一种基于半带滤波器的鼾声识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于半带滤波器的鼾声识别方法及装置，所述方法包括：对高通滤波后的每个频带对应的半带滤波信号进行分帧处理并计算，得到每个频带对应的分帧信号和每个分帧信号的能量特征；根据单高斯模型和每个分帧信号的能量特征，标记出每个分帧信号包含的语音帧，并将连续的语音帧标记为语音段；根据每个语音段的语音特征和多个单类别高斯混合模型，标记出鼾声段和鼾声类别；选出间隔时间小于预设间隔阈值的两个鼾声段作为鼾声段组合，全部的鼾声段组合构成鼾声识别结果。采用本发明专利技术提供的半带滤波器的鼾声识别方法及装置实施例，采用IIR半带滤波器对声音数据流进行分频带滤波提取特征，在嵌入式终端上实现对鼾声信号的快速识别。信号的快速识别。信号的快速识别。

【技术实现步骤摘要】
一种基于半带滤波器的鼾声识别方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于半带滤波器的鼾声识别方法及装置。

技术介绍

[0002]目前通过麦克风拾取声音然后提取鼾声特征的方法目前有：1、提取鼾声的梅尔倒谱系数(MFCC)作为特征，送识别器进行识别。提取过程包括：预加重、加窗、快速傅立叶变换、功率谱估计、Mel滤波、非线性变换和离散余弦变换；2、采用子带余弦调制滤波器组(CMFB)提取鼾声的子带特征。但是以上两种方法在进行鼾声提取时，需要耗费大量的运算资源，因此并不适用于不适合应用于运算能力不强、内存不多的嵌入式终端上。

