睡眠呼吸暂停影响了大约2200万美国人，其中大约有80％都未被诊断出来，如果不能及时治疗，睡眠呼吸暂停会增加患冠状动脉疾病、心脏病、心力衰竭和中风的风险。
自动打鼾声音分类或ASSC，旨在开发根据打鼾的声音诊断呼吸暂停的方法，但是，尽管近年来这个领域取得了不少进展，但仍然缺乏可训练ASSC系统的标记数据。于是伦敦帝国理工学院、奥格斯堡大学和慕尼黑技术大学的研究人员在一篇新论文中提出开发创造合成数据，以填补实际数据空白的生成对抗网络（GAN）的原因，然后使用增强数据集来训练ASSC。
为了验证他们的方法，他们使用了一个公开的数据集对打鼾时上呼吸道内的振动位置进行分类，从德国三个医疗中心现有的临床检查记录入手，这些数据由人类耳鼻喉医疗专家根据随附的视频记录进行了分类，注释的样本用于独立于受试者的培训、开发和测试集。
该论文的作者报告说，他们成功地生成了与原始数据分布状况相同的数据，从而增加了培训的数据量，而且无需进行人工注释。此外，他们说，合成和原始数据的结合改善了分类器的性能。
