基于多特征的夜间睡眠声信号分析方法.pdf

摘要
申请专利号：	CN201310295535.1	申请日：	2013.07.15
公开号：	CN103345921A	公开日：	2013.10.09
当前法律状态：	授权	有效性：	有权
法律详情：	著录事项变更IPC(主分类):G10L 15/02变更事项:发明人变更前:许志勇钱昆吴亚琦赵兆韩东旭变更后:许志勇钱昆吴亚琦赵兆韩东旭王蓓\|\|\|授权\|\|\|实质审查的生效IPC(主分类):G10L 15/02申请日:20130715\|\|\|公开
IPC分类号：	G10L15/02; G10L15/04(2013.01)I; G10L25/48(2013.01)I	主分类号：	G10L15/02
申请人：	南京理工大学
发明人：	许志勇; 钱昆; 吴亚琦; 赵兆; 韩东旭
地址：	210094 江苏省南京市孝陵卫200号
优先权：
专利代理机构：	南京理工大学专利中心 32203	代理人：	马鲁晋
PDF下载：	PDF下载

内容摘要

本发明公开了一种基于多特征的夜间睡眠声信号分析方法。该方法首先读取用麦克风录制的待测者夜间睡眠声信号数据，通过短时能量门限方法对夜间睡眠声信号进行端点检测；然后利用一系列信号处理算法对夜间睡眠声信号的多个声学特征进行提取；最后通过基本的统计学方法对待测者的各项夜间睡眠声信号特征建立可供后续分析和研究的数据库。本发明实现容易，方法简单，开发成产品后硬件成本小，应用前景广阔。

权利要求书

权利要求书
1.  一种基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤如下：
步骤1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声信号进行端点检测，将“无声段”数据滤除；
步骤2、对通过端点检测的夜间睡眠声信号进行多特征提取；
步骤3、对步骤2提取出的多个特征建立数据库，并对特征的分布进行统计。

2.  根据权利要求1所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤1对夜间睡眠声信号进行端点检测具体包括以下步骤：
步骤1-1、对夜间睡眠声信号数据进行短时分帧处理，“帧长”为64ms，“帧移”为32ms，“一帧”数据视为一个样本；
步骤1-2、将起始点设为当前读取的“帧”序号n=k，并指针j清零；
步骤1-3、利用公式确定当前读取“帧”的短时能量；
式中，k为当前读取“帧”序号，N为样本所包含的数字信号采样点数，Ek为样本的短时能量，Sk为数字信号采样幅度；
步骤1-4、判断Ek是否大于门限值Eth，如果是，执行步骤1-5，否则当前读取“帧”序号k自增1，指针j自增1并执行步骤1-3；
步骤1-5、判断指针j是否大于间隔d，如果是，执行步骤1-6，否则执行步骤1-2；
步骤1-6、确定“终止帧”和“起始帧”，其中“终止帧”序号n终止=n-1，“起始帧”序号n起始=n–j–1。

3.  根据权利要求1所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤2对通过端点检测的夜间睡眠声信号进行多特征提取具体为：
步骤2-1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为：
w(m)=0.54-0.46cos(2πmM),0≤m≤M;]]>
式中，M为一“帧”样本的采样点数；
步骤2-2、对经过步骤2-1处理后的夜间睡眠声信号片段的每一帧均提取“频率特征”，所用公式为：
Σfi=0fcenterXfi=Σfi=fcenterfcXfi;]]>
Xfpeak=max{Xfi,fi=0,...,fc};]]>
fmean=Σfi=0fcfi*XfiΣfi=0fcXfi;]]>
fmean(j)=Σfi=1000*(j-1)1000*jfi*XfiΣfi=1000*(j-1)1000*jXfij=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率fpeak处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，[·]为取整函数，fcenter是中心频率，fpeak是峰值频率，fmean是频谱重心，fmean(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的频谱重心；
步骤2-3、对经过步骤2-1处理后的夜间睡眠声信号片段中的每一帧均提取“能量特征”，所用公式为:
BER(j)=Σfi=1000*(j-1)1000*jXfi2Σfi=0fcXfi2j=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，BER(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的能量比；
步骤2-4、对经过步骤2-1处理后的夜间睡眠声信号片段中的每一帧均提取“经验模态分解特征”，所用公式为：
Ei=&Integral;-∞+∞|ci(t)|2dti=1,2,...,l;]]>
T=[E1/E,E2/E,...,El/E],E=Σi=1lEi;]]>
HE=-Σi=1npilog2pi,pi=Ei/E;]]>
式中，ci(t)（i=1,2,…,l）是夜间睡眠声信号经过经验模态分解后得到的l层固有模态函数，Ei是第i层固有模态函数的能量，T是固有模态函数能量比特征矢量，E为各层固有模态函数的总能量，HE是固有模态函数能量熵。

