CN105679334A - 一种智能马桶自适应识别大小便的方法及系统 - Google Patents

Abstract

本发明实施例公开了一种智能马桶自适应识别大小便的方法，获取人体如厕时的音频信号；将音频信号经过信号放大电路放大处理，通过信号滤波电路提取声强变化的包络线；并进行A/D转换，过滤干扰信号，获得音频包络曲线；对处理后的语音信号进行分帧，使用短时线性加权平均幅度差函数定义；根据平均幅度差函数识别大小便类型。本发明实施例还公开了一种智能马桶自适应识别大小便的系统。本发明利用了人体在经智能马桶设备如厕过程的大小便固有音频变化曲线，进行分析处理得出判断结果，避免了图像识别需安装摄像头造成用户隐私泄露及外红线、超声波不能准确表征排泄物的特征不足之处，准确地识别大小便采取合理水量冲洗排泄物，从而实现节约用水。

Description

一种智能马桶自适应识别大小便的方法及系统

技术领域

本发明涉及一种厕所冲洗装置及洁厕方法，尤其涉及一种智能马桶自适应识别大小便的方法及系统。

背景技术

目前随着科技的进步和人民群众生活水平的提高，智能卫浴尤其是智能马桶设备在日常生活中的应用越来越广泛，而在这些智能卫浴设备中，一般都需要大量用水，如何根据污物决定用水量以利于实现节水是一个亟待解决的问题，而目前在现有技术中，一般采用红外线或超声波探测人体如厕时间长短判断大小便，而采用如厕时间的长短并不是大小便的固有属性，所以容易产生误判现象，在现有技术中又有采用安装摄像头进行图像识别的方案，然而采用摄像头容易造成用户隐私泄露的不足。

发明内容

本发明实施例所要解决的技术问题在于，提供一种智能马桶自适应识别大小便的方法。可通过对大小便污物排泄过程中产生的音频固有属性，进行精准表征其特性，实现精整识别。

为了解决上述技术问题，本发明实施例提供了一种智能马桶自适应识别大小便的方法，包括以下步骤：

(1)获取人体如厕时的音频信号；

(2)将所述音频信号经过信号放大电路放大处理，通过信号滤波电路提取所述音频信号的声强变化的包络线；

(3)将所述包络线进行A/D转换，并过滤干扰信号，获得音频包络曲线；

(4)对处理后的语音信号进行分帧，使用以下短时线性加权平均幅度差函数定义：

$F_{nw}\left(k\right)=\frac{1}{N-k+1}\underset{m=1}{\overset{N-k+1}{\Σ}}|S_n(m+k-1)-S_n\left(m\right)|,$ 其中，N是语音信号所加窗口的长度，S_n(m)是语音信号S(m)经过窗长为N的窗口截取的一段加窗语音信号，S_n(m)＝s(m)w(n-m)，w(n-m)为窗函数；

(5)根据平均幅度差函数识别大小便类型。

进一步地，所述步骤(4)还包括将原始语音信号进行分帧，并进行统计每帧平均能量，将能量小于设定阀值的帧进行内容作零处理，重新生成语音信号。

更进一步地，所述步骤(4)还包括筛选每帧信号的F_nw(k)的局部极小值，使用极小值局部搜索范围为Fs/900～Fs/50个取样点，其中Fs为大小便信号的取样频率，使用以下方式进行第一次剔除野点：

$X\left(n\right)=\left\{\begin{array}{cc}0& \left(X\right(n)>Fs/50orX(n)<Fs/500)\\ |X\left(n\right)-X(n-1)|& <round\left(X\right(n)/X(n-1)=2orround\left(X\right(n-1)/X(n\left)\right)=2)\\ X\left(n\right)& else\end{array}\right.,$

对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算：

$AVE=\underset{n=1}{\overset{row}{\&Sigma;}}\left|X\left(n\right)\right|/NUM,$

其中，X(n)为局部极小值对应的取样点数，NUM为X(n)不为零的总个数。

更进一步地，所述步骤(4)还包括对以平均值为阙值对已经统计出来的各帧取样点数进行第二次去野点：

$X\left(n\right)=\{\begin{array}{cc}0& X\left(n\right)>AVE\&times;borX\left(n\right)<AVE\&times;a\\ X\left(n\right)& else\end{array},$ 其中，阙值a(0<a<1)、b(b>1)的动态范围。

