Исследователи предложили новый способ анализа храпа: звук превращают в изображение, где видно, как меняются частоты во времени, а затем модель искусственного интеллекта пытается определить, какая часть верхних дыхательных путей вызывает шум. Такой подход может помочь точнее находить место препятствия дыханию при храпе и обструктивном апноэ сна, но до применения в обычной клинической практике нужны дополнительные проверки.
Храп возникает, когда структуры верхних дыхательных путей вибрируют во время сна. Это может происходить в области мягкого неба, основания языка, надгортанника или боковых стенок ротоглотки. Ротоглотка — это часть глотки позади полости рта, через которую проходит воздух.
Храп сам по себе не всегда означает болезнь. Но он часто связан с обструктивным апноэ сна — состоянием, при котором во сне дыхательные пути периодически сужаются или закрываются, а дыхание на короткое время останавливается. Такие эпизоды могут нарушать сон, снижать насыщение крови кислородом и повышать нагрузку на сердечно-сосудистую систему.
Почему важно знать источник храпа
Для лечения важно понимать, где именно возникает препятствие. У одного человека основной вклад может давать мягкое небо, у другого — основание языка или другие участки верхних дыхательных путей. От этого зависит выбор тактики: наблюдение, изменение образа жизни, устройства для поддержания дыхания во сне, стоматологические приспособления или хирургические методы.
Проблема в том, что определить анатомический источник храпа без вмешательства сложно. Поэтому ученые изучают способы использовать аудиозапись храпа как неинвазивный метод, то есть метод без проникновения в организм.
Работа опубликована в журнале Scientific Reports.
Как звук превратили в изображение
В новом исследовании авторы предложили систему из трех этапов. Сначала звук храпа преобразовывали в спектрограмму. Спектрограмма — это изображение, которое показывает, какие звуковые частоты присутствуют в записи и как они меняются со временем.
Для этого использовали кратковременное преобразование Фурье (short-time Fourier transform, STFT) — математический метод, который разбивает звук на небольшие временные отрезки и показывает частотный состав каждого из них. Проще говоря, обычная аудиозапись превращается в «карту» звука.
Затем из этих спектрограмм извлекали признаки с помощью заранее обученных сверточных нейронных сетей (convolutional neural networks, CNN). Сверточная нейронная сеть — это тип модели искусственного интеллекта, который хорошо распознает закономерности на изображениях.
На последнем этапе использовали метод опорных векторов (support vector machine, SVM). Это статистический алгоритм, который разделяет данные на группы по найденным признакам. В данном случае он классифицировал звуки храпа по предполагаемому источнику.
Какие зоны дыхательных путей распознавали
Модель обучали различать четыре источника храпа: мягкое небо, основание языка, надгортанник и боковые стенки ротоглотки. Надгортанник — это хрящевая структура у входа в гортань, которая помогает направлять пищу в пищевод, а воздух — в дыхательные пути.
Для проверки использовали Мюнхенско-Пассаусский корпус звуков храпа — набор аудиозаписей, в котором звуки уже были размечены по анатомическому источнику.
Выборка была несбалансированной: записей, связанных с мягким небом, было значительно больше, чем записей, связанных с надгортанником. Чтобы модель не «училась» в основном на самой многочисленной группе, исследователи применили увеличение числа образцов в менее представленных классах. Это помогает сделать обучение более равномерным.
Насколько хорошо сработала система
Лучший вариант системы показал невзвешенную среднюю полноту распознавания 67,1% на тестовом наборе данных. Этот показатель отражает, насколько хорошо модель распознает все классы, не позволяя самой многочисленной группе чрезмерно влиять на итоговый результат.
Для такой задачи это заметный результат, потому что источники храпа могут звучать похоже, а записи отличаются по качеству, громкости и индивидуальным особенностям человека. Однако точность около двух третей также показывает, что метод пока не может служить самостоятельным диагностическим инструментом.
Исследователи сравнили предложенный подход с несколькими другими методами анализа звука, включая модели глубокого обучения, работающие напрямую с аудиоданными. Новая система показала лучший результат на тестовом наборе среди сравниваемых методов.
Что оказалось самым важным в модели
Авторы отдельно проверили, что будет, если убирать или заменять отдельные части системы. Если вместо спектрограмм использовать более простые изображения звуковой волны, результат снижался. Это означает, что сведения о частотах и их изменении во времени действительно важны для распознавания источника храпа.
Когда заранее обученную нейронную сеть заменяли ручными акустическими признаками, качество тоже заметно падало. Ручные признаки — это заранее выбранные числовые характеристики звука, например отдельные параметры частоты или громкости. Они могут быть полезны, но хуже передают сложные закономерности в храпе.
Снижение качества наблюдалось и при замене метода опорных векторов другим классификатором. Это говорит о том, что результат зависит не от одной удачной детали, а от сочетания нескольких компонентов.
Почему это пока не готовая диагностика
Несмотря на обнадеживающий результат, исследование остается технической проверкой метода. Модель обучали и тестировали на конкретном наборе записей. В реальной клинике условия сложнее: люди спят в разных позах, записи могут содержать шум, дыхание меняется в течение ночи, а у одного пациента может быть несколько зон сужения дыхательных путей.
Кроме того, храп и обструктивное апноэ сна требуют полноценной медицинской оценки. Анализ звука может стать полезной подсказкой, но не должен заменять обследование у врача, особенно если есть остановки дыхания во сне, выраженная дневная сонливость, утренние головные боли, повышение артериального давления или ощущение нехватки воздуха ночью.
Что это может дать пациентам
Если будущие исследования подтвердят надежность метода на независимых клинических данных, анализ храпа по звуку может стать удобным дополнением к обследованию. Он потенциально поможет врачу быстрее понять, где вероятнее всего находится источник вибрации или сужения дыхательных путей.
Для пациента это может означать более точный выбор лечения и меньше неопределенности. Например, если основной источник храпа связан с одной анатомической зоной, врач сможет сосредоточиться на методах, которые воздействуют именно на нее.
Но следующий важный шаг — проверка системы в реальных медицинских условиях и на более разнообразных группах людей. Только после этого можно будет судить, насколько такой инструмент устойчив к шуму, разным типам храпа и различиям между пациентами.
О том, почему обструктивное апноэ сна требует внимания не только из-за храпа, ранее рассказывал материал МКБ-11: обструктивное апноэ: новый взгляд на связь с потерей памяти.
Литература
Lu W., Han J., Lei W., Chen X., Wang Y., Wang R. Snoring classification with deep time-frequency features // Scientific Reports. — 2026. — DOI: 10.1038/s41598-026-58941-w.