一種自適應(yīng)的鼾聲信號(hào)檢測(cè)方法
【專利摘要】本發(fā)明提供了一種自適應(yīng)的鼾聲信號(hào)檢測(cè)方法，步驟如下：步驟1，對(duì)獲得的睡眠音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)得到聲音事件；步驟2，對(duì)步驟1獲得的聲音事件進(jìn)行特征提取，得到Mel頻率倒譜系數(shù)；步驟3，對(duì)步驟2所提取的特征進(jìn)行聚類，確定鼾聲和非鼾聲信號(hào)。本發(fā)明可以有效檢測(cè)出睡眠音頻信號(hào)中的鼾聲信號(hào)，檢測(cè)結(jié)果準(zhǔn)確，性能優(yōu)良。
【專利說(shuō)明】
_種自適應(yīng)的聲信號(hào)檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于音頻信號(hào)處理領(lǐng)域，特別設(shè)計(jì)一種自適應(yīng)的鼾聲信號(hào)檢測(cè)算法。
【背景技術(shù)】
[0002] 鼾聲是入睡后發(fā)出的粗重鼻息聲。打鼾是一種十分普遍的現(xiàn)象，大約有20 %~ 40%的人群患有打鼾癥狀。睡眠時(shí)上氣道咽腔肌肉張力相對(duì)降低，上氣道塌陷。當(dāng)氣流通過(guò) 上氣道的狹窄部位時(shí)，氣流變得湍急并引起組織振動(dòng)，從而出現(xiàn)鼾聲。更具體地，打鼾可以 表征為軟腭、咽壁、會(huì)厭和舌頭的振動(dòng)。打鼾不僅困擾患者、影響同伴，還會(huì)對(duì)患者健康造成 威脅。響亮的呼嚕聲可能會(huì)吵得旁人整夜不得安睡，使得同伴睡眠質(zhì)量大大降低，甚至可能 患上繼發(fā)性睡眠障礙，造成工作生活的不和諧。打鼾還是睡眠呼吸障礙最常見(jiàn)的癥狀。阻塞 性睡眠呼吸暫停綜合癥也是一種伴有打鼾的呼吸疾病，它會(huì)導(dǎo)致患者白天的嗜睡和疲勞， 也是心血管疾病的一個(gè)誘因。目前診斷和評(píng)估打鼾的主要技術(shù)手段是多導(dǎo)睡眠圖，但是它 需要患者整夜待在睡眠實(shí)驗(yàn)室中并連接大量的生理電極。由于具有非侵入式、廉價(jià)易用的 特點(diǎn)，鼾聲信號(hào)的聲學(xué)分析方法已引起廣泛關(guān)注和研究，并表現(xiàn)出極大的潛力。
[0003] Duckitt等人[20]提出一種基于隱馬爾可夫模型(Hidden Markov Model，ΗΜΜ)和 Mel頻率倒譜系數(shù)特征(Mel-Frequency Cepstral Coefficients，MFCCs)的方案，將音頻信 號(hào)分成鼾聲、呼吸、羽絨被噪聲、其他噪聲和無(wú)聲五個(gè)類別，但是鼾聲判別的準(zhǔn)確度僅有 82%-89%<Xa VuS〇glu等人[21]利用信號(hào)能量和過(guò)零率進(jìn)行聲音事件的檢測(cè)，并提出聲音 事件的500Hz子帶能量分布特征，經(jīng)過(guò)主成分分析(Principal ComponentAnalysis，PCA)發(fā) 現(xiàn)二維特征上鼾聲非鼾聲的分布存在明顯差異，因此利用穩(wěn)健線性回歸(Robust Linear Regression，RLR)分析將聲音事件分成鼾聲非鼾聲兩個(gè)類別，取得了較好的鼾聲檢測(cè)性能。 Dafna等人[22]則提出一種基于高斯混合模型(Gaussian Mixture Model，GMM)的方法，并 提取聲音事件在時(shí)間域、能量域和頻域上的聲學(xué)特征進(jìn)行分析，其鼾聲判別的準(zhǔn)確度達(dá)到 96.02%。