4.  根据权利要求1所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤3对特征的分布进行统计包括：求出整体样本各特征的最大值、最小值、均值、方差和动态范围。

5.  根据权利要求2所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤1-4中所述的门限值Eth为麦克风噪声基底Eb的两倍，步骤1-5中间隔d为3～4。

说明书

说明书基于多特征的夜间睡眠声信号分析方法
技术领域
本发明属于用声信号处理手段实现人体夜间睡眠声信号数据库建立技术，特别是一种基于多特征的夜间睡眠声信号分析方法。
背景技术
人体的夜间睡眠声信号的分析对于开发智慧家庭中的健康监护系统极为重要。常被关注的夜间睡眠声信号通常包括鼾声、咳嗽声、呻吟等非正常语音声学信号。这些夜间睡眠声信号对于早期监护并发现异常打鼾、判断身体健康状态、监护梦夜游症有重要意义。
对于利用声学信号分析手段对待测者夜间睡眠声信号提取特征，是后续进行大规模数据分析、数学建模和模式识别的基础。台湾已有学者提出了整夜睡眠声信号数据分析的方法（1.Liao Wenhung,Su Yisyuan.Classification of audio signals in all-night sleep studies[C].Proc.18th Int.Conf.on Pattern Recognition,Hong Kong,China,August2006,302-305），但是他们并没有涉及到对待测者的夜间睡眠声信号进行数据库建立，并且所选用特征单一，物理意义也并不明确。因而不能反映出某些特定物理意义的声源信号在特征上的区分度，从而不适用于后续的分析和建模。
由上可知，现有技术存在方法不全面、功能单一、不适合后续研究等缺陷。
发明内容
本发明的目的在于提供一种基于多特征的夜间睡眠声信号分析方法。
实现本发明目的的技术解决方案为：一种基于多特征的夜间睡眠声信号分析方法，步骤如下：
步骤1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声信号进行端点检测，将“无声段”数据滤除；对夜间睡眠声信号进行端点检测具体包括以下步骤：
步骤1-1、对夜间睡眠声信号数据进行短时分帧处理，“帧长”为64ms，“帧移”为32ms，“一帧”数据视为一个样本；
步骤1-2、将起始点设为当前读取的“帧”序号n=k，并指针j清零；
步骤1-3、利用公式确定当前读取“帧”的短时能量；
式中，k为当前读取“帧”序号，N为样本所包含的数字信号采样点数，Ek为样本的短时能量，Sk为数字信号采样幅度；
步骤1-4、判断Ek是否大于门限值Eth，如果是，执行步骤1-5，否则当前读取“帧”序号k自增1，指针j自增1并执行步骤1-3；所述的门限值Eth为麦克风噪声基底Eb的两倍；
步骤1-5、判断指针j是否大于间隔d，如果是，执行步骤1-6，否则执行步骤1-2；所述间隔d为3～4。
步骤1-6、确定“终止帧”和“起始帧”，其中“终止帧”序号n终止=n-1，“起始帧”序号n起始=n–j–1。
步骤2、对通过端点检测的夜间睡眠声信号进行多特征提取；具体为：
步骤2-1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为：
w(m)=0.54-0.46cos(2πmM),0≤m≤M;]]>
式中，M为一“帧”样本的采样点数；
步骤2-2、对经过步骤2-1处理后的夜间睡眠声信号片段的每一帧均提取“频率特征”，所用公式为：
Σfi=0fcenterXfi=Σfi=fcenterfcXfi;]]>
Xfpeak=max{Xfi,fi=0,...,fc};]]>
fmean=Σfi=0fcfi*XfiΣfi=0fcXfi;]]>
fmean(j)=Σfi=1000*(j-1)1000*jfi*XfiΣfi=1000*(j-1)1000*jXfij=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率fpeak处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，[·]为取整函数，fcenter是中心频率，fpeak是峰值频率，fmean是频谱重心，fmean(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的频谱重心；
步骤2-3、对经过步骤2-1处理后的夜间睡眠声信号片段中的每一帧均提取“能量特征”，所用公式为:
BER(j)=Σfi=1000*(j-1)1000*jXfi2Σfi=0fcXfi2j=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，BER(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的能量比；
