호흡 관련 소음 음향 분석 (2)

Pitch

 

음성 신호 분석에서 피치는 초과 시간의 기본 주파수의 과정을 나타낸다. 따라서 피치는 코골이 이벤트 기간 동안 기본 주파수의 과정을 설명하는 데 사용할 수 있다.

 

velum 코골이 이벤트의 피치 다이어그램

 

원발성 코골이와 OSA 관련 코골이를 구별하기 위한 피치 분석은 여러 출판물에 설명되어 있다. OSA가 있는 코골이와 없는 코골이의 구별은 코골이 소리의 기본 주파수의 안정성을 기반으로 입증되었다. 피치 불연속성 (코골이 이벤트 내에서 기본 주파수의 점프)도 OSA 관련 코골이를 나타낸다.

 

음압 레벨 (Sound pressure level)

 

음압 레벨 (SPL)은 코골이를 정량화하기 위해 수많은 연구에서 사용되었다. 예를 들어, SPL과 RDI 사이의 관계는 1000명 이상의 대상으로 구성된 대규모 집단에서 나타났다.

 

코골이의 절대 SPL 측정은 오류가 발생하기 쉽다. 포인트 소스 (ex: 코골이)의 SPL은 소스로부터의 거리의 제곱에 따라 감소한다. 따라서 녹음 마이크와 코골이의 입과 코 사이의 거리가 측정값에 상당한 영향을 미친다. 추가적인 잠재적 오류 요인은 실내 음향 (방의 잔향)과 수면 자세이다. 특히 기록 과정에서 완전히 제어할 수 없는 환경에서 절대 SPL 값을 분석하는 것은 불확실성의 위험이 높다.

 

Formants

 

음성 분석에서 호흡 기관 전달 기능의 공명 주파수를 포먼트 (formant)라고 한다. 이들은 본질적으로 혀, 연구개 및 입술의 위치에 의해 영향을 받는다. 포먼트는 자극 신호와 무관하다. 예를 들어, 피치를 변경해도 일정하게 유지된다. 다양한 유형의 코골이가 혀와 연구개의 전형적인 위치와 코골이 형성제라고 부를 수 있는 상부 호흡 기관의 음향 활성 부분의 전체 길이에 따라 결정되는 특징적인 공명 주파수를 갖는다고 가정하는 것이 합리적이다.

 

velum 코골이 이벤트의 코골이 포먼트

 

PSG에서는 기관 수준에서 목에 부착된 접촉 마이크가 일상적으로 코골이를 감지하는 데 사용되지만 코골이 포만트를 측정하려면 공기 중 소리 마이크가 필요하다. 왜냐하면 소리가 코와 입에서 나올 때만 상기도에 의해 형성되는 스펙트럼을 들을 수 있기 때문이다.

 

OSA 중증도 분류를 위한 코골이 포먼트 특성은 여러 연구에서 조사되었으며, 첫 번째 코골이 포만트와 OSA의 중증도 사이의 통계적 상관관계가 보고되었다.

 

멜 주파수 중심 계수 (MFCC)

 

신호의 이산적으로 푸리에 변환된 단기 세그먼트의 심리음향적으로 뒤틀린 전력 스펙트럼에서 계산된 MFCC는 신호의 스펙트럼 속성을 간략하게 표현한 것이다. 여기 신호와 전달 함수의 속성을 분리할 수 있기 때문에 음성 인식 응용 프로그램에서 정기적으로 사용된다.

 

피험자에 대한 수면 실험실 연구에서, MFCC가 일차 코골이와 OSA 코골이를 구별하기 위해 밤새 MFCC의 안정성이 사용되었으며, MFCC가 일차 코골이에서 더 안정적임을 발견했다. OSA는 상부 호흡 기관의 불안정한 근육 균형과 관련이 있다고 가정되며, 이는 시간 경과에 따른 전달 기능의 가변성으로 음향적으로 표현된다.

 

지각 선형 예측 (PLP) 및 상대 스펙트럼 변환 지각 선형 예측 (RASTA-PLP)

 

PLP는 성대의 스펙트럼 전달 함수의 심리 음향학적으로 조정된 근사치이며 , RASTA-PLP는 스펙트럼 변환 후 각 에너지 대역에 선형 대역 통과 필터링 단계를 추가하여 천천히 변화하고 일정한 신호 성분의 영향을 줄인다. RASTA 필터링은 특히 정적 배경 잡음이 중첩된 신호에 대해 PLP보다 우수한 결과를 제공한다. PLP 및 RASTA-PLP 기능은 코골이 소리의 여기 위치 분류에서 테스트되어 유망한 결과를 얻었다.

 

웨이블릿 (Wavelets)

 

웨이블릿의 유용성은 OSA 환자에서 폐쇄성 사건의 식별을 위해 탐구되었다. 연속 웨이블릿 변환을 사용하여 무호흡 사건 직후 코골이 사건에서 고주파 에너지 성분의 더 높은 비율이 발견되었다. 웨이블릿 변환과 웨이블릿 패킷 변환은 코골이 소리의 여기 위치를 분류하는 기능으로 적용되었으며, 큰 기능 공간 추출 접근 방식과 유사한 결과를 얻었다.