[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

说明书

本发明公开了一种基于深度学习算法的鼾声监测方法，以深度学习与语音识别技术作为基础，包括采集音频信号并按照预设的样本时长进行切片；使用静音检测算法判断切片中是否包含声音；对于包含声音的音频切片提取声学频谱特征；将生成的频谱特征输入到深度神经网络中提取深度学习特征；使用全连接层对提取到的深度学习特征进行分类；按照预设定时长进行鼾声事件判断并进行干预。本发明还公开了相关的系统。本发明提供的基于深度学习算法的鼾声识别方法和系统在判断鼾声与非鼾声的准确率上相比传统方法有较大的提高，带来更好的用户体验(图1)。

技术领域

本发明涉及语音相关技术，深度学习技术，尤其涉及一种基于深度学习算法的鼾声监测和电动床的控制方法和装置。

背景技术

据不完全统计，我国打鼾人群占比近两成，打鼾严重者甚至引发阻塞性呼吸暂停，严重影响身体健康。

目前，相关鼾声检测技术多采用以下方法：使用接触式穿戴设备来进行检测，这种方法可以达到最高的检测率并且不易误触发，但是却会影响睡眠；采用声音传感器检测分贝或者振动传感器检测呼吸道震动的方法，但是这种方法的准确率较低，很容易发生误检现象。所以需要一种能够在不影响睡眠质量的条件下准确检测鼾声，最大限度避免误检的打鼾检测及干预系统。

发明内容

本发明提供一种基于深度学习和语音识别技术的鼾声检测方法，并在嵌入式终端实现，可解决现有技术中的严重误识别和漏识别现象。

至少为此目的，本申请的一些实施例提供一种基于深度学习算法的鼾声监测方法，其包括：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的步骤。

在一些实施例中，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阈值，则将音频切片识别为静音。

在一些实施例中，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，将所述MFCC特征组成所述音频切片的频谱图并其输入到预先训练的卷积神经网络中提取深度学习特征；然后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的步骤。其中所述深度学习特征为高维度的特征向量。

在一些实施例中，采用滑窗帧移的方式进行分帧。

在一些实施例中，其中每帧提取64维频谱特征。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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比例值，例如75％，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。

本申请还提供了基于深度学习算法的鼾声监测系统，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。

在一些实施例中，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。