以上介紹的方法都是監(jiān)督的，需要訓(xùn)練數(shù)據(jù)，也有無(wú)監(jiān)督的檢測(cè)算法。Azarbarzin 等人[23]，[24]提出了一種無(wú)監(jiān)督的鼾聲檢測(cè)算法，利用PCA分析了聲音事件的500Hz子帶 能量分布特征，并采用K-均值(K-means，KM)或模糊C-均值(Fuzzy C-means，F(xiàn)CM)聚類算法 將聲音事件分成鼾聲、呼吸和噪聲三個(gè)類別。值得注意的是500Hz子帶能量分布特征并不能 表征人耳聽(tīng)覺(jué)特性，這可能會(huì)導(dǎo)致較差的陽(yáng)性預(yù)測(cè)值(Positive Predictive Value，PPV)。
[0004] 總之，監(jiān)督的鼾聲檢測(cè)方法通常需要比較大的訓(xùn)練數(shù)據(jù)，而且其鼾聲檢測(cè)的性能 也受制于訓(xùn)練數(shù)據(jù)的選擇。相比較而言，目前無(wú)監(jiān)督的方法雖然不需要訓(xùn)練數(shù)據(jù)，但是其檢 測(cè)性能還不夠優(yōu)越。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種高效、可靠的自適應(yīng)的鼾聲信號(hào)檢測(cè)方法，從睡眠音 頻信號(hào)中檢測(cè)出鼾聲信號(hào)。
[0006] 實(shí)現(xiàn)本發(fā)明的技術(shù)解決方案為:一種自適應(yīng)的鼾聲信號(hào)檢測(cè)方法，步驟如下：
[0007] 步驟I，對(duì)獲得的睡眠音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)得到聲音事件；
[0008] 步驟2，對(duì)步驟1獲得的聲音事件進(jìn)行特征提取，得到Mel頻率倒譜系數(shù)；
[0009]步驟3,對(duì)步驟2所提取的特征進(jìn)行聚類，確定鼾聲和非鼾聲信號(hào)。
[0010] 進(jìn)一步地，步驟1所述對(duì)獲得的睡眠音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)得到聲音事件，具體如 下：
[0011] (1.1)對(duì)睡眠音頻信號(hào)進(jìn)行預(yù)處理，包括帶通濾波和歸一化，得到信號(hào)Y;
[0012] (1.2)初始化聲音事件檢測(cè)時(shí)間點(diǎn)，n = L+1;定義時(shí)間預(yù)設(shè)值Γ;
[0013] (1.3)在當(dāng)前時(shí)間點(diǎn)η，定義一個(gè)如下形式的矩形盒子：
[0014] B(L,H,n,Yn) = [n-L,n]X[Yn-H,Yn+H]
[0015]其中，Yn是信號(hào)Y在時(shí)間點(diǎn)n時(shí)的采樣值;L>1，表示矩形盒子的寬度;2H>0,表示 矩形盒子的高度;其中矩形盒子的參數(shù)H設(shè)置如下：
[0016] 計(jì)算Ns內(nèi)每M ms的信號(hào)采樣點(diǎn)絕對(duì)值之和，并選取其中的最小值作為H值設(shè)置的 參考值，設(shè)選取的N s內(nèi)的信號(hào)為Y(n)，每Mms的S個(gè)采樣點(diǎn)看作一幀，第i幀記為Yi(n)，共有 fn幀，則右-
[0017]
[0018] 其中，a為與采樣頻率相關(guān)的系數(shù)；
[0019] (1.4)在當(dāng)前時(shí)間點(diǎn)11，對(duì)落入矩形盒子8仏，!1，11，￥11)中的采樣點(diǎn)進(jìn)行計(jì)數(shù)，并用1^ (η)表示如下：
[0020]
[0021 ] 其中，Yn-定會(huì)在矩形盒子B(L，H，n，Yn)中，Yn不計(jì)入bui(n);
