打鼾,医学术语为鼾症,在成年人的睡眠中普遍存在,甚至有少数人认为打鼾是睡得香的表现。然而,近年来的研究已经证实,鼾症是健康的大敌,打鼾引起的呼吸反复暂停,会造成低血氧症,极易诱发高血压、心脑血管疾病,更为严重的会导致夜间睡眠呼吸暂停,它是夜间中风或猝死的主要诱因。鼾声是由打鼾过程中,气流通过狭窄的上气道,使松弛或者塌陷的软组织振动而发出。因此,鼾声信号分析作为一种便捷和低成本的鼾症分析方法,成为了近年来生物医学和现代信号处理领域的研究热点。目前,对于鼾声信号分析的研究工作主要存在如下问题:首先,国外研究工作表明鼾声信号具有典型的弱非线性特点,传统的线性分析手段（时域、频域、时频域等）不太适合于此类非线性非平稳信号,短时平稳的局限性使其无法准确刻画鼾声信号的动态变化特性;其次,现有的少量鼾声信号非线性特性分析方法主要从定性的角度验证鼾声的非线性特点,并未定量分析上气道不同阻塞部位对鼾声非线性特性的影响,从而影响后续鼾声的定位和辨识;近年少量研究工作成功将鼾声和睡眠阶段进行关联,但是由于鼾声在睡眠中表现出不连续分布的特点,导致最终睡眠分期结果准确性较差。因此,如何设计针对鼾声信号的特征分析方法以提高鼾声检测性能,如何深层次挖掘不同阻塞部位鼾声的特征信息,如何融合更多有用信息以提升睡眠分期结果的完备性是现阶段鼾声信号分析的研究重点。围绕上述研究热点,本文在以下方面开展了研究工作:1.基于经验小波信息熵的鼾声检测算法研究现有的鼾声检测利用传统的声学特征和时频特征,无法准确刻画鼾声的动态变化特性,从而影响鼾声检测的准确性。针对该问题,提出了一种新的鼾声特征——经验小波信息熵,首先,将经验小波变换方法应用于鼾声分析,针对频谱细分问题,提出了基于形态滤波的改进经验小波变换方法,该算法能够实现鼾声的准确模式分解;其次,将经验小波变换与信息熵结合,作为刻画鼾声动态变化的新特征;最后,验证了该特征在鼾声检测上的有效性。仿真和实测结果均表明,与传统的声学特征和时频特征相比,基于经验小波信息熵的鼾声检测准确率和鲁棒性均明显提升。2.基于鼾声非线性特性的打鼾阻塞部位辨识技术研究针对现有的鼾声非线性特性分析仅从定性角度分析的不足,首先讨论了鼾声非线性特征提取方法,包括基于混沌理论的特征、长程相关性特征、复杂度特征的计算方法;其次,详尽分析了不同阻塞部位鼾声信号非线性特性的差异,从而建立了鼾声非线性特性与打鼾阻塞部位的映射关系;最后,将以上特征与传统特征结合,并利用Boruta算法进行特征优化,提出了打鼾阻塞部位辨识算法。实验数据测试结果表明,该算法有效地提升了打鼾阻塞部位辨识的准确性。3.基于鼾声非线性特性的睡眠分期技术研究由于不同个体睡眠具有差异性,鼾声在整晚睡眠过程中分布会出现不连续的现象,现有的基于鼾声信号的睡眠分期方法对鼾声缺失部分无法进行睡眠分期估计,限制了现有方法的实用性;而且,对于鼾声这种非线性非平稳信号,仅用时域、频域特性进行表征具有不完备性,导致睡眠分期结果欠佳,尤其是四态睡眠分期（清醒/REM/浅度/深度睡眠）的准确性较差。因此我们提出基于鼾声/呼吸声多特征融合的睡眠分期技术。首先,采集研究对象的夜间声信号,从中分离出呼吸声和鼾声,并针对性地分别提取呼吸声和鼾声的特征信息;其次,为了有效融合呼吸声的时频特征,鼾声的时频特征、非线性特征,实现特征和睡眠分期的准确映射,提出了基于Relief F的改进典型相关分析算法;最后,利用集成型分类算法实现睡眠分期。实验数据的验证结果表明,提出的算法能够准确地进行四态睡眠分期,并且具有较高的鲁棒性。