[发明专利]一种基于深度学习算法的鼾声监测方法与系统以及相应的电动床控制方法和系统

权利要求书

1.一种基于深度学习算法的鼾声监测方法，其特征在于，包括：

采集声音信号并进行切片得到音频切片；

使用静音检测算法判断音频切片中是否包含声音；

将判断为包含声音的音频切片进行梅尔频率倒谱系数(MFCC)特征提取，然后使用预先训练好的深度学习模型进行深度特征提取和分类将每个音频片段分类为包含鼾声的音频切片和不包含鼾声的音频切片。

2.根据权利要求1的基于深度学习算法的鼾声监测方法，其特征在于：所述静音检测算法包括计算音频切片中的包括能量峰值、能量均值以及能量标准差的参数中的至少一个；以及将计算得到的参数与预先设定的静音阈值进行比较，若所述参数全部低于所述静音阈值，则将所述音频切片识别为静音的音频切片。

3.根据权利要求1的基于深度学习算法的鼾声监测方法，其特征在于：所述鼾声分类算法包括：

对音频切片进行分帧操作；

对分帧后的数据提取MFCC特征，基于所述MFCC特征组成音频切片的频谱图；

将所述频谱图输入到预先训练的卷积神经网络中提取深度学习特征；以及

将所述深度学习特征输入到全连接层中进行分类，以将每个音频切片分类为包含鼾声的音频切片和不包含鼾声的音频切片。

4.根据权利要求3的基于深度学习算法的鼾声监测方法，其特征在于：采用滑窗帧移的方式进行分帧。

5.根据权利要求3的基于深度学习算法的鼾声监测与干预方法，其特征在于：其中每帧提取64维频谱特征。

6.根据权利要求1的基于深度学习算法的鼾声监测方法，其特征在于：进一步包括判断一定时间段内被分类为包含鼾声的音频切片占该段时间内的总音频切片数的比例，若超过预设的阈值，则判断为在这段时间内存在鼾声事件。

7.根据权利要求6的基于深度学习算法的鼾声监测方法，其特征在于：所述鼾声事件判断方法包括：将上述的一个音频切片的识别结果存入固定长度队列中，所述识别结果包括不包含声音的音频切片；包含鼾声的音频切片；和不包含鼾声的音频切片；若包含鼾声的音频切片数量占固定长度队列内总音频切片数量的比例超过预设的阈值，则判断为在所述固定长度队列对应的时间段内存在鼾声事件。

8.根据权利要求7的基于深度学习算法的鼾声监测方法，其特征在于：若包含鼾声的音频切片数量占固定长度队列内总音频切片数量的比例超过预设比例值，则判断为在所述固定长度队列对应的时间段内存在鼾声事件。

9.一种基于深度学习算法的鼾声监测系统，其特征在于：其包括嵌入式开发板，所述开发板作为计算机程序载体，执行所述计算机程序以实现上述权利要求1至8中任意一项的方法。

10.根据权利要求9的基于深度学习算法的鼾声监测系统，其特征在于：所述嵌入式开发板包括录音功能，所述系统被配置为实时开启所述开发板的录音功能进行鼾声事件的检测。

11.根据权利要求9的基于深度学习算法的鼾声监测系统，其特征在于：采用arm架构imx6ul型号开发板来运行训练好的深度学习模型。

12.一种基于深度学习算法的电动床控制方法，其特征在于，包括：

采集声音信号并进行切片得到音频切片；

使用静音检测算法判断音频切片中是否包含声音；

将判断为包含声音的音频切片进行梅尔频率倒谱系数(MFCC)特征提取，然后使用预先训练好的深度学习模型进行深度特征提取和分类将每个音频片段分类为包含鼾声的音频切片和不包含鼾声的音频切片；

判断一定时间段内被分类为包含鼾声的音频切片占该段时间内的总音频切片数的比例，若超过预设的阈值，则判断为在这段时间内存在鼾声事件；以及

检测到鼾声事件后，驱动所述电动床的至少一个部件动作以干扰所述鼾声的产生。