[0022] (1.5)如果滿足如下關(guān)系就給出標(biāo)記，否則不給出標(biāo)記，關(guān)系式如下：
[0023] bLH(nKLX0
[0024] 其中，0<θ<1;
[0025] (1.6)如果時(shí)間點(diǎn)已到達(dá)數(shù)據(jù)末尾，則轉(zhuǎn)到步驟(1.7);否則，矩形盒子右移固定數(shù) 量的采樣點(diǎn)，也就是η自增固定數(shù)值，轉(zhuǎn)到步驟(1.3);
[0026] (1.7)對(duì)于所有給出標(biāo)記的矩形盒子，該矩形盒子所在時(shí)間就是聲音事件所在時(shí) 間；對(duì)于相隔時(shí)間Sr的矩形盒子進(jìn)行合并，認(rèn)為是同一個(gè)聲音事件;判別出的聲音事件如 果持續(xù)時(shí)長(zhǎng) < 預(yù)設(shè)值r則丟棄，認(rèn)為不可能是鼾聲信號(hào)。
[0027] 進(jìn)一步地，步驟2所述對(duì)步驟1獲得的聲音事件進(jìn)行特征提取，得到Mel頻率倒譜系 數(shù)，具體如下：
[0028] (2.1)將聲音信號(hào)進(jìn)行Nl點(diǎn)傅里葉變換，公式如下：
[0029]
[0030]其中，此處j為虛數(shù)單位，OSKNl-I，y[m]是輸入的聲音事件音頻信號(hào)，w[m]是 Hamming窗函數(shù)；
[0031] (2.2)計(jì)算通過(guò)Mel濾波器的輸出能量Ε(σ)，
[0032]
[0033] 其中1彡〇彡M，M是Mel尺度下濾波組的數(shù)目，|Y(1) I2是Mel頻率帶中第1條譜線信 號(hào)的能量，Wc3(I)則是與|Y(1) I2相應(yīng)的第1條譜線的頻率響應(yīng)函數(shù)；
[0034] (2.3)進(jìn)行對(duì)數(shù)計(jì)算和離散余弦變換DCT得到Mel頻率倒譜系數(shù)Cm:
[0035]
[0036]其中，m(〇-0.5)是求DCT變換的公式，Cm是Mel頻率倒譜系數(shù)。
[0037] 進(jìn)一步地，步驟3所述對(duì)步驟2所提取的特征進(jìn)行聚類，確定鼾聲和非鼾聲信號(hào)，具 體如下：
[0038] (3.1)初始化算法，從η個(gè)聲音事件的d維特征集X= Ix1，…，χη}中選取k個(gè)作為聚類 中心C={ci，···，ck};
[0039] (3.2)對(duì)于每個(gè)聲音事件的特征X1，計(jì)算其隸屬函數(shù)m(Cj I Xl)和權(quán)重函數(shù)w(Xl);其 中^#父，乂={11，一，1 11}表示11個(gè)聲音事件的(1維特征集，1]1((^|1〇表示聲音事件的特征11屬 于聚類中心Cj的比重，W(X 1)表示聲音事件的特征^在重新計(jì)算聚類中心時(shí)的影響程度；
[0040] (3.3)對(duì)于每個(gè)聚類中心根據(jù)聲音事件特征X1的隸屬函數(shù)和權(quán)重函數(shù)重新計(jì)算 位置，
[0041]
[0042] (3.4)重復(fù)步驟(3.2)和步驟(3.3)直至收斂，收斂判斷方法是目標(biāo)函數(shù)不再發(fā)生 變化即圖形曲線上目標(biāo)函數(shù)值趨于穩(wěn)定，或達(dá)到指定迭代次數(shù)。
[0043]本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為：（1)可以自適應(yīng)地進(jìn)行睡眠音頻信號(hào)中的 鼾聲信號(hào)檢測(cè)；（2)檢測(cè)結(jié)果準(zhǔn)確，性能優(yōu)良；（3)能夠及時(shí)準(zhǔn)確地分析整夜的音頻信號(hào)，檢 測(cè)出其中的鼾聲信號(hào)，具有非侵入式、廉價(jià)易用的優(yōu)點(diǎn)。
