Η εξέλιξη των ενσωματωμένων συστημάτων οδήγησε στη δημιουργία μικροϋπολογιστών συστημάτων χαμηλού κόστους τα οποία είναι ικανά να καταγράφουν, αποθηκεύουν και να επεξεργάζονται αναπνευστικά σήματα εντοπίζοντας έτσι ανωμαλίες της αναπνευστικής δραστηριότητας κατά τη διάρκεια του ύπνου. Τα αποτελέσματα αυτής της δραστηριότητας οδηγούν στην συστηματικότερη παρακολούθηση ασθενών με αναπνευστική ανεπάρκεια και βοηθούν στη διάγνωση και πρόληψη τέτοιων αρρυθμιών εν τη γενέσει τους όσον αφορά σε εν δυνάμει ασθενείς. Στα πλαίσια λοιπόν αυτής της εργασίας παρουσιάζεται ένα τέτοιο ενσωματωμένο σύστημα χαμηλού κόστους το οποίο καταγράφει ,αποθηκεύει και επεξεργάζεται αναπνευστικά σήματα που έχουν ληφθεί κατά τη διάρκεια ανθρώπινου ύπνου. Στα κεφάλαια που ακολουθούν αναλύεται η δομή ,οι επιμέρους συνιστώσες του συστήματος καθώς και μέθοδοι επεξεργασίας του σήματος. Αρχικά λοιπόν ορίζεται το ιατρικό και θεωρητικό υπόβαθρο πάνω στο οποίο στηρίζονται οι ισχυρισμοί και μέθοδοι που ακολουθούνται. Εν συνεχεία, γίνεται εισαγωγή στους στοιχειώδεις ορισμούς όπως αυτοί του μικροελεγκτή και ενσωματωμένου συστήματος και γίνεται μια πρώτη αναφορά στο μικροελεγκτή ADuC 7020 της Analog Devices που χρησιμοποιήσαμε και στα περιφερειακά αυτού. Επίσης γίνεται και ανάλυση των στοιχειωδών χαρακτηριστικών του περιβάλλοντος μVision της Keil που μας επιτρέπουν να κάνουμε προσομοιώσεις με μηδενικό υλικό στη διάθεσή μας. Σε επόμενο κεφάλαιο γίνεται αναλυτική επεξήγηση του μικροελεγκτή μας και δίνονται επιπλέον ενδεικτικά παραδείγματα με τα οποία γίνονται κατανοητές βασικές δυνατότητες που προσφέρει αυτός και στις οποίες θα στηριχθούμε για να δομήσουμε το δικό μας πρόγραμμα. Σημειώνουμε εδώ πως ο προγραμματισμός του μικροελεγκτή και των περιφερειακών του έγινε σε γλώσσα προγραμματισμού C. Τέλος παραθέτουμε αναλυτικά τον κώδικα της εφαρμογής μας και καταλήγουμε σε αποτελέσματα και συμπεράσματα. / The development of embedded system has led to the creation of low cost microcomputer systems that are capable of recording, storing and processing respiratory signals thus giving the opportunity to identify respiratory abnormalities during sleep time. Results of such activities result in more intensive monitoring of patients with respiratory insuffiency and help other potential patients to diagnose the abnormalities and prevent them. Within this thesis, we present such a low cost embedded system that records, stores and processes the respiratory signal of snores obtained during human sleep. In the following chapters we analyze the structure, each component of the system and the methods being implemented. Initially we define the medical and theoretical background on which we are based to build in our program and apply our methods. Moreover, we give the basic definitions such as the microcontroller’s and the embedded system’s, and we make the first presentation of the microcontroller ADuC 7020 of Analog Devices and its peripherals that will be used for implementation. We also present the μVision the Keil environment which enables us to emulate the microcontroller having at our disposal zero hardware. Later we will give a detailed explanation of this microcontroller and some basic examples of its programming possibilities are presented that will help us the application. The programming of the microcontroller and its peripherals was done in C programming language. Finally the programming of the microcontroller is given and explained in detail and we conclude with the results.

Το ροχαλητό είναι ένα φαινόμενο που σπάνια προκαλεί ανησυχία στους ασθενείς του. Επιπλέον, η διάγνωση του ροχαλητού απαιτεί ακόμα και σήμερα εξέταση σε εργαστήριο πολυυπνογραφίας, μια διαδικασία που είναι ακριβή και επίπονη για τον ασθενή. Συνδυασμένα αυτά τα γεγονότα οδηγούν σε ένα τεράστιο ποσοστό μη διαγνωσμένων ασθενών που κινδυνεύουν να παρουσιάσουν ή παρουσιάζουν ήδη ψυχολογική επιβάρυνση, κάποια μορφή καρδιακής νόσου, μειωμένες επιδόσεις στις καθημερινές τους ασχολίες και άλλα παρεπόμενα του ροχαλητού. Πολλές μέθοδοι έχουν αναπτυχθεί για διάγνωση ροχαλητού με ακουστική ανάλυση των ήχων κατά τη διάρκεια του ύπνου με σκοπό να μετατρέψουν τη διάγνωση του ροχαλητού σε εύκολη και βολική για τον ασθενή διαδικασία. Αν και αυτές οι μέθοδοι φαίνεται να έχουν καλά αποτελέσματα σε πειράματα εργαστηρίου, πολλές φορές δεν είναι αρκετά ανθεκτικές και σταθερές και απαιτούν χρήση συγκεκριμένου εξοπλισμού για να λειτουργήσουν σε βέλτιστο επίπεδο. Αυτό έχει σαν αποτέλεσμα να μη λειτουργούν ικανοποιητικά αν υλοποιηθούν στα πλαίσια μιας καθημερινής συσκευής που ήδη έχει ο ασθενής και δε χρειάζεται να αγοράσει, όπως το κινητό του τηλέφωνο. Με αυτή τη διπλωματική γίνεται προσπάθεια ανάπτυξης και υλοποίησης μεθόδου αναγνώρισης ροχαλητού αρκετά ανθεκτικής ως προς το θόρυβο αλλά και την απόσταση της συσκευής ηχογράφησης από τον ασθενή, ώστε να μπορεί να χρησιμοποιηθεί ακόμα και με συσκευές κινητού τηλεφώνου. Επίσης, γίνονται πειραματισμοί για δημιουργία δύο μεθόδων για αναγνώριση ροχαλητού με αυτόματη εξαγωγή χαρακτηριστικών με χρήση Sparse Coding και Convolutional Predictive Sparse Decomposition Auto-encoders. / Snoring rarely is cause of alarms for its patients. In addition, in order to diagnose snoring, a patient has to pass the night at a polysomnography lab, a process that is both expensive and inconvenient. These two facts lead to a massive percentage of undiagnosed patients that might run the risk of being affected by mood swings, some kind of heart disease and other side effects of snoring. Many methods of acoustical analysis of sleep sounds have been developed in order to make snore diagnosis an easy and inexpensive process. Even though these methods seem to be good at diagnosing snore sounds in a lab environment, they sometimes fail when put in a home environment since they are not robust against noise and they are highly dependent on the equipment used for the recording of the sounds. Thus, they are not effective in most scenarios so that they can be implemented in devices that a patient might already own and replace polysomnography. In this thesis project it is attempted to develop and implement a snoring detection method that is robust enough to be used in practice. Moreover, methods of automatic feature extraction are experimented with using Sparse Coding and Convolutional Predictive Sparse Decomposition Auto-encoders.