[发明专利]一种基于音频处理的睡眠期识别方法

摘要

本发明公开了一种基于音频处理的睡眠期识别方法。该方法利用具有音频采集和处理功能的智能设备，包括智能手机和智能手表，利用其中的音频模块作为音频采集装置；对采集到的音频进行数字特征提取，通过模式识别的方法对睡眠当中出现的睡眠相关事件(打鼾、躯干运动、咳嗽、磨牙)进行识别，以REM和N‑REM睡眠期人的外部表现差异为切入点，结合医学REM、N‑REM睡眠期人的外部表现差异，对人的睡眠进行睡眠期的识别。该方法具有设备简单易获取、不需要设备间以及服务器间通信、非侵入式等优点，能够广泛应用于日常睡眠监测、睡眠质量评估、生活习惯评估等诸多应用领域。

主权项

1.一种基于音频处理的睡眠期识别方法，其特征在于：使用具有音频采集和处理功能的智能设备，采集和处理人在睡眠期间产生的音频；基于快速傅立叶变换、主成份分析、时序相关数字特征提取、统计学对采集到的音频进行数字特征提取，通过模式识别的方法对睡眠当中出现的睡眠事件进行识别，结合医学眼动期(Rapid Eyes Movement，REM)、非眼动期(Non‑Rapid Eyes Movement，N‑REM)睡眠期人的外部表现差异，对人的睡眠进行睡眠期的识别；睡眠事件指的是打鼾、躯干运动、咳嗽、磨牙、梦呓、无关事件；具体包含以下步骤：步骤一、具有音频采集和处理功能的智能设备需放置在用户入睡地点附近，保证用户入睡地点在该设备的探测范围内，保持该设备在用户睡眠期间运行；步骤二、设备在运行期间通过音频模块采集音频数据，按照时间顺序放置于内存中，对数据进行分帧分得一系列数据帧，并对每一个数据帧内的数据进行快速傅里叶变换，得到数据帧对应的频域表示，并将一系列数据帧对应的频域表示按时间顺序缓存于内存中；步骤三、对步骤二中得到的每一个数据帧中的各个频段对应的幅值累加得到一系列的帧频域和，用滑动窗口按照时间顺序逐帧推移，推移同时对滑动窗口内的第一帧按照超均值n倍的方式添加事件标记，产生事件序列S；步骤四、将步骤三中得到的事件序列S中标记有事件的帧的频域信息进行存储，组成由频域信息和该频域信息对应的采样时间t组成的一系列原始数据条目Ors；步骤五、对步骤四中得到的原始数据条目Ors，根据其采样时间序列找出其中时间连续的条目，对于连续的条目进行合并，组成帧频域信息和采样时间组成的事件条目e；整个事件序列S将被分割成由若干个事件条目e组成的事件条目序列Es，其中Es＝；步骤六、对步骤五中得到的事件条目序列Es，计算其中每个事件条目e的采样时间跨度elength,和两个相邻条目的采样时间间隔estep；若(1/elength)>l*estep则将该estep前后的两个事件条目合并成新的条目em；整个事件条目序列Es将被重新组合成序列Ems，其中Ems＝；步骤七、对步骤六中得到的序列Ems，计算其中每个条目em的时序相关特征和频域相关特征，其中em＝；将条目em中的每个帧频域信息对应的频段计算平均值后归一化，提取频域均值统计特征；将时序相关特征attrt、频域相关特征attrf、频域均值统计特征atttrs、em对应的开始时间tstart和em对应的结束时间tend组成条目attr，其中attr＝；将整个序列Ems产生的条目attr序列称为Attrs，其中Attrs＝；步骤八、对步骤七中得到的序列Attrs，将其中每一个attr作为输入送入机器学习训练完成的分类算法进行分类，确定该attr所描述的时间内发生的事件为何种类型的睡眠相关事件；将attr中的em的开始时间tstart、em的结束时间tend和类型识别结果r组成新的条目tempR，其中tempR＝；整个序列Attrs将得到一系列tempR，构成序列TempRs，其中TempRs＝；睡眠相关事件指打鼾、躯干运动、咳嗽、磨牙、梦呓；步骤九、对步骤八中得到的序列TempRs，构造键值序列TVs，键为时间，值为睡眠状态评估，键中的时间值跨度为用户睡眠时长，值中的睡眠状态评估值预设为a；依次处理TempRs中的条目tempR，根据tempR中的最小采样时间和最大采样时间确定键值序列TVs中需要调整的数值，根据类型识别结果调整键值序列TVs中对应的值；整个序列TempRs将被用来生成一个时间‑睡眠状态评估的键值序列TVs，其中TVs＝；步骤十、对步骤九中得到的键值序列TVs，结合睡眠医学中的正常睡眠REM、N‑REM睡眠周期模型，刺激饮料影响下的REM、N‑REM睡眠周期模型，以及疲劳状态下的REM、N‑REM睡眠周期模型；选择最合适的模型拟合，对键值序列TVs进行调整得到用户的REM、N‑REM睡眠期识别结果。