CN103251388A - 基于智能手机平台的打鼾监测和防治方法及系统 - Google Patents

Abstract

本发明涉及基于智能手机平台的打鼾监测和防治方法及系统，包括鼾声信号的分析模块、即时干预模块和信息反馈模块。监测和防治方法为：1）建立重度鼾声信号和轻度鼾声信号库，对鼾声信号分别进行预处理提取特征向量，训练重和轻度GMM模板；2）在手机客户端实时录入用户的鼾声信号进行处理，在特定时间窗内对处理完后的鼾声信号进行实时四维特征向量序列提取；3）将实时四维特征向量序列分别与轻度和重度两类鼾声GMM模板进行匹配，似然度最大的类作为识别结果；4)若打鼾程度判定为严重，计算当前时间窗内的最大鼾声间隔时间；5)若最大鼾声间隔超过10S，采用外界刺激制止用户打鼾。本发明能够即时进行外界干预，有效制止用户打鼾。

Description

基于智能手机平台的打鼾监测和防治方法及系统

技术领域

本发明涉及打鼾监测和防治方法和系统，系统具体涉及鼾声信号的分析方法，打鼾严重程度的判定以及相应的外界干预措施，可用于对打鼾者的睡眠状况进行在线监护，属于信号处理技术领域。

背景技术

打鼾是由于呼吸过程中气流通过上呼吸道的狭窄部位时，震动气道周围的软组织而引起。打鼾是一种普遍存在的睡眠现象。其实打鼾是健康的大敌，患者打鼾时会带来大脑和血液严重缺氧，阻碍了代谢的正常进行，导致部分细胞死亡，日积月累就会损害身体各脏器官，导致一百多种疾病发生，甚至引发重度睡眠呼吸暂停综合症，导致人睡眠时窒息死亡。

权威数据表明：习惯性打鼾（每晚或几乎每晚都有打鼾）在未经选择人群中的发病率为19%，男性（25%）高于女性（15%）。年老者高于年轻者，在超过35岁的男性和女性均增加，65岁后，女性发病率无变化，男性稍降低；儿童发病率为7%-9%。打鼾一方面使人们自身的健康受到严重的危害，另一方面也严重影响别人休息。因此，打鼾其实已经成为很严重的社会问题。

目前国际公认的研究和监测睡眠行疾病的有效仪器是多导睡眠图检测仪（Polysomnogram,PSG），PSG通过记录睡眠中鼾声、脑电图、心电图等多项参数，监控和分析睡眠者的睡眠和呼吸状况，分析并科学诊断。但PSG需要受检者在医院的检查室中进行整晚大约8个小时的观察，成本较高，检查人数有限。对于打鼾者而言，PSG只能检测其夜间的呼吸睡眠情况，用于判定打鼾者是否患有睡眠呼吸暂停低通气综合症，并不能起到在线监护的作用，而且由于成本较高，对普通市民门槛较高。因此需要一种低费用、便携性的方法来完成鼾声严重程度的诊断。视患有睡眠呼吸暂停低通气综合症的打鼾者的鼾声为重度鼾声,反之则为轻度鼾声，鼾声信号的声学特征可用于判定鼾声的严重程度。

目前，根据鼾声信号的声学特征来判定鼾声的严重程度主要的方法主要有以下几种：

1、计算睡眠呼吸暂停低通气指数（AHI）。AHI指的是平均每小时睡眠中呼吸暂停和低通气的次数，根据AHI的大小来判断鼾声信号的严重程度。若AHI>5,则将该鼾声信号判定为重度；若AHI<5,则将该鼾声信号判定为轻度。

2、求取鼾声信号的基音相关参数，如均值、标准差、密度等。重度鼾声的均值和标准差较低，密度较高；轻度鼾声的均值和标准差较高，密度较低。虽然重度鼾声和轻度鼾声之间的基音参数存在不同，但判断效果不是很显著。

3、检测鼾声信号的共振峰。采用线性预测方法检测共振峰，以第一共振峰F₁≈690Hz为边界条件判断鼾声的严重程度。共振峰的分布情况也可作为判定标准，重度鼾声的共振峰分布不太稳定，轻度鼾声的共振峰分布相对较稳定。

