System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及鼾声检测,特别是涉及一种结合脑电波的高精度鼾声检测方法。
技术介绍
1、在现代社会中,由于各种各样的压力和生活方式的改变,鼾声已经成为了人们睡眠中不可避免的问题。鼾声不仅会影响他人的睡眠质量,还容易引起自身健康问题,如睡眠呼吸暂停综合症等。因此,对鼾声进行检测和处理具有重要的意义。
2、传统的鼾声检测方法通过麦克风录制音频信息,通过人工设计的一些特征识别模式来判是否发生了打鼾,由于噪声和环境干扰等外部因素的影响,传统鼾声检测方法的精度较低,经常出现误判或漏判的情况。此外,传统鼾声检测方法只能检测特定类型的鼾声,对于不同种类或者变化多端的鼾声缺乏适应性。近年来,随着深度学习方法的兴起,基于数据驱动的ai方法可以在大量带有标注的音频数据中自动学习出适用于鼾声检测的高级表征,从而提升检测方法的适应性和精度。
3、现有的鼾声检测方法主要基于音频信息,虽然基于数据驱动的ai方法对精度有了较大的提升,但是在复杂多变的现实环境中,由于环境噪声的干扰、复杂的用户情况变化等因素,依然会有漏检误检,特别是面向消费端的检测场景下,被测目标附近经常会有其他人在打鼾,这时,仅仅通过对音频数据的分析,基本无法判别鼾声是来自佩戴者还是其他人员,检测效果会大大折扣。
技术实现思路
1、基于此,有必要针对在嘈杂环境中,存在多人同时打鼾时,难以准确地对目标人员的鼾声进行监测的问题,提一种结合脑电波的高精度鼾声检测方法及系统。
2、本专利技术通过以下技术方案实现:一种结
3、s1:采集目标人员的脑电信号及单通道的音频信号。
4、s2:对脑电信号及音频信号进行预处理,得到对应的音频特征向量c1和脑电特征向量c2。
5、s3:双模态信息融合预测:
6、s31:将特征向量c1与特征向量c2进行拼接。
7、s32:将拼接后的特征向量输入一个mlp全接连网络进行预测,得到打鼾预测结果。
8、上述鼾声检测方法使用特定的频域转化方法,将采样率差异较大的音频和eeg信号进行对齐处理,并通过双vit网络架构同时对音频和eeg信号特征进行分析处理,有效地捕捉音频和脑电两种模态的信息,对两种信号的综合处理可以形成互补,得到准确的鼾声检测结果。
9、进一步地,音频信号的预处理方法如下:
10、s211:对音频信号进行重采样处理,将所有的音频信号的采样率统一调节为f1。
11、s212:采用宽度为t1、步长为t2的滑窗沿时间轴提取音频信号的信号片段st1。
12、s213:在每个信号片段st1中,采用宽度为t3、步长为t4的滑窗提取信号子片段st1。
13、s214:对于每一个信号子片段st1进行128段的梅尔频谱转换,得到一个58×128×1的梅尔频谱图m1。
14、s215:对梅尔频谱图m1进行vit解析,提取出cls令牌向量c1作为每一个信号子片段st1的特征向量。
15、进一步地,脑电信号的预处理方法如下:
16、s221:对脑电信号进行重采样处理,将所有的音频信号的采样率统一调节为f2。
17、s222:采用宽度为t1、步长为t2的滑窗沿时间轴提取脑电信号的信号片段st2。
18、s223:在每个信号片段st2中,采用宽度为t5、步长为t6的滑窗提取信号子片段st2。
19、s224:对于每一个信号子片段st2进行16段的梅尔频谱转换,得到一个7×16×1的梅尔频谱图m2。
20、s225:对梅尔频谱图m2进行vit解析,提取出cls令牌向量c2作为每一个信号子片段st2的特征向量。
21、进一步地,mlp全接连网络的训练方法如下:
22、s321:采集睡眠数据。
23、s322:睡眠数据标注:采用现有的鼾声检测方法识别鼾声,经过人工确认后,将对应的数据标记为“打鼾”,进而得到标注数据。
24、s323:模拟环境噪声,对标注数据进行数据增强。
25、s324:对增强后的标注数据进行有监督训练。
26、本专利技术还提供一种结合脑电波的高精度鼾声检测系统,控制系统包括采集模块、预处理模块和预测模块。
27、采集模块用于采集目标人员的脑电信号及单通道的音频信号。
28、预处理模块包括脑电信号预处理子模块和音频信号预处理子模块。脑电信号预处理子模块用于提取脑电信号子片段,并提取出每个脑电信号子片段的特征向量c2。音频信号预处理子模块用于提取音频信号子片段,并提取出每个音频信号子片段的特征向量c1。
29、预测模块用于将特征向量c1、特征向量c2拼接后,输入mlp全接连网络进行预测,得到打鼾预测结果。
30、相较于现有技术,本专利技术具有如下有益效果:
31、本专利技术使用特定的频域转化方法,将采样率差异较大的音频和eeg信号进行对齐处理,并通过双vit网络架构同时对音频和eeg信号特征进行分析处理,有效地捕捉音频和脑电两种模态的信息,对两种信号的综合处理可以形成互补,得到准确的鼾声检测结果。
32、本专利技术通过科学合理的数据准备和数据增强手段,让模型更好地学习环境噪声和他人打鼾的情形,以较低的成本得到大量复杂情况下的高质量训练数据,极大提升模型的鲁棒性。同时基于音频和eeg信号进行预测,可以更好地处理两种信号的优缺点,形成互补,从而更有效地应对复杂的环境噪声、特别是他人打鼾的情形,极大提升模型的准确性。
本文档来自技高网...【技术保护点】
1.一种结合脑电波的高精度鼾声检测方法,其特征在于,所述控制方法包括如下步骤:
2.根据权利要求1所述的一种结合脑电波的高精度鼾声检测方法,其特征在于,所述音频信号的预处理方法如下:
3.根据权利要求1所述的一种结合脑电波的高精度鼾声检测方法,其特征在于,所述脑电信号的预处理方法如下:
4.根据权利要求1所述的一种结合脑电波的高精度鼾声检测方法,其特征在于,所述MLP全接连网络的训练方法如下:
5.一种结合脑电波的高精度鼾声检测系统,其采用如权利要求1至4中任意一项所述的一种结合脑电波的高精度鼾声检测方法,其特征在于,所述控制系统包括:
【技术特征摘要】
1.一种结合脑电波的高精度鼾声检测方法,其特征在于,所述控制方法包括如下步骤:
2.根据权利要求1所述的一种结合脑电波的高精度鼾声检测方法,其特征在于,所述音频信号的预处理方法如下:
3.根据权利要求1所述的一种结合脑电波的高精度鼾声检测方法,其特征在于,所述脑电信号的预...
【专利技术属性】
技术研发人员:岑年,罗森飚,
申请(专利权)人:上海金科汤姆猫生命科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。