.doi：10.1007/ s00405-007-0408-8.

[11]DING L，PENG J，SONG L，et al. Automatically detecting OSAHS patientsbased on transferlearningand model fusion[J].Physiol Meas，2024，45（5） ：055013.doi： 10.1088/1361-6579/ad4953.

[12]DING L，PENG J，SONG L，et al. Automatically detecting apneahypopnea snoring signal based on VGG19 + LSTM[J]. Biomed Signal Process Control，2023，80：104351. doi： 10.1016/j.bspc.2022.104351.

[13]SONG Y，SUN X，DING L，et al. AHI estimation of OSAHS patients based on snoring classification and fusion model[J].Am JOtolaryngol， 2023，44（5）：103964.doi： 10.1016/j.amjoto.2023.103964.

[14]LUO H W，LIH，LU Y，et al. Design of embedded real-time system forsnoring and OSA detection based on machine learning[J]. Measurement，2023，214：112802.doi：10.1016/j.measurement.2023.112802.

[15]SUN X，DING L， SONG Y，et al. Automatic identifying OSAHS patients and simple snorers based on Gaussian mixture models [J]. Physiol Meas，2023，44（4） ：045003.doi：10.1088/1361-6579/ accd43.

[16]CHENG S， WANG C， YUE K，et al. Automated sleep apnea detection in snoring signal using long short-term memory neural networks[J]. Biomedical Signal Processing and Control，2022，71 （Jan.Pt.B）： 103238.1-103238.9.doi：10.1016/j.bspc.2021.103238.

[17] CASTILLO-ESCARIO Y，WERTHEN-BRABANTS L， GROENENDAAL W，et al. Convolutional neural networks for apnea detection from smartphone audio signals ： effect of window size [C/ OL]//2O22 44th Annual International Conference of the IEEE Engineering in Medicine amp; Biology Society （EMBC）.2022： 666- 669[2024-11-28J. htps：//ieeexplore.iee.org/document/9871396.

[18]JIANG Y，PENG J，SONG L.An OSAHS evaluation method based onmulti-features acoustic analysis of snoring sounds [J]. Sleep Med，2021，84：317-323.doi：10.1016/j.sleep.2021.06.012.

[19]SHEN F，CHENG S，LI Z，et al.Detection of snore from OSAHS patients based on deep learning[J].J Healthc Eng，2O20，2020： 8864863. doi： 10.1155/2020/8864863.

[20]JIANG Y，PENG J，ZHANG X.Automatic snoring sounds detection from sleep sounds based on deep learning[J].Phys Eng Sci Med， 2020，43（2）：679-689.doi：10.1007/s13246-020-00876-1.

[21] BAHR-HAMM K，ABRIANI A，ANWAR A R，et al. Using entropy of snoring，respiratory effort and electrocardiography signals during sleep for OSA detection and severity classification[J]. Sleep Med， 2023，111：21-27. doi：10.1016/j.sleep.2023.09.005.

[22]YE Z，PENG J，ZHANG X，et al. Identification of OSAHS patients based on ReliefF-mRMR feature selection[J].Phys Eng Sci Med， 2024，47（1）：99-108.doi：10.1007/s13246-023-01345-1.

[23]LUO J，LIU H，GAO X，et al. A novel deep feature transfer-based OSA detection method using sleep sound signals[J].Physiol Meas， 2020，41（7）：075009.doi： 10.1088/1361-6579/ab9e7b.

[24]CHO S W，JUNG S J，SHIN JH，et al. Evaluating prediction models of sleep apnea from smartphone-recorded sleep breathing sounds[J]. JAMA Otolaryngol Head Neck Surg，2022，148（6）： 515-521.doi： 10.1001/jamaoto.2022.0244.

[25]HOUL，PAN Q，YIH，et al. Estimating a sleep apnea hypopnea index based on the erb correlation dimension of snore sounds[J].Front Digit Health，2020，2：613725. doi：10.3389/fdgth.2020.613725.

[26]QIU X，WANG C，LI B，et al. An audio-semantic multimodal model for automatic obstructive sleep Apnea-Hypopnea Syndrome classification via multi-feature analysis of snoring sounds[J]. Front Neurosci，2024，18：1336307.doi：10.3389/fnins.2024.1336307.

[27]FANG L，CAIJ，HUANG Z，et al. Assessment of simulated snoring sounds with artificial intelligence for the diagnosis of obstructive sleep apnea[J]. Sleep Med，2025，125：100-107.doi：10.1016/j. sleep.2024.11.018.

[28]LE VL，KIM D，CHO E，et al. Real-time detection of sleep apnea based on breathing sounds and prediction reinforcement using home noises：algorithm development and validation[J].JMed Internet Res，2023，25：e44818. doi： 10.2196/44818.

[29]ROMERO H E，MA N，BROWN G J，et al. Acoustic screening for obstructive sleep apnea in home environments based on deep neural networks[J]. IEEEJBiomed Health Inform，2022，26（7） ： 2941- 2950. doi：10.1109/JBHI.2022.3154719.

[30] WANG B，TANG X，AI H，et al. Obstructive sleep apnea detection based on sleep sounds via deep learning[J]. Nat Sci Sleep，2022， 14：2033-2045. doi：10.2147/NSS.S373367.