4、基于连续小波变换，研究重度和轻度鼾声的幅度，密度和能量分布情况。

上述方法采用的特征参数都相对单一,判别性能并不理想。

发明内容

本发明的目的在于针对上述已有鼾声检测仪的功能单一化、成本高、携带不方便等现象，以及现有鼾声信号声学特征分析方法所采用的特征单一化，提出一种将鼾声的检测分析与防治结合的低成本、使用简便的基于智能手机平台的鼾声自助分析与在线监护方法及系统，该系统成本低廉、便于人们在日常生活中使用。在智能手机终端上录制鼾声，对录制的鼾声进行预处理，实时分析其声学特征，根据鼾声主波能量、鼾声持续时间方差、鼾声间隔时间以及基音周期和标准差的逻辑关系组成的四维特征向量，判定被试者打鼾的严重程度，并根据其严重程度进行即时干预。此外，可以对测试者进行长期监护，记录睡眠数据，制作成其专属的电子病历，定期以邮件形式远程发送给当地医疗机构进行分析，能够辅助医生尽早准确地对测试者的睡眠状况进行分析并提供可靠的医疗方案。

为了达到上述目的本发明的技术方案如下：一种基于智能手机平台的打鼾监测和防治方法，其步骤为：

1）收集重度和轻度鼾声建立鼾声模板库：

1-1）对收集的鼾声进行预滤波，预加重得到鼾声信号；

1-2）对所述鼾声信号进行加窗、分帧处理，并提取特征向量序列；

1-3）根据所述特征向量序列采用期望最大化EM算法训练打鼾声的混合高斯模型GMM模板，将所述鼾声GMM模板分为轻度和重度两类储存入所述鼾声模板库；

2）在手机客户端实时录入打鼾使用者鼾声，并对鼾声进行预滤波、预加重得到鼾声信号，对所述鼾声信号进行加窗、分帧，在特定时间窗内对处理完后的鼾声信号进行实时四维特征向量序列提取；

3）对所述实时四维特征向量序列分别与轻度和重度两类鼾声GMM模板进行匹配将似然度最大的类作为识别结果，计算该时间窗内的最大鼾声间隔时间。将时间窗后移对后续鼾声信号进行识别得到连续识别结果及相应的最大鼾声间隔时间；

4）根据连续的轻重度识别结果和最大鼾声间隔时间，选取防治措施进行打鼾干预。

更进一步，在所述鼾声信号的分析模块中提取得到的四维特征向量序列为：鼾声信号的平均主波能量

鼾声信号的平均持续时间方差δ_m、平均鼾声间隔时间基音周期和标准差之间的逻辑关系q。

更进一步，按照如下方法计算所述鼾声信号的平均主波能量：一次明显的打鼾声为一个主波，第m个主波设为C_m，数字信号经过加窗、分帧后得到分帧信号x_k(n)，所述分帧信号x_k(n)的能量为

其中N是帧长，n是某一帧中的信号点，x是分帧后的语音信号，其中，第m个主波能量 ${\mathrm{Energy}}_m=\frac{1}{{\mathrm{End}}_m-{\mathrm{Start}}_m+1}{\mathrm{\&Sigma;}}_{k={\mathrm{Start}}_m}^{{\mathrm{End}}_m}{E}_k,$ 第m个主波起始帧Start_m={k|E_k≥TH&E_k-1<TH}，第m个主波终止帧End_m={k|E_k≥TH&E_k+1<TH}，其中，k是帧数，E_k是第k帧的能量，E_k-1是第k-1帧的能量，E_k+1是第k+1帧的能量，TH是能量阈值，M是一段时间内鼾声信号的主波个数。

更进一步，所述鼾声信号的平均持续时间方差

若当前帧x_k(n)属于第m个主波，则，m主波平均持续时间

第m个主波的持续时间Tlast_m=End_m-Start_m，其中，End_m是第m个主波的结束时间帧，Start_m是第m个主波的起始时间帧，M是一段时间内鼾声信号的主波个数，所述的一段时间可指当前时间窗口内的一段时间。

