一种鼾声识别方法及止鼾装置制造方法及图纸

鼾声识别方法及止鼾装置，该方法包括：鼾声音频信号采样；对采样信号进行模数(ADC)转换；基于时域和采样信号形成音频帧，对音频帧移帧进行鼾声分析；窗函数分帧，将分帧得到的M1序列傅里叶变换至频域，并对频域频谱的低频能量求和；低频能量和值在时域上组成N序列,并对该N序列做鼾声预判，预判合格的N序列形成M2序列；对该M2序列傅里叶变换至频域，并根据该M2序列的谱峰特征匹配预设的鼾声参数，输出监测鼾声信号。

【技术实现步骤摘要】
【国外来华专利技术】一种鼾声识别方法及止鼾装置
本申请涉及健康监测设备，特别是涉及一种鼾声识别方法及止鼾装置。
技术介绍
正常人睡眠时，会因喉咙附近的软组织松弛产生变形，从而导致上呼吸道狭窄，阻碍呼吸的顺畅性，也就是常见的打鼾。如果打鼾成为睡眠习惯，影响呼吸的打鼾日积月累会潜藏健康隐患。比如阻塞型睡眠呼吸暂停(ObstructiveApnea，OSA)，喉咙附近的软组织松弛而造成上呼吸道阻塞，呼吸道收窄引致睡眠时呼吸暂停。或者OSAHS，阻塞性睡眠呼吸暂停低通气综合征(obstructivesleepapnea-hypopneasyndrome)。OSAHS是指睡时上气道塌陷阻塞引起的呼吸暂停和通气不足、伴有打鼾、睡眠结构紊乱、频繁发生血氧饱和度下降、白天嗜睡等病征。呼吸暂停是指睡眠过程中口鼻气流停止≥10s.低通气是指睡眠过程中呼吸气流强度较基础水平降低超过30％以上，并伴血氧饱和度(SaO)3％或伴有觉醒。睡眠呼吸暂停综合症，在连续7h睡眠中发生30次以上的呼吸暂停，每次气流中止10s以上(含10s)，或平均每小时睡眠呼吸暂停低通气次数(呼吸紊乱指数)超过5次，而引起慢性低氧血症及高碳酸血症的临床综合征.可分为中枢型、阻塞型及混合型。打鼾是睡眠呼吸暂停综合症(阻塞性睡眠呼吸暂停)的初期阶段，二者属于同一疾病的不同时期。如果打鼾不进行及时的干预，数十年后，将会发展为睡眠呼吸暂停综合症。现有的止鼾设备比如止鼾垫，包括了控制器、鼾声识别模块、判断模块和提醒机构。鼾声识别模块在用户睡眠时实时监测打鼾状况，采集环境音频并识别出鼾声。识别出鼾声后向控制器发送打鼾信息，控制器的判断模块在确定采集识别的是打鼾时，驱动提醒机构运动，触动用户身体使用户停止打鼾。但是现有技术中鼾声识别一般采用隐马尔科夫模型(HMM)语音识别的方式来进行鼾声识别。模型较复杂，计算量大，需要强大的计算芯片，不适合止鼾设备小型化/便携化的发展趋势。因此，现有技术亟待改进以解决其出现的技术问题。
技术实现思路
本申请提供一种鼾声识别方法及止鼾装置，鼾声识别准确，止鼾装置计算量大大减少，能够适应止鼾设备小型化的需求，包括止鼾手环，止鼾耳机以及止鼾枕等等。第一方面，本申请实施例提供了一种鼾声识别方法，包括：鼾声音频信号采样；对采样信号进行模数(ADC)转换；基于时域和该采样信号形成音频帧，对音频帧移帧进行鼾声分析；窗函数分帧，将分帧得到的M1序列傅里叶变换至频域，并对频域频谱的低频能量求和；低频能量和值在时域上组成N序列,并对该N序列做鼾声预判，预判合格的N序列形成M2序列；对该M2序列傅里叶变换至频域，并根据该M2序列的谱峰特征匹配预设的鼾声参数，输出监测鼾声信号。其中，该鼾声识别方法还包括：音频帧以1/X速率先进先出移帧，X为任意数；其中，该方法还包括音频信号预加重处理。优选的，该对N序列做鼾声预判包括：计算该N序列数据的最大最小值以及最大差值；其中，该鼾声预判的参数包括过零率、波形幅值以及过零间隙。为了提高鼾声识别精准度，该方法还包括：对该M2序列进行归一化处理、截短平均处理。具体的，该窗函数为汉宁窗函数(Hanning)或者汉明窗函数(Hamming)或者布莱克曼窗函数(Blackman)。第二方面，本申请实施例还提供了一种止鼾装置，包括微控制器、模数转换电路(ADC)和声音拾取电路，该声音拾取电路用于采样鼾声音频信号，该模数转换电路用于对该采样信号进行模数(ADC)转换，还包括：鼾声识别模块，该鼾声识别模块用于基于时域和该采样信号形成音频帧，对音频帧移帧进行鼾声分析；用于窗函数分帧，将分帧得到的M1序列傅里叶变换至频域，并对频域频谱的低频能量求和；用于低频能量和值在时域上组成N序列,并对频域N序列做鼾声预判，预判合格的N序列形成M2序列；还用于对M2序列傅里叶变换至频域，并根据M2序列的谱峰特征匹配预设的鼾声参数，输出监测鼾声信号；以及止鼾机构，其中，该微控制器收到该监测鼾声信号后，启动止鼾机构触压受监测的用户。其中，该鼾声识别模块还用于对音频帧以1/X速率先进先出移帧，其中，X为任意数；该鼾声识别模块还用于对音频信号预加重处理。优选的，该鼾声识别模块还用于在鼾声预判时：计算该N序列数据的最大最小值以及最大差值；其中，该鼾声预判的参数包括过零率、波形幅值以及过零间隙。为了提高鼾声识别精准度，该鼾声识别模块还用于对该M2序列进行归一化处理、截短平均处理。具体的，该窗函数为汉宁窗函数(Hanning)或者汉明窗函数(Hamming)或者布莱克曼窗函数(Blackman)。第三方面，本申请实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。第四方面，本申请实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的方法。第五方面，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的方法。本申请实施例提供的鼾声识别方法和装置，将窗函数分帧后的鼾声识别分为能量区分阶段和鼾声特征比对阶段，在安静睡眠环境下，识别模型精简，计算量大大减少，可实现止鼾产品的小型化和便携式设计；同时，在安静睡眠环境下，对60分贝以上的鼾声，可实现100％准确的鼾声监测。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是本申请实施例提供的一种鼾声识别方法实施例的流程图；图2是本申请实施例提供的止鼾装置的产品模块图；图3是本申请实施例提供的鼾声识别方法的带通滤波的作用示意图；图4是本申请实施例提供的鼾声识别方法的预加重处理的频率能量关系图；图5是本申请实施例提供的鼾声识别方法的总流程图；图6是本申请实施例提供的鼾声识别方法中M1序列的能量求和原理图；图7是本申请实施例提供的鼾声识别方法中M2序列的鼾声识别示意图；图8是本申请实施例提供的鼾声识别方法的鼾声特征比对流程图；以及图9是本申请实施例提供的执行鼾声识别方法的电子设备的硬件结构示意图。具体实施方式下面结合附图和实施方式对本实施例进行详细说明。本申请涉及一种鼾声识别方法以及使用该方法的止鼾装置。该鼾声识别方法和装置将鼾声识别分为能量累计阶段和鼾声特征比对阶段，鼾声识别模型精简，计算量大大减少，可实现止鼾产品的小型化和便携式设计；同时，在安静睡眠环境下，对60分贝以上的鼾声，可实现100％准确的鼾声监测。该能量累计阶段和鼾声特征比对阶段均由鼾声识别模块完成。请参考图2，所示为止鼾装置的产品模块图，本实施例的止鼾装置包括微控制器10、模数转换电路(ADC)30、鼾声识别模块40、声音拾取电路20以及止鼾机构50。其中，ADC代表模拟数字转换器(AnalogtoDigitalConverter)。该本文档来自技高网...