步骤2-4、对经过步骤2-1处理后的夜间睡眠声信号片段中的每一帧均提取“经验模态分解特征”，所用公式为：
Ei=&Integral;-∞+∞|ci(t)|2dti=1,2,...,l;]]>
T=[E1/E,E2/E,...,El/E],E=Σi=1lEi;]]>
HE=-Σi=1lpilog2pi,pi=Ei/E;]]>
式中，ci(t)（i=1,2,…,l）是夜间睡眠声信号经过经验模态分解后得到的l层固有模态函数，Ei是第i层固有模态函数的能量，T是固有模态函数能量比特征矢量，E为各层固有模态函数的总能量，HE是固有模态函数能量熵。
步骤3、对步骤2提取出的多个特征建立数据库，并对特征的分布进行统计。对特征的分布进行统计包括：求出整体样本各特征的最大值、最小值、均值、方差和动态范围。
本发明与现有技术相比，其显著优点为：1）本发明的方法集中提取了较为全面的多个夜间睡眠声信号特征；2）本发明对待测者夜间睡眠声信号数据进行特征提取，最后得出的统计特性能反映出待测者整夜睡眠中相关生理或行为状态的动态变化过程；3）本发明的方法实现简单，开发成硬件产品后成本较小，易于推广使用。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明基于多特征的夜间睡眠声信号分析方法的流程图。
图2是本发明对夜间睡眠声信号进行端点检测的流程图。
图3是本发明对实例中提取出的夜间睡眠声信号数据某个特征的直方图和拟合的Kernel函数曲线图。
具体实施方式
结合图1，本发明的一种基于多特征的夜间睡眠声信号分析方法，步骤如下：
步骤1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声信号进行端点检测，将“无声段”数据滤除；对夜间睡眠声信号进行端点检测具体包括以下步骤：
步骤1-1、对夜间睡眠声信号数据进行短时分帧处理，“帧长”为64ms，“帧移”为32ms，“一帧”数据视为一个样本；
步骤1-2、将起始点设为当前读取的“帧”序号n=k，并指针j清零；
步骤1-3、利用公式确定当前读取“帧”的短时能量；
式中，k为当前读取“帧”序号，N为样本所包含的数字信号采样点数，Ek为样本的短时能量，Sk为数字信号采样幅度；
步骤1-4、判断Ek是否大于门限值Eth，如果是，执行步骤1-5，否则当前读取“帧”序号k自增1，指针j自增1并执行步骤1-3；所述的门限值Eth为麦克风噪声基底Eb的两倍；
步骤1-5、判断指针j是否大于间隔d，如果是，执行步骤1-6，否则执行步骤1-2；所述中间隔d为3～4。
步骤1-6、确定“终止帧”和“起始帧”，其中“终止帧”序号n终止=n-1，“起始帧”序号n起始=n–j–1。
步骤2、对通过端点检测的夜间睡眠声信号进行多特征提取；对通过端点检测的夜间睡眠声信号进行多特征提取具体为：
步骤2-1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为：
w(m)=0.54-0.46cos(2πmM),0≤m≤M;]]>
式中，M为一“帧”样本的采样点数；
步骤2-2、对经过步骤2-1处理后的夜间睡眠声信号片段的每一帧均提取“频率特征”，所用公式为：
Σfi=0fcenterXfi=Σfi=fcenterfcXfi;]]>
Xfpeak=max{Xfi,fi=0,...,fc};]]>
fmean=Σfi=0fcfi*XfiΣfi=0fcXfi;]]>
fmean(j)=Σfi=1000*(j-1)1000*jfi*XfiΣfi=1000*(j-1)1000*jXfij=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率fpeak处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，[·]为取整函数，fcenter是中心频率，fpeak是峰值频率，fmean是频谱重心，fmean(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的频谱重心；
步骤2-3、对经过步骤2-1处理后的夜间睡眠声信号片段中的每一帧均提取“能量特征”，所用公式为:
BER(j)=Σfi=1000*(j-1)1000*jXfi2Σfi=0fcXfi2j=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，BER(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的能量比；
步骤2-4、对经过步骤2-1处理后的夜间睡眠声信号片段中的每一帧均提取“经验模态分解特征”，所用公式为：
Ei=&Integral;-∞+∞|ci(t)|2dti=1,2,...,l;]]>
T=[E1/E,E2/E,...,El/E],E=Σi=1lEi;]]>
HE=-Σi=1lpilog2pi,pi=Ei/E;]]>
式中，ci(t)（i=1,2,…,l）是夜间睡眠声信号经过经验模态分解后得到的l层固有模态函数，Ei是第i层固有模态函数的能量，T是固有模态函数能量比特征矢量，E为各层固有模态函数的总能量，HE是固有模态函数能量熵。
