CN106308801B - 一种利用智能手机检测人体呼吸频率的方法 - Google Patents
一种利用智能手机检测人体呼吸频率的方法 Download PDFInfo
- Publication number
- CN106308801B CN106308801B CN201510368866.2A CN201510368866A CN106308801B CN 106308801 B CN106308801 B CN 106308801B CN 201510368866 A CN201510368866 A CN 201510368866A CN 106308801 B CN106308801 B CN 106308801B
- Authority
- CN
- China
- Prior art keywords
- respiratory
- frequency
- breathing
- human body
- frequency domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000241 respiratory effect Effects 0.000 claims abstract description 85
- 230000036387 respiratory rate Effects 0.000 claims abstract description 46
- 230000005236 sound signal Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000009514 concussion Effects 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 14
- 238000005259 measurement Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003434 inspiratory effect Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 2
- 208000008784 apnea Diseases 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 241000581364 Clinitrachus argentatus Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000024159 perception of rate of movement Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公布了一种利用智能手机检测人体呼吸频率的方法，基于傅里叶变换，通过智能手机采集声音信号来感应人体的呼吸动作，再通过音频数据处理和呼吸频率计算得到人体的呼吸频率。音频数据处理具体基于傅里叶变换的音频数据处理方法，对采集到的声音信号从时域信号转换为频域信号，并识别出一次完整的呼吸动作；再对完整的呼吸动作进行计数，得到当前呼吸次数；呼吸频率计算方法根据当前的呼吸次数和一段时间以前的呼吸次数，再通过计算得到用户的呼吸频率。本发明通过使用智能手机完成对用户呼吸频率的测量，无需使用昂贵医疗设备或其他电子器材，简单易行，可被普通用户大范围使用。
Description
技术领域
本发明涉及呼吸频率检测方法，尤其涉及一种利用智能手机的人体呼吸频率检测方法。
背景技术
现有呼吸检测技术主要在医疗器械领域应用。呼吸检测方法大多需要借助于比较精良的医疗设备，但是由于医疗设备造价高昂，此类技术很难被普通用户大范围的使用。而且，基于医疗器械的呼吸监测技术，主要用于监测呼吸是否停止和判断呼吸的强度等指标是否存在病理特征，这种呼吸检测技术并不适用于普通的健康人群。
现有技术中，申请号为200580032171.1的专利“使用非接触型麦克风进行呼吸型式测定的装置和方法”提供了一种用于分析用户呼吸的方法。该方法使用标准的非接触式麦克风产生表示呼吸的气流声音的原始信号，通过分析该原始信号以测定第一亚组的一个或者多个呼吸参数，并导出通常在原始信号中不能直接检测的第二亚组的一个或者多个估计呼吸参数。其中：第一亚组参数包括主动呼吸时间(主动呼气的持续时间)和呼吸期(相继呼吸之间的时间)，第二亚组参数包括吸气时间。通常，由于背景噪声的存在，麦克风无法直接检测出第二亚组的参数。