更进一步，所述平均鼾声间隔时间

对于第m个主波，其和第m-1个主波之间的鼾声间隔时间为Tbetw_m=Start_m-End_m-1，其中，Tbetw_m是鼾声间隔时间，Start_m是第m个主波的起始时间帧，End_m-1是第m个主波的结束时间帧，M是一段时间内鼾声信号的主波个数。更进一步，通过提取出鼾声信号的基音周期，根据基音周期和标准差间的逻辑关系q来判定打鼾的严重程度，分帧后得到分帧信号x_k(n)，按照如下方法进行浊音段的提取：

1）通过快速傅里叶变换FFT转换时域语音信号x(n)至N点频谱域X(k)；

2）计算一低频率带边界内的频域点为k₁=N×(低频率带边界/f)，其中f为抽样平频率，然后分别计算短时低频能量 $E_l=\underset{k=1}{\overset{k_1}{\mathrm{\&Sigma;}}}X{\left(k\right)}^2$ 和短时高频能量 $E_h=\underset{k=k_1}{\overset{N}{\mathrm{\&Sigma;}}}X{\left(k\right)}^2;$

3）设置用于区分出浊音段的短时低频能量阈值M_l，用于区分出语音段的短时高频能量阈值M_h；

4）对某一短时语音帧

提取出浊音段后，对浊音段采用自相关法提取鼾声信号的基音周期。

更进一步，所述鼾声信号的基音周期T及标准差σ的逻辑关系为：T≥10+1.85σ，若基音周期T及标准差σ的逻辑关系满足T≥10+1.85σ，则基音周期和标准差之间的逻辑关系的标量q=1，反之，则q=0。

更进一步，在所述鼾声信号的分析模块运行分帧函数x_k(n)=w(n)s(Nk+n)，其中n=0,1...N-1;k=0,1...L-1，N为帧长，L为帧数，w(n)为窗函数。

更进一步，在所述鼾声信号的分析模块中匹配出的识别结果是似然度

最大值，其中，K为GMM中高斯成分的个数，k为高斯成分的计数，x为当前特征向量，ω_k为高斯分量的权重，μ_k为高斯分量的均值和Σ_k为高斯分量的方差，N(·)表示高斯分布概率密度函数。

更进一步，所述特定时间窗内的最大鼾声间隔时间Tbetw_max=max{Tbetw_m}，m=1…M，对于第m个主波，其和第m-1个主波之间的鼾声间隔时间为Tbetw_m=Start_m-End_m-1，其中，Tbetw_m是第m个主波的鼾声间隔时间，Start_m是第m个主波的起始时间帧，End_m-1是第m个主波的结束时间帧，M是当前时间窗内鼾声信号的主波个数。

本发明还提出一种基于智能手机平台的打鼾监测和防治系统，其特征在于，包括手机客户端、鼾声信号的分析模块、即时干预模块和信息反馈模块，

所述鼾声信号的分析模块，采集重度和轻度鼾声信号，建立鼾声模板库：先对鼾声信号进行预滤波、预加重，再对所述鼾声信号进行加窗、分帧，最后在特定时间窗内对处理完后的鼾声信号进行实时四维特征向量序列提取；

所述鼾声信号的分析模块中匹配出的识别结果是所述实时四维特征向量序列与轻度和重度两类鼾声GMM模板似然度最大的类，计算出当前时间窗内的最大鼾声间隔时间，控制时间窗后移对后续鼾声信号进行识别得到连续识别结果及相应的最大鼾声间隔时间；

所述即时干预模块，根据识别结果采用智能手机震动和铃声作为接触式刺激和非接触式刺激；

所述手机客户端，实时录入打鼾使用者的鼾声传入所述鼾声信号的分析模块；

所述信息反馈模块，将采集到的鼾声信号声学特征信息和最终判定的严重程度通过手机客户端以邮件形式远程发送给医疗机构辅助医生制定医疗方案和/或专属电子病历。

本发明的技术效果：

本发明能够对鼾声信号进行声学特征的分析，提取当前时间窗内的鼾声信号的平均主波能量、基因周期和标准差的逻辑关系以及鼾声的持续时间方差四个特征，判定打鼾的严重程度。若鼾声判定为重度鼾声且最当前时间内的最大鼾声间隔时间超过10s则进行即时的外界干预，有效制止测试者打鼾。所得鼾声信息可以邮件形式发送给专业医疗机构，形成长期的电子病历。