步骤3、对步骤2提取出的多个特征建立数据库，并对特征的分布进行统计。对特征的分布进行统计包括：求出整体样本各特征的最大值、最小值、均值、方差和动态范围。
下面结合实例对本发明做进一步详细的描述：
结合图1，本发明基于多特征的夜间睡眠声信号分析方法，步骤如下：
第一步，对麦克风录制的待测者夜间睡眠声信号数据进行“短时分帧”处理，分别计算每“一帧”（即一个样本）的短时能量值，然后按图2所示对夜间睡眠声信号进行端点检测。
（1）对用麦克风录制的夜间睡眠声数据进行读取并用“短时分帧”处理对原始数据进行50%重叠“分帧”，实例中取“帧长”为64ms，“帧移”为32ms，“一帧”夜间睡眠声数据可视为一个样本。
（2）起始点为当前读取“帧”序号n=k，指针j清零。
（3）根据公式（k表示第k个样本，N为每个样本所包含的数字信号采样点数）计算“当前帧”样本的短时能量。
（4）判断Ek是否大于门限值Eth，如果是，执行（5），否则当前读取“帧”序号k自增1，指针j自增1并执行（3），实例中Eth为0.015。
（5）判断指针j是否大于间隔d，实例中取d为3，如果是，执行（6），否则执行（2）；
（6）“终止帧”序号n终止=n-1，“起始帧”序号n起始=n–j–1。
第二步，多特征提取：如图1所示，对通过端点检测的夜间睡眠声信号数据进行多特征提取。
（1）对通过端点检测后的夜间睡眠声信号数据进行“加窗处理”（即原夜间睡眠声信号片段的每一帧均乘以一个窗函数），一般选取汉明窗，所用窗函数公式为：
w(m)=0.54-0.46cos(2πmM),0≤m≤M]]>
其中，M为一“帧”样本的采样点数，实例中为1024。
（2）提取“频率特征”：
Σfi=0fcenterXfi=Σfi=fcenterfcXfi;]]>
Xfpeak=max{Xfi,fi=0,...,fc};]]>
fmean=Σfi=0fcfi*XfiΣfi=0fcXfi;]]>
fmean(j)=Σfi=1000*(j-1)1000*jfi*XfiΣfi=1000*(j-1)1000*jXfij=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率fpeak处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，[·]为取整函数，fcenter是中心频率，fpeak是峰值频率，fmean是频谱重心，fmean(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的频谱重心。
（3）提取“能量特征”：
BER(j)=Σfi=1000*(j-1)1000*jXfi2Σfi=0fcXfi2j=1,2,...,[fs/1000];]]>
式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值，fc是截止频率，为采样频率fs的1/2，BER(j)（j=1,2,…,[fs/1000]）是各个1000Hz子频带的能量比。
（4）提取“经验模态分解特征”：
Ei=&Integral;-∞+∞|ci(t)|2dti=1,2,...,n;]]>
T=[E1/E,E2/E,...,El/E],E=Σi=1lEi;]]>
HE=-Σi=1npilog2pi,pi=Ei/E;]]>
式中，ci(t),i=1,2,…,n是夜间睡眠声信号经过经验模态分解后得到的l层固有模态函数，实例中l取为10，可由经验模态分解方法求得（2.Huang N.E.,Shen Zheng,Long R.S.,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc.R.Soc.Lond.A,1998,454(1971):903-995.），Ei是第i层固有模态函数的能量，T是固有模态函数能量比特征矢量，E为各层固有模态函数的总能量，HE是固有模态函数能量熵。
第三步，对提取出的多特征建立数据库：求出整体样本各个特征的最大值、最小值、均值、方差和动态范围（最大值与最小值之差），实例中画出了某个特征的统计直方图，拟合出该特征分布的Kernel函数曲线，Kernel函数如下：
f^h(x)=1NsΣi=1NsKh(x-xi);]]>
式中,K(·)是Kernel函数，实例中选用正态分布函数,h是Kernel函数的“带宽”，实例中取为1.06σNs-0.2（σ为该特征方差的正平方根值），xi(i=1,2,3,…,Ns)是被拟合的夜间睡眠声信号某个特征的所有数值，Ns为夜间睡眠声信号样本的个数。图3给出了夜间睡眠声信号数据的某个特征直方图和拟合的Kernel函数曲线。
由上可知，本发明的方法能够提取出夜间睡眠声信号较为全面的多项声学特征，并能通过基于统计学的分析方法对夜间睡眠声信号的特征分布情况做出分析。通过本发明的方法建立起的待测者夜间睡眠声信号多特征数据库可以为后续进行分析和研究提供基础。