随着时代的发展，人们在享受科技的便利的同时，也越来越注重自身的健康。为了保持健康的身体，运动健身，越来越成为人们生活中必不可少的一部分。喜爱运动健身又不想去健身房的人们，对于可以随时监测自己运动，甚至给自己运动提供指导的软件有极高的需求。移动互联网时代的到来，让用户可以随时接入网络去分享自己的运动状态，并且可以与他人交流运动感受，这无疑极大的加速了这个领域发展，诞生出了不少的应用。因此，以智能手机为平台的运动监测软件，正成为移动设备应用的一个重要方面。
呼吸频率是衡量运动强度和量化运动量的一个重要指标。热爱运动的人们不需要对呼吸频率的检测精度达到医疗设备那样的程度，仅需要知道自己在运动时呼吸频率的大致情况。而现有技术中存在的不足主要有：(一)需借助设备来检测用户的呼吸频率，多使用医疗设备，这些设备造价昂贵；(二)主要针对病理特征，对普通人群不适合。目前，尚缺乏不需借助理疗设备而只需通过智能手机就可以检测用户的呼吸频率的方法。
发明内容
为了克服上述现有技术的不足，本发明提供一种利用智能手机基于傅里叶变换的人体呼吸频率检测方法，通过智能手机采集声音信号来感应人体的呼吸动作，通过计算得到人体的呼吸频率，为用户提供一种可以度量有氧运动强度的检测方法，简单易行。
本发明的原理是：用户的呼吸行为本身具有一定的声音，本发明采用音频处理的方式，来识别用户的呼吸信号。现有最常用的音频处理技术是通过傅里叶变换进行音频的频谱分析，通过频域分析得到音频分量。即通过离散傅里叶变换可利用计算机系统处理分析时域信号的频域特性。但是，离散傅里叶变换算法的时间复杂度是O(N^2)，时间复杂度会随着计算量的增大而显著增大，当进行大数据量的运算时，会有较大时延。而本发明的呼吸监测对于实时性具有极高的要求，因此，本发明根据离散傅里叶变换的对称性等特性，得到离散傅里叶变换的等效形式——快速傅里叶变换(fast Fourier transform，FFT)。采用FFT算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。快速傅里叶变换FFT可以将离散傅里叶变换计算的时间复杂度优化到O(NlogN)。本发明提供了在可变背景噪音存在的情况下检测呼吸信号的方法。该方法通过引导使用者经过多个生物节律活动，来获得信号检测参数，该参数包括信噪比和滤波器的过滤特征，该参数用于从麦克风检测到的信号中，过滤背景噪声。将麦克风采集到的模拟信号数字化后，对数字信号进行频谱分析，得到呼气频谱和吸气频谱。从呼气频谱中减去吸气频谱以得到净频谱。分析净频谱来测定第一频率和第二频率，第一频率和第二频率所确定的范围之外，就是数字滤波器要滤除的范围。滤波器的范围(本发明为0-20)通过大量的实验观察得出，数字滤波器所得到结果作为目标频域数据，是最能代表呼吸情况的频率区域，通过滤波器滤出这一段频率数据，对人体呼吸频率进行分析检测。
本发明提供的技术方案是：
一种利用智能手机检测人体呼吸频率的方法，该方法基于傅里叶变换，通过智能手机采集声音信号来感应人体的呼吸动作，通过计算得到人体的呼吸频率，包括如下步骤：
1)通过智能手机采集声音信号，用于感应人体的呼吸动作；所述声音信号包括呼吸气流震荡产生的声音信号；
2)通过基于傅里叶变换的音频数据处理方法，对采集到的声音信号从时域信号转换为频域信号，并识别出一次完整的呼吸动作，包括：
2.1)在目标频域中找出最能代表呼吸分量的频域特征的频点组合，识别采集到的声音信号中是否存在呼吸分量；
具体地，需要找到呼吸分量所对应的频谱范围；在呼吸分量的频域范围内，确定目标频域；在目标频域中找出最能代表呼吸分量的频域特征的频点组合；从而识别采集到的声音信号中是否存在呼吸分量；
2.2)通过上述频点组合设定频域信号的上限阈值和下限阈值，识别出一次完整的呼吸动作；
3)对完整的呼吸动作进行计数，得到完整的呼吸动作的次数，作为当前的呼吸次数；
4)通过呼吸频率计算方法，根据当前的呼吸次数和一段时间以前的呼吸次数，计算得到用户的呼吸频率。
针对上述利用智能手机检测人体呼吸频率的方法，进一步地：