相应地，本发明实施例还提供了一种智能马桶自适应识别大小便的系统，包括拾音单元、信号放大单元、信号滤波单元、微处理器单元，所述拾音单元用于获取如厕的音频信号，所述信号放大单元用于使所述音频信号进行放大处理，所述信号滤波单元用于使放大的音频信号滤除高频成分，并取得声强变化的包络线，微处理器单元包含了A/D转换单元、滤背景噪声单元、模型判断单元，所述A/D转换单元用于将所述声强变化的包络线的信号进行采样和量化，所述滤背景噪声单元，所述模型判断单元对语音信号进行分帧，使用以下短时线性加权平均幅度差函数定义：

$F_{nw}\left(k\right)=\frac{1}{N-k+1}\underset{m=1}{\overset{N-k+1}{\&Sigma;}}|S_n(m+k-1)-S_n\left(m\right)|,$ 其中，N是语音信号所加窗口的长度，S_n(m)是语音信号S(m)经过窗长为N的窗口截取的一段加窗语音信号，S_n(m)＝s(m)w(n-m)，w(n-m)为窗函数，根据平均幅度差函数识别大小便类型。

进一步地，所述模型判断单元还将原始语音信号进行分帧，并进行统计每帧平均能量，将能量小于设定阀值的帧进行内容作零处理，重新生成语音信号。

更进一步地，所述模型判断单元还对每帧信号的F_nw(k)的局部极小值进行筛选，使用极小值局部搜索范围为Fs/900～Fs/50个取样点，其中Fs为大小便信号的取样频率，使用以下方式进行第一次剔除野点：

$X\left(n\right)=\left\{\begin{array}{cc}0& \left(X\right(n)>Fs/50orX(n)Fs/500)\\ |X\left(n\right)-X(n-1)|& (round\left(X\left(n\right)/X\left(n-1\right)=2orroun\left(X\left(n-1\right)/\left(n\right)\right)=2\right)\\ X\left(n\right)& else\end{array}\right.,$

对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算：

$AVE=\underset{n=1}{\overset{row}{\&Sigma;}}\left|X\left(n\right)\right|/NUM,$

其中，X(n)为局部极小值对应的取样点数，NUM为X(n)不为零的总个数。

更进一步地，所述模型判断单元还对以平均值为阙值对已经统计出来的各帧取样点数进行第二次去野点：

$X\left(n\right)=\{\begin{array}{cc}0& X\left(n\right)>AVE\&times;borX\left(n\right)<AVE\&times;a\\ X\left(n\right)& else\end{array},$ 其中，阙值a(0<a<1)、b(b>1)的动态范围。

实施本发明实施例，具有如下有益效果：本发明利用了人体在经智能马桶设备如厕过程的大小便固有音频变化曲线，进行分析处理得出判断结果，避免了图像识别需安装摄像头造成用户隐私泄露及外红线、超声波不能准确表征排泄物的特征不足之处，准确地识别大小便采取合理水量冲洗排泄物，从而实现节约用水。

附图说明

图1是小便音频包络曲线的示意图；

图2是大便音频包络曲线的示意图；

图3是本发明的结构示意框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

本发明实施例的一种智能马桶自适应识别大小便的方法，是根据人体如厕过程的声音的变化规律，小便声音特征呈现清音特征，大便声音特征呈现浊音特征，在智能马桶上设置声音传感器，取得人体如厕过程中的音频信号，通过声音信号放大电路对音频信号进行放大处理，以便于进行下一步处理；将放大后的音频信号通过滤波电路，剔除高频成份，提取音频信号的包络线，将包含声强变化的包络线的信号输入微处理器，通过微处理器的A/D转换器，将音频信号量化采集成数字信号，通微处理器内置的程序处理掉干扰信号成份，获得音频包络曲线。

其中，如厕时所收集到的声强信号由背景声响和大小便排泄过程时的音频信号叠加而成，所述背景声响是风扇噪声、外界噪声等。如厕时声强会发生周期性变化，通过声音传感器获取如厕时的声音信号，滤除干扰成份，并将此信号放大，然后信号经过滤波电路提取出声强的包络线，通过高斯曲线拟合找出数学模型，并建立坐标系。

根据图1、图2所示的音频包络曲线示意图可知，在人体如厕时声强的变化趋势是：小便是声强曲线频率明显高于大便的频率曲线，而大便的声强曲线是一个低频曲线，先升后降，最后趋于稳定。