资源描述

《基于多特征的夜间睡眠声信号分析方法.pdf》由会员分享，可在线阅读，更多相关《基于多特征的夜间睡眠声信号分析方法.pdf（12页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103345921 A (43)申请公布日 2013.10.09 CN 103345921 A *CN103345921A* (21)申请号 201310295535.1 (22)申请日 2013.07.15 G10L 15/02(2006.01) G10L 15/04(2013.01) G10L 25/48(2013.01) (71)申请人南京理工大学地址 210094 江苏省南京市孝陵卫 200 号 (72)发明人许志勇钱昆吴亚琦赵兆韩东旭 (74)专利代理机构南京理工大学专利中心 32203 代理人马鲁晋 (54) 发明名称基于多特征的夜间睡。

2、眠声信号分析方法 (57) 摘要本发明公开了一种基于多特征的夜间睡眠声信号分析方法。该方法首先读取用麦克风录制的待测者夜间睡眠声信号数据，通过短时能量门限方法对夜间睡眠声信号进行端点检测；然后利用一系列信号处理算法对夜间睡眠声信号的多个声学特征进行提取；最后通过基本的统计学方法对待测者的各项夜间睡眠声信号特征建立可供后续分析和研究的数据库。本发明实现容易，方法简单，开发成产品后硬件成本小，应用前景广阔。 (51)Int.Cl. 权利要求书 2 页说明书 7 页附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书2页说明书7。

3、页附图2页 (10)申请公布号 CN 103345921 A CN 103345921 A *CN103345921A* 1/2 页 2 1. 一种基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤如下：步骤 1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声信号进行端点检测，将 “无声段” 数据滤除；步骤 2、对通过端点检测的夜间睡眠声信号进行多特征提取；步骤 3、对步骤 2 提取出的多个特征建立数据库，并对特征的分布进行统计。 2.根据权利要求1所述的基于多特征的夜间睡眠声信号分析方法，其。

4、特征在于，步骤1 对夜间睡眠声信号进行端点检测具体包括以下步骤：步骤 1-1、对夜间睡眠声信号数据进行短时分帧处理，“帧长” 为 64ms，“帧移” 为 32ms， “一帧” 数据视为一个样本；步骤 1-2、将起始点设为当前读取的 “帧” 序号 n=k，并指针 j 清零；步骤 1-3、利用公式确定当前读取 “帧” 的短时能量；式中， k 为当前读取 “帧” 序号， N 为样本所包含的数字信号采样点数， Ek为样本的短时能量， Sk为数字信号采样幅度；步骤 1-4、判断 Ek是否大于门限值 Eth，如果是，执行步骤 1-5，否则当前读取 “帧” 序号 k 。

5、自增 1，指针 j 自增 1 并执行步骤 1-3 ；步骤 1-5、判断指针 j 是否大于间隔 d，如果是，执行步骤 1-6，否则执行步骤 1-2 ；步骤 1-6、确定 “终止帧” 和 “起始帧” ，其中 “终止帧” 序号 n终止=n-1，“起始帧” 序号 n 起始=nj1。 3.根据权利要求1所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤2 对通过端点检测的夜间睡眠声信号进行多特征提取具体为：步骤 2-1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为：式中， M 为一 “帧” 样本的采样点数；步骤 2-2、对。

6、经过步骤 2-1 处理后的夜间睡眠声信号片段的每一帧均提取 “频率特征” ，所用公式为：权利要求书 CN 103345921 A 2 2/2 页 3 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率 fi处的功率谱密度的绝对值， Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率 fpeak处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2，为取整函数， fcenter是中心频率， fpeak是峰值频率， fmean是频谱重心， fmean(j)（j=1,2,fs/1000）是各个 1000Hz 子频带的频谱重心；步骤 2-3、。

7、对经过步骤 2-1 处理后的夜间睡眠声信号片段中的每一帧均提取 “能量特征” ，所用公式为 : 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率 fi处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2， BER(j)（j=1,2,fs/1000）是各个 1000Hz 子频带的能量比；步骤 2-4、对经过步骤 2-1 处理后的夜间睡眠声信号片段中的每一帧均提取 “经验模态分解特征” ，所用公式为：式中， ci(t)（i=1,2,l）是夜间睡眠声信号经过经验模态分解后得到的 l 层固有模态函数， Ei是第 i 层固有模态函数的能量， T 是固有模态。

8、函数能量比特征矢量， E 为各层固有模态函数的总能量， HE是固有模态函数能量熵。 4.根据权利要求1所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤3 对特征的分布进行统计包括：求出整体样本各特征的最大值、最小值、均值、方差和动态范围。 5. 根据权利要求 2 所述的基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤 1-4 中所述的门限值 Eth为麦克风噪声基底 Eb的两倍，步骤 1-5 中间隔 d 为 3 4。权利要求书 CN 103345921 A 3 1/7 页 4 基于多特征的夜间睡眠声信号分析方法技术领域 0001 本发明属于用声信。