步骤1)通过手机自带的麦克风，或者插在手机3.5mm音频接口的耳机的麦克风，采集呼吸气流震荡产生的声音信号，从而完成对人体呼吸动作的感知。
步骤2.1)中，识别采集到的声音信号中是否存在呼吸分量的方法具体包括如下步骤：
2.1.1)将采集到的声音信号通过快速傅里叶变换FFT方法从时域转换到频域，分析该声音信号的频域特性，得到采集到的声音信号的频域序列，找出能够代表呼吸分量的频谱范围，作为呼吸频率分量所对应的目标频域；
2.1.2)通过实验在呼吸分量所对应的频谱范围内，找出能够代表呼吸分量的频域特征的频点(组合)，该频点(组合)即代表了呼吸分量的存在。
步骤2.2)中识别出一次完整的呼吸动作，具体是：检查目标频域数据中的频点的能量值，如果呼吸未开始，而且目标频域中的频点能量值有大于设定的上限阈值的，则判断为呼吸已开始，设为呼吸开始状态；如果呼吸已开始，而且目标频域中的频点能量值全部小于设定的下限阈值，则判断呼吸已结束，设为呼吸结束状态。如果连续经历了呼吸开始状态和呼吸结束状态，则记录为一次完整的呼吸。
步骤2.2)设定上限阈值和下限阈值，具体是基于识别呼吸分量的频点组合来设定的，上限阈值为该组频点组合的平均能量峰值的80％；下限阈值为该组频点组合的平均能量峰值的20％
步骤4)中，呼吸频率计算方法具体包括如下步骤：
4.1)通过一个累加器，把每次检测到的完整呼吸动作记录下来，进行呼吸次数的累加；
4.2)通过一个长度设为L的队列缓存当前的呼吸次数，从队尾进入队列，此时队首是在一段时间之前的呼吸次数；
4.3)通过一个计时器，以秒为单位进行出队入队的操作，每次入队的同时，进行出队；
4.4)计算队首元素和队尾元素的差值，就是L秒内的呼吸次数，从而得到L秒时间内的平均的呼吸频率。
与现有技术相比，本发明的有益效果是：
本发明提供一种利用智能手机基于傅里叶变换的人体呼吸频率检测方法，通过使用智能手机完成对用户呼吸频率的测量，无需使用任何昂贵的医疗设备，也不用借助任何的电子器材。本发明关注的是用户在运动中的呼吸频率，即给用户提供了一种可以度量有氧运动强度的衡量依据，而不是关注呼吸信号的病理特征。基于移动互联网的发展和智能手机的普及，通过本发明提供的技术方案，任何用户都可以在任何时候对自己的呼吸频率进行测量，而无需投入高价的设备成本。本发明简单易行，可被普通用户大范围使用。
附图说明
图1为本发明提供的通过智能手机获得用户呼吸频率的检测方法的流程框图。
图2为本发明实施例中音频数据处理方法的流程框图。
图3为本发明实施例中呼吸记录模块的流程框图。
图4为本发明实施例中呼吸频率计算模块的流程框图。
图5为本发明实施例中通过MatLab的FFT函数得到的安静环境下音频信号的频谱图；
图6为本发明实施例中通过MatLab的FFT函数得到的安静环境下用户有较强呼吸时的音频信号的频谱图；
图7为本发明实施例中通过MatLab的FFT函数得到的嘈杂环境下的音频信号的频谱图；
图8为本发明实施例中通过MatLab的FFT函数得到的嘈杂环境下用户有较强呼吸时的音频信号的频谱图；
图9为本发明实施例中通过MatLab的FFT函数得到的嘈杂环境下有无呼吸分量时的音频信号频域的对比图；
图5～图9中，采样点数为N(实施例中N＝256)；FFT之后得到的变换结果为采样点的模值，纵坐标为横坐标相应采样点的频率值下的幅度特性。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种利用智能手机基于傅里叶变换的人体呼吸频率检测方法，包括如下步骤：
1)通过智能手机采集声音信号，用于感应人体的呼吸动作；所述声音信号包括呼吸气流震荡产生的声音信号；
2)对采集到的声音信号，通过音频数据处理方法识别出一次完整的呼吸动作，包括：
2.1)识别采集到的声音信号中是否存在呼吸分量；
具体地，需要找到呼吸分量所对应的频谱范围；在呼吸分量的频域范围内，确定目标频域；在目标频域中找出最能代表呼吸分量的频域特征的频点组合；从而识别采集到的声音信号中是否存在呼吸分量；
2.2)基于上述可以从混合音频信号中识别呼吸分量的频点组合，通过给该组频点组合设定上限阈值和下限阈值，来识别出一次完整的呼吸动作；
3)对完整的呼吸动作进行计数，得到完整的呼吸动作的次数，作为当前的呼吸次数；
4)通过呼吸频率计算方法，根据当前的呼吸次数和一段时间以前的呼吸次数，计算得到用户的呼吸频率。