首先对装载后的原始大小便声音信号进行分帧，在参数选择上使得帧长等于帧移，而且帧长控制在比较小的范围内。通过判断每帧大小便信号短时能量的函数，统计分帧后的如厕信号每帧的平均能量，由于静音帧和清音帧的能量较浊音帧的能量小，那么可以根据实验结果选择合适的平均能量阙值，当某帧的能量小于该阙值时可以认为这帧不含基音周期信息，把该帧的帧号记录在一个数组中。

对每帧信号经过短时能量判断后，根据数组记录的帧号对对应帧的内容作置零处理，然后把非零内容的帧组成一个新的声音信号，这时候可以认为新的大小便声音信号中含有丰富的基音周期信息。

然后对新生成的大小便声音信号进行分帧，然后编写一个平均幅度差函数，大小便声音信号的短时线性加权平均幅度差函数法定义为：

$F_{nw}\left(k\right)=\frac{1}{N-k+1}\underset{m=1}{\overset{N-k+1}{\&Sigma;}}|S_n(m+k-1)-S_n\left(m\right)|,$

其中，N是语音信号所加窗口的长度，S_n(m)是语音信号S(m)经过窗长为N的窗口截取的一段加窗语音信号，S_n(m)＝s(m)w(n-m)，w(n-m)为窗函数。

根据平均幅度差函数法原理，判断每帧信号的中的局部极小值，由于人的大小便频率为50～900Hz，那么对应的极小值局部搜索范围为Fs/900～Fs/50(Fs是大小便信号的取样频率)个取样点，那么三倍以及三倍以上周期的情况都已经被排除，如果是二倍周期，可以使当前帧的基音频率所对应的取样点，从而对野点进行了第一次剔除，使用以下方式进行第一次剔除野点：

$X\left(n\right)=\left\{\begin{array}{cc}0& \left(X\right(n)>Fs/50orX(n)Fs/500)\\ |X\left(n\right)-X(n-1)|& (round\left(X\left(n\right)/X\left(n-1\right)=2orroun\left(X\left(n-1\right)/\left(n\right)\right)=2\right)\\ X\left(n\right)& else\end{array}\right.,$

对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算：

$AVE=\underset{n=1}{\overset{row}{\&Sigma;}}\left|X\left(n\right)\right|/NUM,$

其中，X(n)为局部极小值对应的取样点数，NUM为X(n)不为零的总个数。

然后对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算。以平均值为阙值对已经统计出来的各帧取样点数进行第二次去野点，即：如果某帧的基音频率对应的取样点数大于阙值的动态范围就认为该帧统计出来的数据是不合理的，并且把其基音周期置零处理。阙值a(0<a<1)、b(b>1)的动态范围可以根据实验结果择优选择。

$X\left(n\right)=\left\{\begin{array}{cc}0& X\left(n\right)>AVE\&times;borX\left(n\right)<AVE\&times;a\\ X\left(n\right)& else\end{array}\right.$

第一次去野点时在Fs/500～Fs/50个取样点的局部范围内寻找极小值，三倍以上及三倍以上周期的情况都已被排除，如果没有基音周期但是在第一次处理时得到了不合理的数据，可以通过第二次去野点把数据排除掉，从而统计出来每一帧的基音频率所对应的取样点数，然后把取样点数转换为相应的基音频率，同时取样点数对零的数据仍然置零处理，并再次统计这个大小便语音信号的平均频率。

最后，经过以上方法统计出来的大小便基音频率总的来说是在平均频率上下范围被动，为了使得数据分布的更光滑，可以对结果进行线性滤波，使得基音频率在平均频率的正负5％的范围内被动

经过多次统计学习后，根据人体大小便频率分析的依据：利用平均幅度差函数计算出大小便的声音信号的频率，根据大便声音频率fd小，小便声音频率fx大，两者fx＝nfd(n＝5～15),从而得出人体如厕排泄物的类型判断结果。

本发明实施例还公开了一种智能马桶自适应识别大小便的系统，包括拾音单元10、信号放大单元20、信号滤波单元30、微处理器单元40。

拾音单元10是设置于人体如厕的声音传感器，例如电容式麦克风，但本发明实施例不限于此，其用于获取设备如厕时的音频信号，并通过信号放大单元20进行放大处理，信号滤波单元30为将放大后的信号进行滤除高频成份，并取得声强变化的包络线。

微处理器单元40包含了A/D转换单元401、滤背景噪声单元402、模型判断单元403，A/D转换单元401用于将声强变化的包络线的信号进行采样和量化，采录过程的声强变化过程的包络线的特征点。