附图说明：

图1是本发明基于智能手机平台的打鼾监测和防治方法及系统一实施例中结构示意图。

图2是本发明基于智能手机平台的打鼾监测和防治方法及系统一实施例中浊音段和清音段的短时低频能量对比图。

图3是本发明基于智能手机平台的打鼾监测和防治方法及系统一实施例中当前时间窗内的鼾声严重程度识别方法流程图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，可以理解的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图3所示是本发明一实施例中当前时间窗内的鼾声严重程度识别方法示意图，首先定义两种鼾声的严重程度：重度和轻度。采用混合高斯模型（GMM，《语音信号处理》第2版，赵力编著，机械工业出版社，228-230页）对于鼾声信号特征向量序列进行建模，训练上述2类鼾声信号的GMM模板。每种鼾声模板采用多段完整的鼾声信号基于期望最大化（EM算法，《语音信号处理》第2版，赵力编著，机械工业出版社，228-230页）算法进行训练。

结合本发明对打鼾者进行在线监护的实时性要求，选择鼾声平均主波能量、鼾声平均持续时间方差、鼾声平均间隔时间以及鼾声信号的基音周期和标准差之间的逻辑关系四个特征来表征鼾声信号的声学特性：

1、鼾声信号的平均主波能量

由于鼾声信号是间断的，每两次打鼾中间会有一段时间的静音段,称为鼾声间隔。真正的鼾声段（主波段）的平均能量是用于衡量不同鼾声的严重程度的特征参数之一。考虑到录制鼾声时噪声的影响，设置一个判断主波能量的阈值TH，当某一帧鼾声信号的能量大于该阈值时，相应信号帧才被判定为主波段，用于计算平均主波能量。

对于麦克风采集到的鼾声信号，进行预滤波、模数转换以及预处理后，可得分帧信号x_k(n)，该帧的能量为

其中N是帧长，n是某一帧中的信号点，x是分帧后的语音信号。定义一次明显的打鼾声为一个主波，第m个主波设为C_m，每个主波包括起始点，终止点和能量3个参数。第m个主波起始帧为：

Start_m={k|E_k≥TH&E_k-1<TH}                     （1）

终止帧为

End_m={k|E_k≥TH&E_k+1<TH}                     （2）

能量为

${\mathrm{Energy}}_m=\frac{1}{{\mathrm{End}}_m-{\mathrm{Start}}_m+1}{\mathrm{\&Sigma;}}_{k={\mathrm{Start}}_m}^{{\mathrm{End}}_m}{E}_k---\left(3\right)$

平均主波能量为：

$\stackrel{\&OverBar;}{\mathrm{Energy}}=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{Energy}}_m---\left(4\right)$

其中，Start_m是第m个主波起始帧，k是帧数，E_k是第k帧的能量，E_k-1是第k-1帧的能量，E_k+1是第k+1帧的能量，TH是能量阈值，End_m是第m个主波终止帧，Energy_m是第m个主波的能量，

是平均主波能量，M是一段时间内鼾声信号的主波个数

综上，采用鼾声信号平均主波能量表示鼾声的声学特性，得到重度和轻度的鼾声信号平均主波能量。

2、鼾声信号的平均持续时间方差

不同严重程度的鼾声信号的主波持续时间是不同的，程度较严重的鼾声的主波持续时间比较不规则，而程度较轻的鼾声持续时间则比较规则。平均持续时间方差可反映持续时间变化的规则性。

若当前帧x_k(n)属于第m个主波，则该鼾声主波的持续时间方差定义为：

Tlast_m=End_m-Start_m                          （5）

$\stackrel{\&OverBar;}{{\mathrm{Tlast}}_m}=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{Tlast}}_m---\left(6\right)$

${\mathrm{\&delta;}}_m=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\mathrm{Tlast}}_m-\stackrel{\&OverBar;}{{\mathrm{Tlast}}_m})}^2---\left(7\right)$