[0044]下面結(jié)合說(shuō)明書附圖對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
【附圖說(shuō)明】
[0045] 圖1為本發(fā)明自適應(yīng)的鼾聲信號(hào)檢測(cè)方法的流程圖。
[0046] 圖2為本發(fā)明的一段待處理的睡眠音頻信號(hào)圖。
[0047] 圖3為本發(fā)明的聲音事件的端點(diǎn)檢測(cè)的結(jié)果圖。
[0048] 圖4為本發(fā)明的鼾聲信號(hào)檢測(cè)的結(jié)果圖。
【具體實(shí)施方式】
[0049] 結(jié)合圖1，本發(fā)明自適應(yīng)的鼾聲信號(hào)檢測(cè)算法，方法步驟如下：
[0050] 步驟1，對(duì)獲得的睡眠音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)得到聲音事件，具體如下：
[0051] (1.1)對(duì)睡眠音頻信號(hào)進(jìn)行預(yù)處理，包括帶通濾波和歸一化，得到信號(hào)Y;
[0052] (1.2)初始化聲音事件檢測(cè)時(shí)間點(diǎn)，n = L+1;定義時(shí)間預(yù)設(shè)值r為200ms;
[0053] (1.3)在當(dāng)前時(shí)間點(diǎn)n，定義一個(gè)如下形式的矩形盒子：
[0054] B(L，H，n，Yn) = [n-L，n]X[ Yn-H，Υη+Η ]
[0055] 其中，Yn是信號(hào)Y在時(shí)間點(diǎn)η時(shí)的采樣值;L> I，表示矩形盒子的寬度;2H>0,表示 矩形盒子的高度;其中矩形盒子的參數(shù)H設(shè)置如下：
[0056] 計(jì)算Ns內(nèi)每M ms的信號(hào)采樣點(diǎn)絕對(duì)值之和，并選取其中的最小值作為H值設(shè)置的 參考值，設(shè)選取的N s內(nèi)的信號(hào)為Y(n)，每Mms的S個(gè)采樣點(diǎn)看作一幀，第i幀記為Yi(n)，共有 fn幀，則有，
[0057]
[0058] 其中，a為與采樣頻率相關(guān)的系數(shù);對(duì)于本文而言，考慮到信號(hào)的采樣頻率為8KHZ， a設(shè)置為525時(shí)可以取得較好的端點(diǎn)檢測(cè)性能。
[0059] (1.4)在當(dāng)前時(shí)間點(diǎn)11，對(duì)落入矩形盒子8仏，!1，11，￥11)中的采樣點(diǎn)進(jìn)行計(jì)數(shù)，并用1^ (η)表示如下：
[0060]
[0061 ] 其中，Yn-定會(huì)在矩形盒子B(L，H，n，Yn)中，Y n不計(jì)入bui(n);
[0062] (1.5)如果滿足如下關(guān)系就給出標(biāo)記，否則不給出標(biāo)記，關(guān)系式如下：
[0063] bLH(nKLX0
[0064] 其中，0<θ<1;
[0065] (1.6)如果時(shí)間點(diǎn)已到達(dá)數(shù)據(jù)末尾，則轉(zhuǎn)到步驟(1.7);否則，矩形盒子右移固定數(shù) 量的采樣點(diǎn)，也就是η自增固定數(shù)值，使采樣點(diǎn)重疊80%，轉(zhuǎn)到步驟(1.3);
[0066] (1.7)對(duì)于所有給出標(biāo)記的矩形盒子，該矩形盒子所在時(shí)間就是聲音事件所在時(shí) 間；對(duì)于相隔時(shí)間Sr的矩形盒子進(jìn)行合并，認(rèn)為是同一個(gè)聲音事件;判別出的聲音事件如 果持續(xù)時(shí)長(zhǎng) < 預(yù)設(shè)值r則丟棄，認(rèn)為不可能是鼾聲信號(hào)。