【技术保护点】
1.一种鼾声识别方法，包括：鼾声音频信号采样；对采样信号进行模数(ADC)转换；基于时域和所述采样信号形成音频帧，对音频帧移帧进行鼾声分析；窗函数分帧，将分帧得到的M1序列傅里叶变换至频域，并对频域频谱的低频能量求和；低频能量和值在时域上组成N序列,并对所述N序列做鼾声预判，预判合格的N序列形成M2序列；对所述M2序列傅里叶变换至频域，并根据所述M2序列的谱峰特征匹配预设的鼾声参数，输出监测鼾声信号。

【技术特征摘要】
【国外来华专利技术】1.一种鼾声识别方法，包括：鼾声音频信号采样；对采样信号进行模数(ADC)转换；基于时域和所述采样信号形成音频帧，对音频帧移帧进行鼾声分析；窗函数分帧，将分帧得到的M1序列傅里叶变换至频域，并对频域频谱的低频能量求和；低频能量和值在时域上组成N序列,并对所述N序列做鼾声预判，预判合格的N序列形成M2序列；对所述M2序列傅里叶变换至频域，并根据所述M2序列的谱峰特征匹配预设的鼾声参数，输出监测鼾声信号。2.根据权利要求1所述的方法，其中，所述方法还包括：音频帧以1/X速率先进先出移帧，其中，X为任意数；其中，所述方法还包括音频信号预加重处理。3.根据权利要求2所述的方法，其中，所述对N序列做鼾声预判包括：计算所述N序列数据的最大最小值以及最大差值；其中，所述鼾声预判的参数包括过零率、波形幅值以及过零间隙。4.根据权利要求1-3任一项所述的方法，其中，所述方法还包括：对所述M2序列进行归一化处理、截短平均处理。5.根据权利要求4所述的方法，其中，所述窗函数为汉宁窗函数(Hanning)或者汉明窗函数(Hamming)或者布莱克曼窗函数(Blackman)。6.一种止鼾装置，包括微控制器、模数转换电路(ADC)和声音拾取电路，所述声音拾取电路用于采样鼾声音频信号，所述模数转换电路用于对所述采样信号进行模数(ADC)转换，还包括：鼾声识别模块，所述鼾声识别模块用于基于时域和采样信号形成音频帧，对音频帧移帧进行鼾声分析；用于窗函数分帧，将分帧得到的M1序列傅里叶变换至频域，并对频域频谱的低频能量求和；用于低频能量和值在时域上组成N序列,并对频域N序列做鼾声预判，预判合格的N序列形成M2序列；还...

【专利技术属性】
技术研发人员：齐奇，
申请(专利权)人：深圳和而泰数据资源与云技术有限公司，
类型：发明
国别省市：广东,44