[31]LIU Y，FENG Y，LI Y，et al.Automatic classification of the obstruction site in obstructive sleep apnea based on snoring sounds [J].AmJOtolaryngol，2022，43（6）：103584. doi：10.1016/j. amjoto.2022.103584.

[32]DING L，PENG JX. Automatic clasification of snoring sounds from excitation locations based on prototypical network [J].Applied Acoustics，02，958799.doi：1016/jaacoust202799.

[33]SEBASTIAN A，CISTULLI PA，COHEN G，et al. Automated identification of the predominant siteof upper airwaycollapse in obstructive sleep apnoea patients using snore signal[J]. Physiol Meas，2020，41（9）：095005.doi：10.1088/1361-6579/abaa33.

[34]SUN J，HU X，CHEN C，et al. Amplitude spectrum trend-based feature for excitation location classification from snore sounds [J]. Physiol Meas，2020，41（8） ： 085006.doi：10.1088/1361-6579/ abaa34.

[3D」SUNJ，HUX，PENGS，et al.Automatic classitication of excitation location of snoring sounds[J].JClin Sleep Med，2021，17（5）： 1031-1038. doi： 10.5664/jcsm.9094.

[36]FOX AW，MONOSON PK，MORGAN CD.Speech dysfunction of obstructive sleep apnea.A discriminant analysis of its descriptors [J]. Chest，1989，96（3）：589-595.doi：10.1378/chest.96.3.589.

[37]GOLDSHTEIN E，TARASIUK A，ZIGEL Y. Automatic detection of obstructive sleep apnea using speech signals[J]. IEEE Trans Biomed Eng，2011，58（5）：1373-1382.doi：10.1109/TBME.2010.2100096.

[38]MONOSON P K，FOX A W. Preliminary observation of speech disorder in obstructive and mixed sleep apnea[J]. Chest，1987，92 （4） ：670-675.doi：10.1378/chest.92.4.670.

[39]FIZ JA，MORERA J，ABADJ，et al. Acoustic analysis of vowel emission in obstructive sleep apnea[J]. Chest，1993，104（4）： 1093-1096. doi： 10.1378/chest.104.4.1093.

[40]POZO RF，MURILLO JLB，GOMEZ LH，et al. Assessment of severe apnoea through voice analysis，automatic speech，and speaker recognition techniques［J]. EURASIP Journal on Advances in Signal Processing，2009，2009（10）：982531：1-982531：11.

[41]DING Y，WANG J，GAO J，et al. Severity evaluation of obstructive sleep apnea based on speech features[J]. Sleep Breath，2021，25 （2）：787-795.doi：10.1007/s11325-020-02168-0.

[42] UGUR T K， YILMAZ D， YILDIZ M，et al. A preliminary study on OSA severity levels detection by evaluating speech signals nonlinearities with multi-class classification[J]. IEEE Access， 2023，11：120997-121012. doi：10.1109/ACCESS.2023.3327902.

[43]YILMAZ D， YILDIZ M， UYAR TOPRAK Y， et al. Obstructive sleepapnea detection with nonlinear analysis of speech [J]. Biomedical Signal Processing and Control，2023，84：104956. doi： 10.1016/j.bspc.2023.104956.

[44]ZHANG K，CAO L，DING Y，et al. Obstructive sleep apnea detection using pre-trained speech representations[J]. 2023，2023 （8）：1139-1143.doi：10.21437/Interspeech.2023-278.

[45]BOTELHO C，ABAD A，SCHULTZ T，et al. Visual speech for obstructive sleep apnea detection [J]. Interspeech，2021，2021： 2516-2520.doi：10.21437/Interspeech.2021-1717.

[46]PANGKG，HSUNG TC，LAWAKW，etal.Optimal vowels measurements for obstructive sleep apnea detection using speech signals[J].2O20 IEEE 3rd International Conference on Information Communication and Signal Processing （ICICSP），2020，2020：143- 147. doi ： 10.1109/1CICSP50920.2020.9231972.

[47]SIMPLY R M，DAFNA E，ZIGEL Y. Diagnosis of obstructive sleep apnea using speech signals from awake subjects[J]. IEEE Journal of Selected Topics in Signal Processing，2020，14（2） ： 251-260. doi ： 10.1109/JSTSP2019.2955019.

[48]PERERO-CODOSERO JM，ESPINOZA-CUADROSF，ANTONMARTIN J，et al. Modeling obstructive sleep apnea voices using deep neural network embeddings and domain-adversarial training [J].IEEE Journal of Selected Topics in Signal Processing，2020，14 （2）：240-250.doi：10.1109/JSTSP.2019.2957977.

[49]ESPINOZA-CUADROS F， FERNANDEZ-POZO R， TOLEDANO D T，et al. Reviewing the connection between speech and obstructive sleep apnea[J]. Biomed Eng Online，2016，15：20.doi： 10.1186/s12938-016-0138-5.

[50]BEN OR D， DAFNA E，TARASIUK A，et al. Obstructive sleep apnea severity estimation：Fusion of speech-based systems [J]. Annu Int Conf IEEE Eng Med Biol Soc，2016，2016：3207-3210. doi： 10.1109/EMBC.2016.7591411.

[51]SOLE-CASALS J，MUNTEANU C，MARTIN O C，et al. Detection ofsevere obstructive sleep apnea through voice analysis [J]. Applied Soft Computing.2014．23：346-354.doi：10.1016/i.