[0067] 步驟2,對(duì)步驟1獲得的聲音事件進(jìn)行特征提取，得到Mel頻率倒譜系數(shù)，具體如下：
[0068] (2.1)將聲音信號(hào)進(jìn)行Nl點(diǎn)傅里葉變換，公式如下：
[0069]
[0070]其中，此處j為虛數(shù)單位，OSKNl-I，y[m]是輸入的聲音事件音頻信號(hào)，w[m]是 Hamming窗函數(shù)；
[0071] (2.2)計(jì)算通過(guò)Mel濾波器的輸出能量Ε(σ)，
[0072]
[0073]其中1彡〇彡M，M是Mel尺度下濾波組(Mel窗）的數(shù)目，I Y(I) 12是Mel頻率帶中第1條 譜線信號(hào)的能量，w。⑴則是與|γ(ι) I2相應(yīng)的第1條譜線的頻率響應(yīng)函數(shù)；
[0074] (2.3)進(jìn)行對(duì)數(shù)計(jì)算和離散余弦變換DCT得到Mel頻率倒譜系數(shù)(MFCC) Cm:
[0075]
[0076]其中，m(〇-0.5)是求DCT變換的公式，Cm是Mel頻率倒譜系數(shù)。
[0077]步驟3,對(duì)步驟2所提取的特征進(jìn)行聚類，確定鼾聲和非鼾聲信號(hào)，具體如下：
[0078] (3.1)初始化算法，從η個(gè)聲音事件的d維特征集X= Ix1，…，χη}中選取k個(gè)作為聚類 中心C={ci，···，ck};
[0079] (3.2)對(duì)于每個(gè)聲音事件的特征X1，計(jì)算其隸屬函數(shù)m(Cj I Xl)和權(quán)重函數(shù)w(Xl);其 中^#父，乂={11，一，1 11}表示11個(gè)聲音事件的(1維特征集，1]1((^|1〇表示聲音事件的特征11屬 于聚類中心Cj的比重，W(X 1)表示聲音事件的特征^在重新計(jì)算聚類中心時(shí)的影響程度；
[0080] (3.3)對(duì)于每個(gè)聚類中心根據(jù)聲音事件特征X1的隸屬函數(shù)和權(quán)重函數(shù)重新計(jì)算 位置，
[0081：
[0082] (3.4)重復(fù)步驟(3.2)和步驟(3.3)直至收斂，收斂判斷方法是目標(biāo)函數(shù)不再發(fā)生 變化即圖形曲線上目標(biāo)函數(shù)值趨于穩(wěn)定，或達(dá)到指定迭代次數(shù)。
[0083] 實(shí)施例1
[0084] 步驟1中聲音事件的端點(diǎn)檢測(cè)的具體方法為：
[0085] 步驟1.1，對(duì)睡眠音頻信號(hào)進(jìn)行預(yù)處理，包括濾波（50~4000Hz帶通)和歸一化，得 到信號(hào)Y;
[0086] 步驟1.2，初始化聲音事件檢測(cè)時(shí)間點(diǎn)，n = L+1。定義時(shí)間預(yù)設(shè)值r;
[0087] 步驟1.3,在當(dāng)前時(shí)間點(diǎn)η，定義一個(gè)如下形式的矩形盒子，
[0088] B(L,H,n,Yn) = [n-L,n] Χ[Υη-Η,Υη+Η]
[0089] 其中，Yn是信號(hào)Y在時(shí)間點(diǎn)η時(shí)的采樣值;L> I，表示矩形盒子的寬度;2Η>0，表示 矩形盒子的高度。
[0090 ]步驟1.4，在當(dāng)前時(shí)間點(diǎn)η，對(duì)落入矩形盒子B (L，H，η，Yn)中的采樣點(diǎn)進(jìn)行計(jì)數(shù)， [0091：
[0092] 可以注意到的是，Yn-定會(huì)在矩形盒子B(L，H，n,Yn)中，它不計(jì)入Im(η)。