滤背景噪声单元402通过程序将人体如厕的干扰音频成分去除，干扰音频成分包含了风扇噪声、振动、外界噪声等，将这些成份去除以进下一步的实时运算处理。

模型判断单元403实时监测音频包络曲线出现声强的最大值，计算人体如厕至所的时间跨度值△t，并采用最小二乘法做直线拟合所述音频包络曲线。

模型判断单元403还根据所述时间跨度值与所述起始声强建立人体如厕的数学模型公式，排泄物声音振幅随时间变化的规律，选择合适的矩形窗，计算其短时平均幅度Mn，根据排泄物的频率，从而得出识别结果由此完成判断结果检测。

模型判断单元403还将原始语音信号进行分帧，并进行统计每帧平均能量，将能量小于设定阀值的帧进行内容作零处理，重新生成语音信号。

模型判断单元403对新的语音信号进行分帧，使用以下短时线性加权平均幅度差函数定义：

$F_{nw}\left(k\right)=\frac{1}{N-k+1}\underset{m=1}{\overset{N-k+1}{\&Sigma;}}|S_n(m+k-1)-S_n\left(m\right)|,$ 其中，N是语音信号所加窗口的长度，S_n(m)是语音信号S(m)经过窗长为N的窗口截取的一段加窗语音信号，S_n(m)＝s(m)w(n-m)，w(n-m)为窗函数。

模型判断单元403判断每帧信号的中的局部极小值，由于人的大小便频率为50～900Hz，那么对应的极小值局部搜索范围为Fs/900～Fs/50(Fs是大小便信号的取样频率)个取样点，那么三倍以及三倍以上周期的情况都已经被排除，如果是二倍周期，可以使当前帧的基音频率所对应的取样点，从而对野点进行了第一次剔除，使用以下方式进行第一次剔除野点：

$X\left(n\right)=\left\{\begin{array}{cc}0& \left(X\right(n)>Fs/50orX(n)Fs/500)\\ |X\left(n\right)-X(n-1)|& (round\left(X\left(n\right)/X\left(n-1\right)=2orroun\left(X\left(n-1\right)/\left(n\right)\right)=2\right)\\ X\left(n\right)& else\end{array}\right.,$

对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算：

$AVE=\underset{n=1}{\overset{row}{\&Sigma;}}\left|X\left(n\right)\right|/NUM,$

其中，X(n)为局部极小值对应的取样点数，NUM为X(n)不为零的总个数。

然后对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算。以平均值为阙值对已经统计出来的各帧取样点数进行第二次去野点，即：如果某帧的基音频率对应的取样点数大于阙值的动态范围就认为该帧统计出来的数据是不合理的，并且把其基音周期置零处理。阙值a(0<a<1)、b(b>1)的动态范围可以根据实验结果择优选择。

$X\left(n\right)=\left\{\begin{array}{cc}0& X\left(n\right)>AVE\&times;borX\left(n\right)<AVE\&times;a\\ X\left(n\right)& else\end{array}\right.$

第一次去野点时在Fs/500～Fs/50个取样点的局部范围内寻找极小值，三倍以上及三倍以上周期的情况都已被排除，如果没有基音周期但是在第一次处理时得到了不合理的数据，可以通过第二次去野点把数据排除掉，从而统计出来每一帧的基音频率所对应的取样点数，然后把取样点数转换为相应的基音频率，同时取样点数对零的数据仍然置零处理，并再次统计这个大小便语音信号的平均频率。

模型判断单元403根据人体大小便频率分析的依据：利用平均幅度差函数计算出大小便的声音信号的频率，根据大便声音频率fd小，小便声音频率fx大，两者fx＝nfd(n＝5～15),从而得出人体如厕排泄物的类型判断结果。

本发明的方法和系统通过单片机对人体如厕大小便固有声音信号特性进行处理得检测运算，根据建立的数学模型得出判断结果，克服了现有技术中采用红外线或超声波探测人体如厕时间长短判断大小便，而采用如厕时间的长短并不是大小便的固有属性所以容易产生误判现象，而采取图像处理技术需安装摄像头容易导致用户隐私泄露问题，准确地识别大小便采取合理水量冲洗排泄物，从而实现节约用水。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种智能马桶自适应识别大小便的方法，其特征在于，包括以下步骤：