其中，Tlast_m是第m个主波的持续时间，End_m是第m个主波的结束时间帧，Start_m是第m个主波的起始时间帧，

是m主波平均持续时间，M是一段时间内鼾声信号的主波个数，δ_m是平均持续时间方差。

综上，采用鼾声信号的平均时间方差来表示鼾声的声学特性，得到重度和轻度的鼾声信号平均持续时间方差。

3、鼾声信号的平均间隔时间

鼾声的间隔时间用于严重程度判定的参考指标。对于第m个主波，其和第m-1个主波之间的鼾声间隔时间定义为：

Tbetw_m=Start_m-End_m-1                              （8）

其中，Tbetw_m是鼾声间隔时间，Start_m是第m个主波的起始时间帧，End_m-1是第m个主波的结束时间帧，M是一段时间内鼾声信号的主波个数

平均鼾声间隔时间为：

$\stackrel{\&OverBar;}{{\mathrm{Tbetw}}_m}=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{Tbetw}}_m---\left(9\right)$

综上，采用鼾声信号的平均间隔时间来表示鼾声的声学特性，得到重度和轻度的鼾声信号平均间隔时间。程度较轻的鼾声间隔时间一般分布在1.4s-4.0s，而严重打鼾的鼾声间隔时间则表现为严重的不规则，一般大于4.0s，间隔10s常有发生。

4、鼾声信号的基音周期和标准差之间的逻辑关系

睡眠呼吸暂停低通气指数（AHI）是公认的可用于判定打鼾严重程度的指标。对于AHI较高的打鼾者，其鼾声信号的基音周期与标准差存在相应的逻辑关系：T≥10+1.85σ，其中T为鼾声信号的基音周期，σ为标准差，具体可参考U.R.Abeyratne,C.K.K.Patabandi,K.Puvanendran,“Pitch-jitter analysis of snoring sounds for the diagnosis of sleep apnea,”EMBSInt.Conf.,Turkey,vol.2,pp:2072–2075,2001。因此可以提取出鼾声信号的基音周期，并根据基音周期和标准差间的逻辑关系来判定打鼾的严重程度。由于基音只存在于浊音段中，因此进行基音检测之前必须先进行有效的浊音段的提取。

传统的浊音提取方法是利用短时能量和短时过零率来区分一段语音信号的浊音段、清音段和静音段。浊音段的短时能量远远大于清音段和静音段，清音段次之，静音段能量最小；而清音段的短时过零率最大，浊音次之，静音最小。而在鼾声录制过程中背景噪声的影响会导致短时能量和短时过零率不再严格按照上述的大小关系，例如，带噪的浊音段短时过零率可能接近清音段，静音段和清音段的短时能量接近浊音段。上述传统的方法将会很大程度上失效。

本发明根据浊音的声门激励特性，利用一种短时低频能量特征参数，有效地提取出浊音段。如图2所示是本发明基于智能手机平台的打鼾监测和防治方法及系统一实施例中浊音段和清音段的短时低频能量对比图，浊音归一化能量较高的集中在低频带临界线1000HZ附近，清音频率范围在3000～4000HZ,对于低频能量，浊音明显比清音和静音大得多，相对于全局能量其区分性明显要好很多，因此短时低频能量可用于有效地提取浊音段。浊音段提取方法为：

1、通过快速傅里叶变换FFT转换时域语音信号x(n)至N点频谱域X(k)。

2、计算1000HZ频率的频域点为k₁=N×(1000/f),其中f为抽样频率。然后分别计算短时

低频能量和短时高频能量：

短时低频能量： $E_l=\underset{k=1}{\overset{k_1}{\mathrm{\&Sigma;}}}X{\left(k\right)}^2---\left(10\right)$

短时高频能量： $E_h=\underset{k=k_1}{\overset{N}{\mathrm{\&Sigma;}}}X{\left(k\right)}^2---\left(11\right)$

3、设置用于区分出浊音段的短时低频能量阈值M_l，用于区分出语音段的短时高频能量阈值M_h。

4、提取浊音段和语音段。某一短时语音帧S，其短时低频能量为E_l，短时高频能量为E_h。

在上述算法中，1000HZ是低频率带边界。提取出浊音段后，对浊音段采用自相关法提取鼾声信号的基音周期。

由于AHI的性能反映在提取的基音周期及标准差的逻辑关系上，AHI较高的患者，基音周期T及标准差σ的逻辑关系为：T≥10+1.85σ。本发明定义一个标量q来表示基音周期和标准差之间的逻辑关系，若基音周期T及标准差σ的逻辑关系满足T≥10+1.85σ，则q=1；反之，则q=0。