[0093] 步驟1.5,如果滿足如下關(guān)系就給出標(biāo)記(否則不給出標(biāo)記），
[0094] bLH(n)^LX0
[0095] 其中，0<θ<1。
[0096] 步驟1.6,如果時(shí)間點(diǎn)已到達(dá)數(shù)據(jù)末尾，則轉(zhuǎn)到步驟1.7;否則，矩形盒子右移一定 數(shù)量的采樣點(diǎn)，也就是η自增一定數(shù)值，轉(zhuǎn)到步驟1.3;
[0097] 步驟1.7,對(duì)于所有給出標(biāo)記的矩形盒子，認(rèn)為該矩形盒子所在時(shí)間就是聲音事件 所在時(shí)間。對(duì)于相隔不高于200ms的矩形盒子，進(jìn)行合并，認(rèn)為是同一個(gè)聲音事件。判別出的 聲音事件如果時(shí)長(zhǎng)低于200ms，則丟棄，認(rèn)為不可能是鼾聲信號(hào)。
[0098] 步驟1中所述矩形盒子的參數(shù)H的設(shè)置如下：
[0099]計(jì)算IOs內(nèi)每500ms的信號(hào)采樣點(diǎn)絕對(duì)值之和，并選取其中的最小值作為H值設(shè)置 的參考值。設(shè)選取的IOs內(nèi)的信號(hào)為x(n)，每500ms(N個(gè)采樣點(diǎn))看作一幀，第i幀記為Xi(n)， 共有fn幀，則有，
[0100]
[0101] 其中，a為系數(shù)。
[0102] 步驟2中聲音事件的Mel頻率倒譜系數(shù)獲取步驟如下：
[0103] 步驟2.1，將聲音信號(hào)進(jìn)行Nl點(diǎn)傅里葉變換，公式如下：
[0104]
[0105] 其中，此處j為虛數(shù)單位，OSKNl-I，y[m]是輸入的聲音事件音頻信號(hào)，w[m]是 Hamming窗函數(shù)；
[0106] 步驟2.2，計(jì)算通過(guò)Mel濾波器的輸出能量E(〇)，
[0107]
[0108] 其中1彡σ彡M，M是Mel尺度下濾波組的數(shù)目，|Y(1) I2是Mel頻率帶中第1條譜線信 號(hào)的能量，Wc3(I)則是與|Y(1) I2相應(yīng)的第1條譜線的頻率響應(yīng)函數(shù)；
[0109] 步驟2.3，進(jìn)行對(duì)數(shù)計(jì)算和離散余弦變換DCT得到Mel頻率倒譜系數(shù)Cm:
[0110]
[0111]其中，m(〇-0.5)是求DCT變換的公式，Cm是Mel頻率倒譜系數(shù)。
[0112] 步驟3中聚類算法以K-調(diào)和均值(k-harmonic means，KHM)聚類為例，步驟如下：
[0113] 步驟3.1，算法初始化，初始化算法，從η個(gè)聲音事件的d維特征集X= {XI，…，Xn}中 選取k個(gè)作為聚類中心C={C1，-_，ck}。如果只需要將信號(hào)分為鼾聲和非鼾聲兩類，則取值為 k = 2〇
[0114] 步驟3.2,計(jì)算目標(biāo)函數(shù)，
[0115]
[0116] 其中，Xi e X，X ={X1，…，χη}表示η個(gè)聲音事件的d維特征數(shù)據(jù)點(diǎn)集;P是輸入?yún)?shù)， 通常P彡2,可以取值為p = 3.5。
[0117] 步驟3.3,對(duì)于每個(gè)聲音事件的特征Xi，計(jì)算其在每個(gè)中心Cj的隸屬函數(shù)m(Cj I Xi) 和權(quán)重函數(shù)W(Xi)，
[0118]
[0119]
[0120] 其中，隸屬函數(shù)m(Cj I Xl)表示聲音事件的特征xj于中心的比重，權(quán)重函數(shù)W(X1) 表示聲音事件的特征Xi在重新計(jì)算中心時(shí)的影響程度；
