1.一种基于混合神经网络模型的低通气和呼吸暂停检测识别系统，包括鼾声采集模块(1)、波束形成降噪模块(2)、有效鼾声截取模块(3)、鼾声声学特征提取模块(4)、混合神经网络模型鼾声分类模块(5)和鼾声统计模块(6)，其特征在于：所述鼾声采集模块(1)通过多个麦克风采集被测者整晚鼾声的数据；所述波束形成降噪模块(2)通过MVDR波束形成方法对多个麦克风采集的鼾声数据进行波束形成降噪；所述有效鼾声截取模块(3)通过小波变换提取整晚鼾声数据中有效的鼾声数据片段；所述鼾声声学特征提取模块(4)通过MFCC算法提取鼾声数据片段的声学特征；所述混合神经网络模型鼾声分类模块(5)通过使用训练完成并保存的混合神经网络模型对未标记的鼾声声学特征数据片段进行正常鼾声、低通气鼾声和呼吸暂停鼾声的分类；所述鼾声统计模块(6)统计模型检测到的整晚低通气鼾声和呼吸暂停鼾声的数量，计算被测患者整晚的AHI指数，通过AHI指数完成对OSAHS患者的检测。

2.如权利要求1所述的基于混合神经网络模型的低通气和呼吸暂停检测识别系统，其特征在于：所述鼾声采集模块(1)使用多个麦克风或麦克风阵列采集被测患者鼾声数据，将多个麦克风或麦克风阵列放置在患者附近约1米范围内采集鼾声数据，多个麦克风或麦克风阵列的排列形状包括但不限于环形、线形、方形和矩阵排列等。

3.如权利要求1所述的基于混合神经网络模型的低通气和呼吸暂停检测识别系统，其特征在于：所述波束形成降噪模块(2)将采集到的多个鼾声数据合成单声道的一个鼾声数据，采用MVDR波束形成方法对多个麦克风采集的鼾声数据进行波束形成。

4.如权利要求1所述的基于混合神经网络模型的低通气和呼吸暂停检测识别系统，其特征在于：所述有效鼾声截取模块(3)，通过小波变换将整晚的鼾声划分为空白鼾声段和有效鼾声段，之后截取有效的鼾声数据片段，并通过人工标注的方式标记有效鼾声数据段的类别，划分为正常鼾声、低通气鼾声和呼吸暂停鼾声。

5.如权利要求1所述的基于混合神经网络模型的低通气和呼吸暂停检测识别系统，其特征在于：所述鼾声声学特征提取模块(4)，将通过MFCC算法从截取的有效鼾声段提取声学特征，MFCC算法利用人的听觉特征，将线性频谱映射到基于听觉感知的Mel非线性频谱，然后再转换到倒谱上。

6.如权利要求1所述的基于混合神经网络模型的低通气和呼吸暂停检测识别系统，其特征在于：所述混合神经网络模型鼾声分类模块(5)，将输入该模块的鼾声MFCC声学特征进行预测分类，输出该鼾声特征可能性最大的类别，包括混合神经网络模型由三种神经网络结构组成，第一部分为卷积神经网络，第二部分为循环神经网络,第三部分为深度神经网络。

7.如权利要求1所述的基于混合神经网络模型的低通气和呼吸暂停检测识别系统，其特征在于：所述AHI指数包括呼吸暂停指数(AI)和低通气指数(HI)，AHI指数的计算公式为：其中T为整晚时间，然后根据患者的AHI指数以及OSAHS病情程度与AHI程度判断依据完成对OSAHS患者的识别和检测以及对患者患病程度进行评估。