综上，采用鼾声信号的基音周期和标准差之间的逻辑关系来表示鼾声的声学特性，得到重度和轻度的鼾声信号基音周期和标准差之间的逻辑关系。若q=1，则鼾声判定为重度；若q=0，则鼾声判定为轻度。

本发明的设定的2种鼾声模板训练过程如下：

1、收集由医院提供的经过标定的重度和轻度鼾声并保存至本地数据库中。每种类型（重度，轻度）包含多个打鼾者的鼾声，完整的鼾声包括至少3次以上从打鼾开始至结束的声音信号。

2、预滤波、模数变换。

3、分帧、加窗。由于语音信号的慢时变性，整体非平稳，局部平稳，一般认为语音信号在10-30ms内是平稳的，可以把声音信号按照20ms的长度进行分帧。分帧函数为：

x_k(n)=w(n)s(Nk+n)    其中n=0,1...N-1;k=0,1...L-1            （13）

其中N为帧长，L为帧数，w(n)为窗函数。

4、特征提取。提取4维特征[

δ_m

q]。

5、利用上述提取的4维特征向量序列，基于期望最大化（EM）算法训练重度和轻度鼾声的GMM模板。

考虑到鼾声的录制是一直在进行的，对于实时录入的鼾声信号，我们对一个较短的时间窗内（当前t秒，t应大于一次打鼾的时间）的鼾声信号进行严重程度的判别，即将该时间窗内的鼾声信号与训练好的两类模型进行匹配，给出当前时间窗的识别结果。对当前一个时间窗内的鼾声信号的具体识别算法如下：

1、对录入的鼾声进行预滤波和模数转换。

2、加窗、分帧。

3、对当前时间窗t内的鼾声信号提取四维特征向量[

δ_m

q]序列。

4、识别，即分别与2类鼾声的GMM模板进行匹配，提取的特征向量对于GMM的似然度为：

$p\left(x\right)={\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&omega;}}_{k}N(x/{\mathrm{\&mu;}}_k,{\mathrm{\&Sigma;}}_k)---\left(14\right)$

其中，k为高斯成分的计数，x为当前特征向量，ω_k为高斯分量的权重，μ_k为高斯分量的均值和Σ_k为高斯分量的方差，N(·)表示高斯分布概率密度函数。最匹配（似然度最大）的类为识别结果。

对于判定为打鼾严重的打鼾者，当其鼾声间隔时间大于10S时（即发生呼吸暂停），会导致血含氧量剧减，会对打鼾者的脑部造成严重的影响，此时需要对其进行外界干预。计算当前时间窗内的最大鼾声间隔时间，若大于10S，则进行外界干预；若小于10S，不进行外界干预。

当前时间窗内的最大鼾声间隔时间计算如下：

Tbetw_max=max{Tbetw_m}，m=1…M，对于第m个主波，其和第m-1个主波之间的鼾声间隔时间为Tbetw_m=Start_m-End_m-1，其中，Tbetw_m是第m个主波的鼾声间隔时间，Start_m是第m个主波的起始时间帧，End_m-1是第m个主波的结束时间帧，M是时间窗内鼾声信号的主波个数。

实时将时间窗后移，对后续t秒内的鼾声信号进行严重程度的识别以及相应最大鼾声间隔时间的计算。一旦识别为打鼾程度严重且当前时间窗被的最大鼾声间隔时间大于10S，则采用外界刺激制止被试者打鼾。

参考图1是本发明基于智能手机平台的打鼾监测和防治方法及系统一实施例中结构示意图，主要包括三大模块：鼾声信号的分析、即时干预和信息反馈。

各模块具体设计如下：

（一）、鼾声信号的分析

1、通过智能手机进行语音录入，预滤波、模数变换。模数变换，采样率为11025HZ，位数为16bit。

2、分帧、加窗。帧长为256采样点，帧移为128采样点。窗函数选取汉明窗。

汉明窗表达式为：

其中N为帧长。

3、特征提取。提取4维特征[

δ_m

q]。

4、模板匹配。时间窗t选择固定窗长15s，当前时间窗的特征向量序列与事先训练好的两类鼾声的GMM进行匹配，给出当前识别结果。若与轻度鼾声的GMM匹配度较高，则判断为轻度打鼾；若与重度鼾声的GMM匹配度较高，则判断为重度打鼾。