[0121] 步驟3.4,對(duì)于每個(gè)中心根據(jù)所有聲音事件的特征^的隸屬函數(shù)和權(quán)重函數(shù)，重 新計(jì)算其位置，
[0122]
[0123] 步驟3.5,重復(fù)步驟3.2~3.4直到滿足給定的迭代次數(shù)或者目標(biāo)函數(shù)KHM(X，C)不 再產(chǎn)生明顯變化；
[0124] 步驟3.6，根據(jù)最大的隸屬函數(shù)m(Cj I Xi)，將各聲音事件的特征Xi分到中心Cj中。
[0125] 通過(guò)以上步驟最后就能從睡眠音頻信號(hào)中檢測(cè)出鼾聲信號(hào)。
[0126] 結(jié)合圖2~4,首先需要采集到睡眠時(shí)的音頻信號(hào)，為了方便處理，對(duì)音頻信號(hào)進(jìn)行 分割，圖2是一段分割后的睡眠音頻信號(hào);對(duì)該信號(hào)做相應(yīng)的預(yù)處理和端點(diǎn)檢測(cè)，識(shí)別出其 中的聲音事件，圖3給出了聲音事件的端點(diǎn)檢測(cè)結(jié)果，紅線標(biāo)記就是檢測(cè)出的聲音事件;然 后提取聲音事件的Mel頻率倒譜系數(shù)特征;最后根據(jù)KHM算法對(duì)其進(jìn)行聚類，從而區(qū)分出鼾 聲信號(hào)，如圖4所示，綠線標(biāo)記就是檢測(cè)出的鼾聲信號(hào)。綜上所述，本發(fā)明可以自適應(yīng)地進(jìn)行 睡眠音頻信號(hào)中的鼾聲信號(hào)檢測(cè)，檢測(cè)結(jié)果準(zhǔn)確、性能優(yōu)良。
【主權(quán)項(xiàng)】
1. 一種自適應(yīng)的韓聲信號(hào)檢測(cè)方法，其特征在于，步驟如下： 步驟1，對(duì)獲得的睡眠音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)得到聲音事件； 步驟2,對(duì)步驟1獲得的聲音事件進(jìn)行特征提取，得到Mel頻率倒譜系數(shù)； 步驟3,對(duì)步驟2所提取的特征進(jìn)行聚類，確定韓聲和非韓聲信號(hào)。2. 根據(jù)權(quán)利要求書1所述的自適應(yīng)的韓聲信號(hào)檢測(cè)方法，其特征在于，步驟1所述對(duì)獲 得的睡眠音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)得到聲音事件，具體如下： (1.1) 對(duì)睡眠音頻信號(hào)進(jìn)行預(yù)處理，包括帶通濾波和歸一化，得到信號(hào)Y; (1.2) 初始化聲音事件檢測(cè)時(shí)間點(diǎn)，η = L+1;定義時(shí)間預(yù)設(shè)值Γ; (1.3) 在當(dāng)前時(shí)間點(diǎn)η，定義一個(gè)如下形式的矩形盒子： B(L,H,n,Yn) = [n-L,n]X[Yn-H,Yn+H] 其中，Υη是信號(hào)Y在時(shí)間點(diǎn)η時(shí)的采樣值;L> 1，表示矩形盒子的寬度;2H>0，表示矩形盒 子的高度;其中矩形盒子的參數(shù)Η設(shè)置如下： 計(jì)算Ns內(nèi)每Mms的信號(hào)采樣點(diǎn)絕對(duì)值之和，并選取其中的最小值作為Η值設(shè)置的參考 值，設(shè)選取的化內(nèi)的信號(hào)為Υ(η)，每Mms的S個(gè)采樣點(diǎn)看作一帖，第i帖記為Υι(η)，共有fn帖， 則有，其中，a為與采樣頻率相關(guān)的系數(shù)； (1.4) 在當(dāng)前時(shí)間點(diǎn)n，對(duì)落入矩形盒子B(L，H，n，Yn)中的采樣點(diǎn)進(jìn)行計(jì)數(shù)，并用bLH(n) 表示如下：其中，Υη-定會(huì)在矩形盒子Β?