9、号处理手段实现人体夜间睡眠声信号数据库建立技术，特别是一种基于多特征的夜间睡眠声信号分析方法。背景技术 0002 人体的夜间睡眠声信号的分析对于开发智慧家庭中的健康监护系统极为重要。常被关注的夜间睡眠声信号通常包括鼾声、咳嗽声、呻吟等非正常语音声学信号。这些夜间睡眠声信号对于早期监护并发现异常打鼾、判断身体健康状态、监护梦夜游症有重要意义。 0003 对于利用声学信号分析手段对待测者夜间睡眠声信号提取特征，是后续进行大规模数据分析、数学建模和模式识别的基础。台湾已有学者提出了整夜睡眠声信号数据分析的方法（1.Liao Wenhung,Su Yisyua。

10、n.Classification of audio signals in all-night sleep studiesC.Proc.18th Int.Conf.on Pattern Recognition,Hong Kong,China,August2006,302-305），但是他们并没有涉及到对待测者的夜间睡眠声信号进行数据库建立，并且所选用特征单一，物理意义也并不明确。因而不能反映出某些特定物理意义的声源信号在特征上的区分度，从而不适用于后续的分析和建模。 0004 由上可知，现有技术存在方法不全面、功能单一、不适合后续研究等缺陷。发明内容 0005 本发明的目。

11、的在于提供一种基于多特征的夜间睡眠声信号分析方法。 0006 实现本发明目的的技术解决方案为：一种基于多特征的夜间睡眠声信号分析方法，步骤如下： 0007 步骤 1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声信号进行端点检测，将 “无声段” 数据滤除；对夜间睡眠声信号进行端点检测具体包括以下步骤： 0008 步骤 1-1、对夜间睡眠声信号数据进行短时分帧处理，“帧长” 为 64ms，“帧移” 为 32ms，“一帧” 数据视为一个样本； 0009 步骤 1-2、将起始点设为当前读取的 “帧” 序。

12、号 n=k，并指针 j 清零； 0010 步骤 1-3、利用公式确定当前读取 “帧” 的短时能量； 0011 式中， k 为当前读取 “帧” 序号， N 为样本所包含的数字信号采样点数， Ek为样本的短时能量， Sk为数字信号采样幅度； 0012 步骤 1-4、判断 Ek是否大于门限值 Eth，如果是，执行步骤 1-5，否则当前读取 “帧” 序号 k 自增 1，指针 j 自增 1 并执行步骤 1-3 ；所述的门限值 Eth为麦克风噪声基底 Eb的两倍； 0013 步骤 1-5、判断指针 j 是否大于间隔 d，如果是，执行步骤 1-6，否则执行步骤 1-2 ；。

13、所述间隔 d 为 3 4。说明书 CN 103345921 A 4 2/7 页 5 0014 步骤 1-6、确定 “终止帧” 和 “起始帧” ，其中 “终止帧” 序号 n终止=n-1，“起始帧” 序号 n起始=nj1。 0015 步骤 2、对通过端点检测的夜间睡眠声信号进行多特征提取；具体为： 0016 步骤 2-1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为： 0017 0018 式中， M 为一 “帧” 样本的采样点数； 0019 步骤 2-2、对经过步骤 2-1 处理后的夜间睡眠声信号片段的每一帧均提取 “频率特征” 。

14、，所用公式为： 0020 0021 0022 0023 0024 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值， Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率 fpeak处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2，为取整函数， fcenter是中心频率， fpeak 是峰值频率， fmean是频谱重心， fmean(j)（j=1,2,fs/1000）是各个 1000Hz 子频带的频谱重心； 0025 步骤 2-3、对经过步骤 2-1 处理后的夜间睡眠声信号片段中的每一帧均提取 “能量特征” ，所。

15、用公式为 : 0026 0027 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2， BER(j)（j=1,2,fs/1000）是各个 1000Hz 子频带的能量比； 0028 步骤 2-4、对经过步骤 2-1 处理后的夜间睡眠声信号片段中的每一帧均提取 “经验模态分解特征” ，所用公式为：说明书 CN 103345921 A 5 3/7 页 6 0029 0030 0031 0032 式中， ci(t)（i=1,2,l）是夜间睡眠声信号经过经验模态分解后得到的 l 层固有模态函数， Ei是第。

