定義、用途與詞條邊界
鼾聲樣本資料集,是將睡眠期間的連續音訊或切分聲學片段,與鼾聲出現時間、類別、強度、體位、參考生理事件或其他標籤及採集詮釋資料組合而成的資料資源。它可用於鼾聲檢測、聲學特徵研究、裝置評測、睡眠呼吸輔助分析和演算法訓練。資料單位可能是一整夜、一段呼吸週期、一個鼾聲事件或固定時窗,樣本數量必須連同受試者和夜晚數量解釋。
這類資料集不等於睡眠呼吸中止診斷庫,也不意味所有鼾聲都由同一解剖部位或疾病造成。只有切好的鼾聲正樣本可支援聲音描述或分類,卻不足以評估從整夜錄音中發現鼾聲所需的誤報,因為真實環境還包含呼吸、說話、咳嗽、翻身、床伴、風扇和交通聲。使用者應先確認目標是檢測鼾聲、分類聲源、估計體位,還是研究與呼吸事件的關係。
錄音裝置、位置與環境情境
音訊可來自床旁環境麥克風、手機、穿戴式裝置、接觸式感測器或氣管麥克風。不同方式對空氣傳播聲、組織振動和背景噪聲的反應不同,不能只憑統一的 WAV 檔案格式視為等價。資料文件應給出麥克風類型與方向性、裝置型號、取樣率、位元深度、增益、自動增益控制、壓縮與降噪設定,以及與頭部的距離、朝向和固定方式。
房間大小、混響、寢具、空調、門窗、裝置放置、床伴和錄音軟體都會改變聲譜與響度。實驗室、家庭自然睡眠和藥物誘導睡眠內視鏡產生的資料分布也不同;後者可以提供視覺化解剖參照,但不能無條件代表整夜自然睡眠。應記錄場景、體位、睡眠階段、治療或裝置使用、錄音中斷及裝置時鐘,使模型不會把房間或採集流程誤當成生理特徵。
事件切分、標籤與參照標準
標籤可以只區分鼾聲與非鼾聲,也可描述起止時間、響度、週期模式、體位、振動部位、睡眠階段或與呼吸中止、低通氣和血氧變化的時間關係。發布者應定義什麼算一個鼾聲事件,連續聲如何分段,相鄰事件如何合併,以及吸氣、呼氣、喘息和普通呼吸是否另列類別。未標註、無法判斷、重疊聲和明確非鼾聲應使用不同狀態,不能全部當作負樣本。
標籤來源可能是人工聽辨、聲譜覆核、自動預標、接觸式感測器、同步 PSG、影片或內視鏡觀察,各自回答的問題不同。若用 PSG 呼吸事件或體位作參照,需要說明同步方法、時鐘漂移、允許的時間容差和評分規則。鼾聲與呼吸事件可相關但並非一一對應,靜默期也可能包含重要事件;不能把事件附近的所有聲音自動標成疾病相關鼾聲。
檔案結構、詮釋資料與版本管理
連續錄音應保留可靠的時間軸,並透過清單把音訊、受試者、夜晚、裝置和同步訊號關聯起來;切分片段還需保存原檔案、起止偏移和生成腳本。資料字典應說明檔案編碼、聲道、振幅正規化、缺失值、標籤詞彙和單位。轉碼、重新取樣、響度標準化、靜音移除和噪聲抑制都要記錄,避免處理後的片段無法追溯原始環境。
每次發布宜包含版本號、樣本清單、檔案校驗值、授權、變更日誌和已知問題。修正標籤、重新切分或去除隱私片段會改變樣本識別碼和模型結果,因此研究應鎖定具體版本。資料授權還應分別說明原始音訊、標籤、詮釋資料、聲學特徵、增強樣本和訓練模型能否再散布或商用;可下載不等於允許任意複製或恢復被去除內容。
聲學品質、標籤不確定性與偏差
品質檢查應涵蓋削頂、過低訊噪比、編碼損壞、自動增益突變、丟幀、時鐘漂移、遠場衰減和多聲源重疊。人工標註者對微弱鼾聲、普通呼吸和喉音可能存在分歧,宜報告標註指南、多標註者一致性、仲裁過程和不確定比例。僅對容易識別的響亮事件加標籤會形成驗證偏差,使模型在安靜或複雜聲音上的表現被高估。
樣本還可能集中於特定年齡、性別、體型、語言地區、疾病門診、麥克風和房間。一個人可產生數百次相似鼾聲,因此事件數量很大仍可能只有很少獨立受試者。資料集應按受試者、夜晚、場景、裝置和標籤類別報告分布,並保留有代表性的非鼾聲背景。床伴鼾聲或雙人錄音若無法確認聲源,應明確標為混合或排除,不能預設屬於目標受試者。
機器學習劃分、評測與重現
訓練、驗證和測試應按受試者劃分,並避免同一夜相鄰片段、同一原始事件的不同裁剪或增強版本跨集合出現。否則模型可能記住聲紋、房間噪聲或麥克風響應,形成資料洩漏。資料增強、降噪、響度正規化和特徵標準化只應根據訓練資料設計;測試集應保留真實噪聲和完整負樣本,並儘量增加跨裝置、跨房間和不同人群的外部驗證。
評測需匹配任務:片段分類可報告逐類精確度、召回率和宏平均指標,連續檢測還應報告事件級誤報、漏報、時間重疊和每小時誤報,個體篩查則需要獨立的受試者級指標與校準。不能把片段準確率直接解釋為診斷效能。重現資料應包含劃分清單、標籤版本、預處理、特徵或模型配置、閾值、隨機種子和失敗案例,並防止反覆查看測試集後調參。
隱私、存取治理與臨床限制
整夜音訊可能錄到受試者和床伴的語音、姓名、媒體內容、家庭活動、位置線索及兒童或其他第三方聲音,隱私風險高於單純事件標籤。採集應有涵蓋音訊及相關人員的適當告知和依據,並採用最小化錄音、端側篩選、語音片段刪除或受控存取等與目的相稱的措施。儲存、傳輸、存取日誌、刪除和事故回應需要治理,去除姓名並不能消除聲紋與家庭內容的再識別風險。
鼾聲可提示上呼吸道振動,卻不能單獨確認或排除阻塞性睡眠呼吸中止,也不能區分所有呼吸障礙或確定治療。演算法輸出適合研究、紀錄或輔助分流時,仍需清楚說明失敗條件和非診斷性質;若進入臨床用途,則需要目標人群驗證、原始訊號覆核和適用專業及監管流程。成熟的資料集既保留足夠聲學與參照資訊,也限制不必要的家庭音訊暴露,並明確其證據邊界。