World Sleep Industry ENCYCLOPEDIA

鼾声样本数据集

4.4.3

定义、用途与词条边界

鼾声样本数据集,是将睡眠期间的连续音频或切分声学片段,与鼾声出现时间、类别、强度、体位、参考生理事件或其他标签及采集元数据组合而成的数据资源。它可用于鼾声检测、声学特征研究、设备评测、睡眠呼吸辅助分析和算法训练。数据单位可能是一整夜、一段呼吸周期、一个鼾声事件或固定时窗,样本数量必须连同受试者和夜晚数量解释。

这类数据集不等于睡眠呼吸暂停诊断库,也不意味着所有鼾声都由同一解剖部位或疾病造成。只有切好的鼾声正样本可支持声音描述或分类,却不足以评估从整夜录音中发现鼾声所需的误报,因为真实环境还包含呼吸、说话、咳嗽、翻身、床伴、风扇和交通声。使用者应先确认目标是检测鼾声、分类声源、估计体位,还是研究与呼吸事件的关系。

录音设备、位置与环境情境

音频可来自床旁环境麦克风、手机、可穿戴设备、接触式传感器或气管麦克风。不同方式对空气传播声、组织振动和背景噪声的响应不同,不能只凭统一的 WAV 文件格式视为等价。数据文档应给出麦克风类型与方向性、设备型号、采样率、位深、增益、自动增益控制、压缩与降噪设置,以及与头部的距离、朝向和固定方式。

房间大小、混响、床品、空调、门窗、设备放置、床伴和录音软件都会改变声谱与响度。实验室、家庭自然睡眠和药物诱导睡眠内镜产生的数据分布也不同;后者可以提供可视化解剖参照,但不能无条件代表整夜自然睡眠。应记录场景、体位、睡眠阶段、治疗或装置使用、录音中断及设备时钟,使模型不会把房间或采集流程误当成生理特征。

事件切分、标签与参照标准

标签可以只区分鼾声与非鼾声,也可描述起止时间、响度、周期模式、体位、振动部位、睡眠阶段或与呼吸暂停、低通气和血氧变化的时间关系。发布者应定义什么算一个鼾声事件,连续声如何分段,相邻事件如何合并,以及吸气、呼气、喘息和普通呼吸是否另列类别。未标注、无法判断、重叠声和明确非鼾声应使用不同状态,不能全部当作负样本。

标签来源可能是人工听辨、声谱复核、自动预标、接触式传感器、同步 PSG、视频或内镜观察,各自回答的问题不同。若用 PSG 呼吸事件或体位作参照,需要说明同步方法、时钟漂移、允许的时间容差和评分规则。鼾声与呼吸事件可相关但并非一一对应,静默期也可能包含重要事件;不能把事件附近的所有声音自动标成疾病相关鼾声。

文件结构、元数据与版本管理

连续录音应保留可靠的时间轴,并通过清单把音频、受试者、夜晚、设备和同步信号关联起来;切分片段还需保存原文件、起止偏移和生成脚本。数据字典应说明文件编码、声道、振幅归一化、缺失值、标签词汇和单位。转码、重采样、响度标准化、静音移除和噪声抑制都要记录,避免处理后的片段无法追溯原始环境。

每次发布宜包含版本号、样本清单、文件校验值、许可、变更日志和已知问题。纠正标签、重新切分或去除隐私片段会改变样本标识和模型结果,因此研究应锁定具体版本。数据许可还应分别说明原始音频、标签、元数据、声学特征、增强样本和训练模型能否再分发或商用;可下载不等于允许任意复制或恢复被去除内容。

声学质量、标签不确定性与偏差

质量检查应覆盖削顶、过低信噪比、编码损坏、自动增益突变、丢帧、时钟漂移、远场衰减和多声源重叠。人工标注者对微弱鼾声、普通呼吸和喉音可能存在分歧,宜报告标注指南、多标注者一致性、仲裁过程和不确定比例。仅对容易识别的响亮事件加标签会形成验证偏差,使模型在安静或复杂声音上表现被高估。

样本还可能集中于特定年龄、性别、体型、语言地区、疾病门诊、麦克风和房间。一个人可产生数百次相似鼾声,因此事件数量很大仍可能只有很少独立受试者。数据集应按受试者、夜晚、场景、设备和标签类别报告分布,并保留有代表性的非鼾声背景。床伴鼾声或双人录音若无法确认声源,应明确标为混合或排除,不能默认属于目标受试者。

机器学习划分、评测与复现

训练、验证和测试应按受试者划分,并避免同一夜相邻片段、同一原始事件的不同裁剪或增强版本跨集合出现。否则模型可能记住声纹、房间噪声或麦克风响应,形成数据泄漏。数据增强、降噪、响度归一化和特征标准化只应根据训练资料设计;测试集应保留真实噪声和完整负样本,并尽量增加跨设备、跨房间和不同人群的外部验证。

评测需匹配任务:片段分类可报告逐类精确度、召回率和宏平均指标,连续检测还应报告事件级误报、漏报、时间重叠和每小时误报,个体筛查则需要独立的受试者级指标与校准。不能把片段准确率直接解释为诊断性能。复现资料应包含划分清单、标签版本、预处理、特征或模型配置、阈值、随机种子和失败案例,并防止反复查看测试集后调参。

隐私、访问治理与临床限制

整夜音频可能录到受试者和床伴的语音、姓名、媒体内容、家庭活动、位置线索及儿童或其他第三方声音,隐私风险高于单纯事件标签。采集应有覆盖音频及相关人员的适当告知和依据,并采用最小化录音、端侧筛选、语音片段删除或受控访问等与目的相称的措施。存储、传输、访问日志、删除和事故响应需要治理,去除姓名并不能消除声纹与家庭内容的再识别风险。

鼾声可提示上气道振动,却不能单独确认或排除阻塞性睡眠呼吸暂停,也不能区分所有呼吸障碍或确定治疗。算法输出适合研究、记录或辅助分流时,仍需清楚说明失败条件和非诊断性质;若进入临床用途,则需要目标人群验证、原始信号复核和适用专业及监管流程。成熟的数据集既保留足够声学与参照信息,也限制不必要的家庭音频暴露,并明确其证据边界。