16、i 层固有模态函数的能量， T 是固有模态函数能量比特征矢量， E 为各层固有模态函数的总能量， HE是固有模态函数能量熵。 0033 步骤 3、对步骤 2 提取出的多个特征建立数据库，并对特征的分布进行统计。对特征的分布进行统计包括：求出整体样本各特征的最大值、最小值、均值、方差和动态范围。 0034 本发明与现有技术相比，其显著优点为： 1）本发明的方法集中提取了较为全面的多个夜间睡眠声信号特征； 2）本发明对待测者夜间睡眠声信号数据进行特征提取，最后得出的统计特性能反映出待测者整夜睡眠中相关生理或行为状态的动态变化过程； 3）本发明的方法实现简单，。

17、开发成硬件产品后成本较小，易于推广使用。 0035 下面结合附图对本发明作进一步详细描述。附图说明 0036 图 1 是本发明基于多特征的夜间睡眠声信号分析方法的流程图。 0037 图 2 是本发明对夜间睡眠声信号进行端点检测的流程图。 0038 图 3 是本发明对实例中提取出的夜间睡眠声信号数据某个特征的直方图和拟合的 Kernel 函数曲线图。具体实施方式 0039 结合图 1，本发明的一种基于多特征的夜间睡眠声信号分析方法，步骤如下： 0040 步骤 1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声。

18、信号进行端点检测，将 “无声段” 数据滤除；对夜间睡眠声信号进行端点检测具体包括以下步骤： 0041 步骤 1-1、对夜间睡眠声信号数据进行短时分帧处理，“帧长” 为 64ms，“帧移” 为 32ms，“一帧” 数据视为一个样本； 0042 步骤 1-2、将起始点设为当前读取的 “帧” 序号 n=k，并指针 j 清零； 0043 步骤 1-3、利用公式确定当前读取 “帧” 的短时能量； 0044 式中， k 为当前读取 “帧” 序号， N 为样本所包含的数字信号采样点数， Ek为样本的短时能量， Sk为数字信号采样幅度； 0045 步骤 1-4、判断 Ek是否大于。

19、门限值 Eth，如果是，执行步骤 1-5，否则当前读取 “帧” 序号 k 自增 1，指针 j 自增 1 并执行步骤 1-3 ；所述的门限值 Eth为麦克风噪声基底 Eb的两倍；说明书 CN 103345921 A 6 4/7 页 7 0046 步骤 1-5、判断指针 j 是否大于间隔 d，如果是，执行步骤 1-6，否则执行步骤 1-2 ；所述中间隔 d 为 3 4。 0047 步骤 1-6、确定 “终止帧” 和 “起始帧” ，其中 “终止帧” 序号 n终止=n-1，“起始帧” 序号 n起始=nj1。 0048 步骤 2、对通过端点检测的夜间睡眠声信号进行多。

20、特征提取；对通过端点检测的夜间睡眠声信号进行多特征提取具体为： 0049 步骤 2-1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为： 0050 0051 式中， M 为一 “帧” 样本的采样点数； 0052 步骤 2-2、对经过步骤 2-1 处理后的夜间睡眠声信号片段的每一帧均提取 “频率特征” ，所用公式为： 0053 0054 0055 0056 0057 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率 fi处的功率谱密度的绝对值， Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率 fpeak处的功率谱密度的。

21、绝对值， fc是截止频率，为采样频率 fs的 1/2，为取整函数， fcenter是中心频率， fpeak 是峰值频率， fmean是频谱重心， fmean(j)（j=1,2,fs/1000）是各个 1000Hz 子频带的频谱重心； 0058 步骤 2-3、对经过步骤 2-1 处理后的夜间睡眠声信号片段中的每一帧均提取 “能量特征” ，所用公式为 : 0059 0060 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率 fi处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2， BER(j) （j=1,2,fs/1000）是各个 1000Hz 子频带的能。

22、量比；说明书 CN 103345921 A 7 5/7 页 8 0061 步骤 2-4、对经过步骤 2-1 处理后的夜间睡眠声信号片段中的每一帧均提取 “经验模态分解特征” ，所用公式为： 0062 0063 0064 0065 式中， ci(t)（i=1,2,l）是夜间睡眠声信号经过经验模态分解后得到的 l 层固有模态函数， Ei是第 i 层固有模态函数的能量， T 是固有模态函数能量比特征矢量， E 为各层固有模态函数的总能量， HE是固有模态函数能量熵。 0066 步骤 3、对步骤 2 提取出的多个特征建立数据库，并对特征的分布进行统计。对特征的分布进行统计包。