技术实现思路

[0003]本专利技术实施例提供一种基于半带滤波器的鼾声识别方法及装置，采用IIR半带滤波器对声音数据流进行分频带滤波提取特征，在运算能力不强、内存不多的嵌入式终端上实现对鼾声信号的快速识别。
[0004]为实现上述目的，本申请实施例的第一方面提供了一种基于半带滤波器的鼾声识别方法，所述方法包括：
[0005]使待识别数字声音信号进入预设的高通滤波器进行高通滤波；
[0006]使进行高通滤波后的待识别数字声音信号进入预设的半带滤波器进行半带滤波，得到多个频带对应的半带滤波信号；每个频带的宽度大小相同，频带的数量由所述半带滤波器的结构决定；
[0007]对每个频带对应的半带滤波信号进行分帧处理并计算，得到每个频带对应的分帧信号和每个分帧信号的能量特征；
[0008]根据单高斯模型和每个分帧信号的能量特征，标记出每个分帧信号包含的语音帧，并将连续的语音帧标记为语音段；
[0009]根据每个语音段的语音特征，分别与多个单类别高斯混合模型进行概率匹配，若匹配概率值大于预设概率阈值，标记语音段为鼾声段，鼾声类别为单类别高斯混合模型对应的鼾声类别；每个单类别高斯混合模型由多个子高斯模型组成，且每个单类别高斯模型对应一种鼾声类别；
[0010]选出间隔时间小于预设间隔阈值的两个鼾声段作为鼾声段组合，全部的鼾声段组合构成鼾声识结果。
[0011]在第一方面的一种可能的实现方式中，所述根据每个语音段的语音特征，分别与多个单类别高斯混合模型进行概率匹配，若匹配概率值大于预设概率阈值，标记语音段为鼾声段，鼾声类别为单类别高斯混合模型对应的鼾声类别，具体包括：
[0012]根据每个鼾声种类建立一个对应的单类别高斯混合模型；
[0013]将每个语音段的语音特征遍历每个单类别高斯混合模型，计算每个单类别高斯混
合模型的概率密度；
[0014]若单类别高斯混合模型的概率密度大于预设概率阈值，标记语音段为鼾声段，所述鼾声段的类别与单类别高斯混合模型对应的鼾声类别相同。
[0015]在第一方面的一种可能的实现方式中，所述每个语音段的语音特征，具体包括每个语音段的时长、总能量、各频带能量、归一化能量、频带内峰值点的个数和周期。
[0016]在第一方面的一种可能的实现方式中，所述每个分帧信号的能量特征包括每个分帧信号的总能量、各频带能量、归一化能量。
[0017]在第一方面的一种可能的实现方式中，所述对每个频带对应的半带滤波信号进行分帧处理并计算的过程中，相邻帧之间不存在帧移。
[0018]在第一方面的一种可能的实现方式中，所述使待识别数字声音信号进入预设的高通滤波器进行高通滤波之前，还包括：
[0019]用AD转换器将待识别模拟声音信号转换为待识别数字声音信号。
[0020]本申请实施例的第二方面提供了一种基于半带滤波器的鼾声识别装置，包括：
[0021]高通滤波模块，用于使待识别数字声音信号进入预设的高通滤波器进行高通滤波；
[0022]半带滤波模块，用于使进行高通滤波后的待识别数字声音信号进入预设的半带滤波器进行半带滤波，得到多个频带对应的半带滤波信号；每个频带的宽度大小相同，频带的数量由所述半带滤波器的结构决定；
[0023]分帧计算模块，用于对每个频带对应的半带滤波信号进行分帧处理并计算，得到每个频带对应的分帧信号和每个分帧信号的能量特征；
[0024]语音识别模块，用于根据单高斯模型和每个分帧信号的能量特征，标记出每个分帧信号包含的语音帧，并将连续的语音帧标记为语音段；
[0025]鼾声识别模块，用于根据每个语音段的语音特征，分别与多个单类别高斯混合模型进行概率匹配，若匹配概率值大于预设概率阈值，标记语音段为鼾声段，鼾声类别为单类别高斯混合模型对应的鼾声类别；每个单类别高斯混合模型由多个子高斯模型组成，且每个单类别高斯模型对应一种鼾声类别；
[0026]鼾声筛选模块，用于选出间隔时间小于预设间隔阈值的两个鼾声段作为鼾声段组合，全部的鼾声段组合构成鼾声识结果。
[0027]相比于现有技术，本专利技术实施例提供的基于半带滤波器的鼾声识别方法及装置，先对数字音频信号进行高通滤波，滤除低频干扰。然后通过半带滤波器滤波得到多个频带的信号，对各频带信号进行分帧处理后并提取信号特征，在采用单高斯模型识别出分帧信号中人的语音帧。进一步对连续语音帧构成的语音段提取特征，并通过比较前后鼾声段的类别和间隔得到识别结果。在整个识别过程中，通过分子带进行提取特征分帧识别处理，减少特征数量以降低计算量；通过分帧识别处理，避免不必存在帧移减少运算量；鼾声类型识别过程中运用多个单类别高斯混合模型进行概率匹配，从而准确地识别出鼾声类型，保证识别的稳定性。
[0028]综上，本专利技术实施例采用半带滤波器滤波，鼾声识别过程中计算量小、速度快、所需内存少，且识别率高。
附图说明
[0029]图1是本专利技术一实施例提供的一种基于半带滤波器的鼾声识别方法的流程示意图；
[0030]图2是本专利技术一实施例提供的一种半带滤波器结构示意图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]请参见图1，本专利技术一实施例提供了一种基于半带滤波器的鼾声识别方法，所述方法包括：
[0033]S10、使待识别数字声音信号进入预设的高通滤波器进行高通滤波。
[0034]S11、使进行高通滤波后的待识别数字声音信号进入预设的半带滤波器进行半带滤波，得到多个频带对应的半带滤波信号；每个频带的宽度大小相同，频带的数量由所述半带滤波器的结构决定。
[0035]S12、对每个频带对应的半带滤波信号进行分帧处理并计算，得到每个频带对应的分帧信号和每个分帧信号的能量特征。
[0036]S13、根据单高斯模型和每个分帧信号的能量特征，标记出每个分帧信号包含的语音帧，并将连续的语音帧标记为语音段。
[0037]S14、根据每个语音段的语音特征，分别与多个单类别高斯本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半带滤波器的鼾声识别方法，其特征在于，包括：使待识别数字声音信号进入预设的高通滤波器进行高通滤波；使进行高通滤波后的待识别数字声音信号进入预设的半带滤波器进行半带滤波，得到多个频带对应的半带滤波信号；每个频带的宽度大小相同，频带的数量由所述半带滤波器的结构决定；对每个频带对应的半带滤波信号进行分帧处理并计算，得到每个频带对应的分帧信号和每个分帧信号的能量特征；根据单高斯模型和每个分帧信号的能量特征，标记出每个分帧信号包含的语音帧，并将连续的语音帧标记为语音段；根据每个语音段的语音特征，分别与多个单类别高斯混合模型进行概率匹配，若匹配概率值大于预设概率阈值，标记语音段为鼾声段，鼾声类别为单类别高斯混合模型对应的鼾声类别；每个单类别高斯混合模型由多个子高斯模型组成，且每个单类别高斯模型对应一种鼾声类别；选出间隔时间小于预设间隔阈值的两个鼾声段作为鼾声段组合，全部的鼾声段组合构成鼾声识结果。2.如权利要求1所述的基于半带滤波器的鼾声识别方法，其特征在于，所述根据每个语音段的语音特征，分别与多个单类别高斯混合模型进行概率匹配，若匹配概率值大于预设概率阈值，标记语音段为鼾声段，鼾声类别为单类别高斯混合模型对应的鼾声类别，具体包括：根据每个鼾声种类建立一个对应的单类别高斯混合模型；将每个语音段的语音特征遍历每个单类别高斯混合模型，计算每个单类别高斯混合模型的概率密度；若单类别高斯混合模型的概率密度大于预设概率阈值，标记语音段为鼾声段，所述鼾声段的类别与单类别高斯混合模型对应的鼾声类别相同。3.如权利要求1或2所述的基于半带滤波器的鼾声识别方法，其特征在于，所述每个语音段的语音特征，具体包括每个语音段的时长、总能量、各频带能量、归...

【专利技术属性】
技术研发人员：秦德智，
申请(专利权)人：广州市欧智智能科技有限公司，
类型：发明
国别省市：