5、最大鼾声间隔时间计算。若判定为重度打鼾，计算当前时间窗内的最大鼾声间隔时间，判定其是否大于10S。

（二）、即时干预

当被试者被判定为重度打鼾且鼾声间隔时间大于10S时（呼吸暂停），，血含氧量将剧减，这将会对打鼾者的脑部造成严重的影响。因此，一旦检测到重度打鼾者的鼾声间隔时间超过10S，需要进行即时的外界干预。其中干预方式主要分为两种：接触式刺激和非接触式刺激。接触式刺激包括床、枕头以及其他设备等。非接触式刺激主要包括声音刺激。本发明分别采用智能手机的震动和铃声作为接触式刺激和非接触式刺激。

（三）、信息反馈

对采集到的鼾声信号进行声学特征分析，将所得的鼾声信号声学特征信息：鼾声音频、平均主波能量、平均持续时间方差、平均间隔时间、最终判定的严重程度通过手机终端以邮件形式远程发送给专业的医疗机构进行分析，用以辅助医生尽早准确地对测试者的睡眠状况进行分析并提供可靠的医疗方案。对测试者长期监护所得的睡眠数据，可制作成其专属的电子病历。

上述实例只是本发明的举例，尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。

Claims (11)

1.一种基于智能手机平台的打鼾监测和防治方法，其步骤为：

1）收集重度和轻度鼾声建立鼾声模板库：

1-1）对收集的鼾声进行预滤波，预加重得到鼾声信号；

1-2）对所述鼾声信号进行加窗、分帧处理，并提取特征向量序列；

1-3）根据所述特征向量序列采用期望最大化EM算法训练打鼾声的混合高斯模型GMM模板，将所述鼾声GMM模板分为轻度和重度两类储存入所述鼾声模板库；

2）在手机客户端实时录入打鼾使用者鼾声，并对鼾声进行预滤波、预加重得到鼾声信号，对所述鼾声信号进行加窗、分帧，在特定时间窗内对处理完后的鼾声信号进行实时四维特征向量序列提取；

3）对所述实时四维特征向量序列分别与轻度和重度两类鼾声GMM模板进行匹配将似然度最大的类作为识别结果，计算当前时间窗内的最大鼾声间隔时间；将时间窗后移对后续鼾声信号进行识别得到连续轻重度识别结果及相应的最大鼾声间隔时间；

4）根据所述连续轻重度识别结果和所述最大鼾声间隔时间，选取防治措施进行打鼾干预。

2.如权利要求1所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，在所述鼾声信号的分析模块中提取得到的四维特征向量序列为：鼾声信号的平均主波能量

鼾声信号的平均持续时间方差δ_m、平均鼾声间隔时间

基音周期和标准差之间的逻辑关系q。

3.如权利要求2所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，按照如下方法计算所述鼾声信号的平均主波能量：

一次明显的打鼾声为一个主波，第m个主波设为C_m，数字信号经过加窗、分帧后得到分帧信号x_k(n)，所述分帧信号x_k(n)的能量为

其中N是帧长，n是某一帧中的信号点，x是分帧后的语音信号，其中，第m个主波能量 ${\mathrm{Energy}}_m=\frac{1}{{\mathrm{End}}_m-{\mathrm{Start}}_m+1}{\mathrm{\&Sigma;}}_{k={\mathrm{Start}}_m}^{{\mathrm{End}}_m}{E}_k,$ 第m个主波起始帧Start_m={k|E_k≥TH&E_k-1<TH}，第m个主波终止帧End_m={k|E_k≥TH&E_k+1<TH}，其中，k是帧数，E_k是第k帧的能量，E_k-1是第k-1帧的能量，E_k+1是第k+1帧的能量，TH是能量阈值，M是一段时间内鼾声信号的主波个数。

4.如权利要求2所述的基于智能手机平台的打鼾检测和防治方法，其特征在于，所述鼾声信号的平均持续时间方差

若当前帧x_k(n)属于第m个主波，则，m主波平均持续时间

第m个主波的持续时间Tlast_m=End_m-Start_m，其中，End_m是第m个主波的结束时间帧，Start_m是第m个主波的起始时间帧，M是一段时间内鼾声信号的主波个数。