(1)获取人体如厕时的音频信号；

(2)将所述音频信号经过信号放大电路放大处理，通过信号滤波电路提取所述音频信号的声强变化的包络线；

(3)将所述包络线进行A/D转换，并过滤干扰信号，获得音频包络曲线；

(4)对处理后的语音信号进行分帧，使用以下短时线性加权平均幅度差函数定义：

其中，N是语音信号所加窗口的长度，S_n(m)是语音信号S(m)经过窗长为N的窗口截取的一段加窗语音信号，S_n(m)＝s(m)w(n-m)，w(n-m)为窗函数；

(5)根据平均幅度差函数识别大小便类型。

2.根据权利要求1所述的智能马桶自适应识别大小便的方法，其特征在于，所述步骤(4)还包括将原始语音信号进行分帧，并进行统计每帧平均能量，将能量小于设定阀值的帧进行内容作零处理，重新生成语音信号。

3.根据权利要求2所述的智能马桶自适应识别大小便的方法，其特征在于，所述步骤(4)还包括筛选每帧信号的F_nw(k)的局部极小值，使用极小值局部搜索范围为Fs/900～Fs/50个取样点，其中Fs为大小便信号的取样频率，使用以下方式进行第一次剔除野点：

$X\left(n\right)=\left\{\begin{array}{cc}0& \left(X\right(n)>Fs/50orX(n)<Fs/500)\\ |X\left(n\right)-X(n-1)|& \left(round\right(X\left(n\right)/X(n-1)=2orround\left(X\right(n-1)/X(n\left)\right)=2)\\ X\left(n\right)& else\end{array}\right.,$

对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算：

$AVE=\underset{n=1}{\overset{row}{\&Sigma;}}\left|X\left(n\right)\right|/NUM,$

其中，X(n)为局部极小值对应的取样点数，NUM为X(n)不为零的总个数。

4.根据权利要求3所述的智能马桶自适应识别大小便的方法，其特征在于，所述步骤(4)还包括对以平均值为阙值对已经统计出来的各帧取样点数进行第二次去野点：

其中，阙值a(0<a<1)、b(b>1)的动态范围。

5.一种智能马桶自适应识别大小便的系统，其特征在于，包括拾音单元、信号放大单元、信号滤波单元、微处理器单元，所述拾音单元用于获取如厕的音频信号，所述信号放大单元用于使所述音频信号进行放大处理，所述信号滤波单元用于使放大的音频信号滤除高频成分，并取得声强变化的包络线，微处理器单元包含了A/D转换单元、滤背景噪声单元、模型判断单元，所述A/D转换单元用于将所述声强变化的包络线的信号进行采样和量化，所述滤背景噪声单元，所述模型判断单元对语音信号进行分帧，使用以下短时线性加权平均幅度差函数定义：

其中，N是语音信号所加窗口的长度，S_n(m)是语音信号S(m)经过窗长为N的窗口截取的一段加窗语音信号，S_n(m)＝s(m)w(n-m)，w(n-m)为窗函数，根据平均幅度差函数识别大小便类型。

6.根据权利要求5所述的智能马桶自适应识别大小便的系统，其特征在于，所述模型判断单元还将原始语音信号进行分帧，并进行统计每帧平均能量，将能量小于设定阀值的帧进行内容作零处理，重新生成语音信号。

7.根据权利要求6所述的智能马桶自适应识别大小便的系统，其特征在于，所述模型判断单元还对每帧信号的F_nw(k)的局部极小值进行筛选，使用极小值局部搜索范围为Fs/900～Fs/50个取样点，其中Fs为大小便信号的取样频率，使用以下方式进行第一次剔除野点：

$X\left(n\right)=\left\{\begin{array}{cc}0& \left(X\right(n)>Fs/50orX(n)<Fs/500)\\ |X\left(n\right)-X(n-1)|& \left(round\right(X\left(n\right)/X(n-1)=2orround\left(X\right(n-1)/X(n\left)\right)=2)\\ X\left(n\right)& else\end{array}\right.,$

对经过第一次剔除后统计出来的基音频率对应的取样点进行平均值计算：

$AVE=\underset{n=1}{\overset{row}{\&Sigma;}}\left|X\left(n\right)\right|/NUM,$

其中，X(n)为局部极小值对应的取样点数，NUM为X(n)不为零的总个数。

8.根据权利要求7所述的智能马桶自适应识别大小便的系统，其特征在于，所述模型判断单元还对以平均值为阙值对已经统计出来的各帧取样点数进行第二次去野点：

其中，阙值a(0<a<1)、b(b>1)的动态范围。