23、括：求出整体样本各特征的最大值、最小值、均值、方差和动态范围。 0067 下面结合实例对本发明做进一步详细的描述： 0068 结合图 1，本发明基于多特征的夜间睡眠声信号分析方法，步骤如下： 0069 第一步，对麦克风录制的待测者夜间睡眠声信号数据进行 “短时分帧” 处理，分别计算每 “一帧” （即一个样本）的短时能量值，然后按图 2 所示对夜间睡眠声信号进行端点检测。 0070 （1）对用麦克风录制的夜间睡眠声数据进行读取并用 “短时分帧” 处理对原始数据进行 50% 重叠 “分帧” ，实例中取 “帧长” 为 64ms，“帧移” 为 32ms，“一帧” 夜。

24、间睡眠声数据可视为一个样本。 0071 （2）起始点为当前读取 “帧” 序号 n=k，指针 j 清零。 0072 （3）根据公式（k 表示第 k 个样本， N 为每个样本所包含的数字信号采样点数）计算 “当前帧” 样本的短时能量。 0073 （4）判断 Ek是否大于门限值 Eth，如果是，执行（5），否则当前读取 “帧” 序号 k 自增 1，指针 j 自增 1 并执行（3），实例中 Eth为 0.015。 0074 （5）判断指针 j 是否大于间隔 d，实例中取 d 为 3，如果是，执行（6），否则执行（2）； 0075 （6） “终止帧” 序。

25、号 n终止=n-1，“起始帧” 序号 n起始=nj1。 0076 第二步，多特征提取：如图 1 所示，对通过端点检测的夜间睡眠声信号数据进行多特征提取。 0077 （1）对通过端点检测后的夜间睡眠声信号数据进行 “加窗处理” （即原夜间睡眠声信号片段的每一帧均乘以一个窗函数），一般选取汉明窗，所用窗函数公式为： 0078 0079 其中， M 为一 “帧” 样本的采样点数，实例中为 1024。 0080 （2）提取 “频率特征” ：说明书 CN 103345921 A 8 6/7 页 9 0081 0082 0083 0084 0085 式中，是夜间睡眠声信号。

26、经过快速傅里叶变换后的频率fi处的功率谱密度的绝对值， Xfpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率 fpeak处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2，为取整函数， fcenter是中心频率， fpeak 是峰值频率， fmean是频谱重心， fmean(j)（j=1,2,fs/1000）是各个 1000Hz 子频带的频谱重心。 0086 （3）提取 “能量特征” ： 0087 0088 式中，是夜间睡眠声信号经过快速傅里叶变换后的频率 fi处的功率谱密度的绝对值， fc是截止频率，为采样频率 fs的 1/2， BER(j) 。

27、（j=1,2,fs/1000）是各个 1000Hz 子频带的能量比。 0089 （4）提取 “经验模态分解特征” ： 0090 0091 0092 0093 式中， ci(t),i=1,2,n 是夜间睡眠声信号经过经验模态分解后得到的 l 层固有模态函数，实例中 l 取为 10，可由经验模态分解方法求得（2.Huang N.E.,Shen Zheng,Long R.S.,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time serie。

28、s analysisJ.Proc.R.Soc.Lond. A,1998,454(1971):903-995.）， Ei是第 i 层固有模态函数的能量， T 是固有模态函数能量比特征矢量， E 为各层固有模态函数的总能量， HE是固有模态函数能量熵。 0094 第三步，对提取出的多特征建立数据库：求出整体样本各个特征的最大值、最小说明书 CN 103345921 A 9 7/7 页 10 值、均值、方差和动态范围（最大值与最小值之差），实例中画出了某个特征的统计直方图，拟合出该特征分布的 Kernel 函数曲线， Kernel 函数如下： 0095 0096 式中。

29、 ,K() 是 Kernel 函数，实例中选用正态分布函数 ,h 是 Kernel 函数的 “带宽” ，实例中取为 1.06Ns-0.2（为该特征方差的正平方根值）， xi(i=1,2,3,Ns) 是被拟合的夜间睡眠声信号某个特征的所有数值， Ns 为夜间睡眠声信号样本的个数。图 3 给出了夜间睡眠声信号数据的某个特征直方图和拟合的 Kernel 函数曲线。 0097 由上可知，本发明的方法能够提取出夜间睡眠声信号较为全面的多项声学特征，并能通过基于统计学的分析方法对夜间睡眠声信号的特征分布情况做出分析。通过本发明的方法建立起的待测者夜间睡眠声信号多特征数据库可以为后续进行分析和研究提供基础。说明书 CN 103345921 A 10 1/2 页 11 图 1 图 2 说明书附图 CN 103345921 A 11 2/2 页 12 图 3 说明书附图 CN 103345921 A 12 。

展开阅读全文