Χ,Η,η,Υη)中，Υη不計(jì)入bLH(n); (1.5) 如果滿足如下關(guān)系就給出標(biāo)記，否則不給出標(biāo)記，關(guān)系式如下： bLH(n)《LX 白 其中，0<θ<1; (1.6) 如果時(shí)間點(diǎn)已到達(dá)數(shù)據(jù)末尾，則轉(zhuǎn)到步驟（1.7);否則，矩形盒子右移固定數(shù)量的 采樣點(diǎn)，也就是η自增固定數(shù)值，轉(zhuǎn)到步驟(1.3); (1.7) 對(duì)于所有給出標(biāo)記的矩形盒子，該矩形盒子所在時(shí)間就是聲音事件所在時(shí)間；對(duì) 于相隔時(shí)間的矩形盒子進(jìn)行合并，認(rèn)為是同一個(gè)聲音事件;判別出的聲音事件如果持續(xù) 時(shí)長(zhǎng)《預(yù)設(shè)值Γ則丟棄，認(rèn)為不可能是韓聲信號(hào)。3. 根據(jù)權(quán)利要求書1所述的自適應(yīng)的韓聲信號(hào)檢測(cè)方法，其特征在于，步驟2所述對(duì)步 驟1獲得的聲音事件進(jìn)行特征提取，得到Mel頻率倒譜系數(shù)，具體如下： (2.1)將聲音信號(hào)進(jìn)行N1點(diǎn)傅里葉變換，公式如下：其中，此處j為虛數(shù)單位，〇《1《^-1，7[111]是輸入的聲音事件音頻信號(hào)，*[111]是 Hamming窗函數(shù)； (2.2) 計(jì)算通過(guò)Me 1濾波器的輸出能量E (曰），其中是Mel尺度下濾波組的數(shù)目，|Υ(1) I2是Mel頻率帶中第1條譜線信號(hào)的能 量，胖。(1)則是與|Υ(1) I2相應(yīng)的第1條譜線的頻率響應(yīng)函數(shù)； (2.3) 進(jìn)行對(duì)數(shù)計(jì)算和離散余弦變換DCT得到Mel頻率倒譜系數(shù)Cm:其中，m( σ-0.5)是求DCT變換的公式，Cm是Mel頻率倒譜系數(shù)。4.根據(jù)權(quán)利要求書1所述的自適應(yīng)的韓聲信號(hào)檢測(cè)方法，其特征在于，步驟3所述對(duì)步 驟2所提取的特征進(jìn)行聚類，確定韓聲和非韓聲信號(hào)，具體如下： (3.1) 初始化算法，從η個(gè)聲音事件的d維特征集X= 1x1，…，xn}中選取k個(gè)作為聚類中屯、 C=ki，...，ck}; (3.2) 對(duì)于每個(gè)聲音事件的特征xi，計(jì)算其隸屬函數(shù)m(cj|xi)和權(quán)重函數(shù)w(xi);其中，xi eX，X= {xi,…，χη}表示η個(gè)聲音事件的d維特征集，m(cj |xi)表示聲音事件的特征xi屬于聚 類中屯、C北勺比重，W(Xi)表示聲音事件的特征XI在重新計(jì)算聚類中屯、時(shí)的影響程度； (3.3) 對(duì)于每個(gè)聚類中屯、cj，根據(jù)聲音事件特征XI的隸屬函數(shù)和權(quán)重函數(shù)重新計(jì)算位 置，(3.4) 重復(fù)步驟(3.2)和步驟(3.3)直至收斂，收斂判斷方法是目標(biāo)函數(shù)不再發(fā)生變化 即圖形曲線上目標(biāo)函數(shù)值趨于穩(wěn)定，或達(dá)到指定迭代次數(shù)。
【文檔編號(hào)】A61B5/00GK105962897SQ201610271099
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年4月27日
【發(fā)明人】洪弘, 顧李萍, 馬干軍, 楊宇鑫, 顧陳, 李彧晟, 朱曉華
【申請(qǐng)人】南京理工大學(xué)