5.如权利要求2所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，所述平均鼾声间隔时间

对于第m个主波，其和第m-1个主波之间的鼾声间隔时间为Tbetw_m=Start_m-End_m-1，其中，Tbetw_m是鼾声间隔时间，Start_m是第m个主波的起始时间帧，End_m-1是第m个主波的结束时间帧，M是一段时间内鼾声信号的主波个数。

6.如权利要求2所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，通过提取出鼾声信号的基音周期，根据基音周期和标准差间的逻辑关系q来判定打鼾的严重程度，分帧后得到分帧信号x_k(n)，按照如下方法进行浊音段的提取：

1）通过快速傅里叶变换FFT转换时域语音信号x(n)至N点频谱域X(k)；

2）计算一低频率带边界内的频域点为k₁=N×(低频率带边界/f)，其中f为抽样平频率，然后分别计算短时低频能量 $E_l=\underset{k=1}{\overset{k_1}{\mathrm{\&Sigma;}}}X{\left(k\right)}^2$ 和短时高频能量 $E_h=\underset{k=k_1}{\overset{N}{\mathrm{\&Sigma;}}}X{\left(k\right)}^2;$

3）设置用于区分出浊音段的短时低频能量阈值M_l，用于区分出语音段的短时高频能量阈值M_h；

4）对某一短时语音帧

提取出浊音段后，对浊音段采用自相关法提取鼾声信号的基音周期。

7.如权利要求6所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，所述鼾声信号的基音周期T及标准差σ的逻辑关系为：T≥10+1.85σ，若基音周期T及标准差σ的逻辑关系满足T≥10+1.85σ，则基音周期和标准差之间的逻辑关系的标量q=1，反之，则q=0。

8.如权利要求1所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，在所述鼾声信号的分析模块运行分帧函数x_k(n)=w(n)s(Nk+n)，其中n=0,1...N-1;k=0,1...L-1，N为帧长，L为帧数，w(n)为窗函数。

9.如权利要求1所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，在所述鼾声信号的分析模块中匹配出的识别结果是似然度最大值，其中，K为GMM中高斯成分的个数，k为高斯成分的计数，x为当前特征向量，ω_k为高斯分量的权重，μ_k为高斯分量的均值和Σ_k为高斯分量的方差，N(·)表示高斯分布概率密度函数。

10.如权利要求1所述的基于智能手机平台的打鼾监测和防治方法，其特征在于，按照如下方法计算当前时间窗内的所述最大鼾声间隔时间Tbetw_max=max{Tbetw_m}，其中m=1…M，Tbetw_m=Start_m-End_m-1表示第m个主波和第m-1个主波之间的鼾声间隔时间，Start_m是第m个主波的起始时间帧，End_m-1是第m个主波的结束时间帧，M是当前时间窗内鼾声信号的主波个数。

11.一种基于智能手机平台的打鼾监测和防治系统，其特征在于，包括手机客户端、鼾声信号的分析模块、即时干预模块和信息反馈模块，

所述鼾声信号的分析模块，采集重度和轻度鼾声信号，建立鼾声模板库：先对鼾声信号进行预滤波、预加重，再对所述鼾声信号进行加窗、分帧，最后在特定时间窗内对处理完后的鼾声信号进行实时四维特征向量序列提取；

所述鼾声信号的分析模块中匹配出的识别结果是所述实时四维特征向量序列与轻度和重度两类鼾声GMM模板似然度最大的类，计算出当前时间窗内的最大鼾声间隔时间，控制时间窗后移对后续鼾声信号进行识别得到连续识别结果及相应的最大鼾声间隔时间；

所述即时干预模块，根据识别结果采用智能手机震动和铃声作为接触式刺激和非接触式刺激；

所述手机客户端，实时录入打鼾使用者的鼾声传入所述鼾声信号的分析模块；

所述信息反馈模块，将采集到的鼾声信号声学特征信息和最终判定的严重程度通过手机客户端以邮件形式远程发送给医疗机构辅助医生制定医疗方案和/或专属电子病历。

Images