本实施例中，首先通过手机感应人体的呼吸动作。现有智能手机支持许多的可以感知周边环境信息的传感器，比如加速度传感器、陀螺仪传感器、磁力传感器、光线传感器等，但硬件上并不存在可以直接感知人体呼吸的呼吸传感器。因此不能直接利用现有的手机硬件去感应人体的呼吸动作。一次完整的呼吸包括两个部分：呼气和吸气。其中呼吸的时候会有气流从人体口鼻处喷出，于是可以通过感知呼气时的气流，来间接的感知人体的呼吸动作。从而用智能手机感知人体呼吸动作的问题，就转变为了如何感知呼气气流的问题。
呼吸气流本身会产生空气的震荡，空气的震荡就会有声音。比如当呼吸急促的时候，就会听到明显的喘息声音，这就是源于空气震荡的气流的声音。因此，可以通过手机自带的麦克风，或者插在手机3.5mm音频接口的耳机的麦克风，去采集呼吸气流震荡产生的声音，从而完成对人体呼吸动作的感知。
由于麦克风采集到的声音，是周边环境中的所有的声音，不会只有呼吸气流所产生的声音。因此本发明所研究的第二个问题是如何在一个混合声音的信号中，去识别是否存在呼吸声音的分量。如果我们播放麦克风所采集下来的声音信号，只要有环境的背景杂音在，那么无论是否存在呼吸分量的声音，我们都无法听得出来。因此，在时域中对声音信号的处理，不足以从中识别出呼吸声音的分量，必须转换到频域中，去分析其频域特性。混合的声音信号，在频域中，会呈现出各自的频域分量。在实施中，通过多种情况下多次呼吸采样进行实验，将声音信号从时域变换到频域，观察频谱特征和对应的频谱范围，找出可以表征其状态的频点组合。因此，可以通过大量的实验去找到呼吸分量所对应的频谱范围，就可以观察这个范围内的频谱特性的变化，从而判断是否存在呼吸分量。但是混合音频信号中，由于包含很多未知的声音信号，其频域范围可能和呼吸信号的频域范围相重叠，因此不能直接把呼吸分量的频域范围内的频谱，就作为在混合信号中判断存在呼吸分量的依据。还要经过大量的实验，在存在各种杂音的情况下，在呼吸分量的频域范围内，找出最能代表呼吸分量的频域特征的频点的组合。即这些频点所体现出的幅度值或者能量值的组合，无论在何种噪音频谱的干扰叠加之下，都可以正确的判断出呼吸信号存在与否。
在可以从混合的音频信号中识别出是否存在呼吸分量之后，需要通过监测识别一次完整的呼吸动作，从而对于呼吸动作进行计数。由于呼吸动作是一段时间内的持续性的行为，并且具有周期性，因此可以通过识别呼吸开始状态和呼吸终止状态，从而判断出一次完整的呼吸。基于上述可以从混合音频信号中识别呼吸分量的频点组合，给予该组频点组合不同的阈值；阈值包括上限阈值和下限阈值；在一次呼吸过程中，上限阈值是在该组频点组合的平均峰值的80％；下限阈值是在该组频点组合的平均峰值的20％。呼吸状态开始和结束的切换具体是：如果当前状态为呼吸结束状态，则该组频点幅度值都大于某个上限阈值，则表明混合声音信号中存在呼吸分量，作为判断呼吸开始状态的依据；如果当前状态为呼吸开始状态，则如果该组频点幅度值都小于某个下限阈值，则说明此时的混合音频信号中已不存在呼吸分量，作为判断呼吸结束状态的依据。每当按次序检测出一次呼吸开始状态与一次呼吸结束状态，则完成了一次完整的呼吸动作的检测。
基于上述的从混合音频信号中识别一次完整呼吸动作的方法，本发明还研究了如何通过手机对呼吸进行频域的计算。即先通过一个累加器，把每次检测到的完整呼吸过程记录下来，进行数量的累加。然后通过一个队列来缓存在不同时间点的呼吸次数，即当前的呼吸次数，从队尾进入队列，此时队首的是在一段时间之前的呼吸次数。然后使用一个计时器，以秒为单位进行出队入队的操作。即队列的长度L，就是计算频域所需要的时间段的值，队首元素为当前时间点的呼吸次数，队尾元素为在队列长度L秒之前的呼吸次数。每次入队的同时，进行出队，然后计算队首元素和队尾元素的差值，就是L秒内的呼吸次数。用得到的L秒内的呼吸次数，再除以时间L秒，就是这L秒的一个平均的呼吸频率。到此本发明已将呼吸次数转变为了一段时间内的平均的呼吸频率。
图1是本发明通过手机获得用户呼吸频率的检测方法的流程框图，该方法中，手机安装的是安卓系统，音频信号输入数据为外界的声音信号。首先要把外界的声音信号进行采集，选择适当的采样率，选择适当的编码方式，并存储到安卓系统中的一片数据缓存区中。然后每次从该数据缓存区中读取一部分音频数据，进行后续的实时处理，直到该数据缓存区中的所有音频数据都被读取完毕为止，该算法结束，得到用户的呼吸频率。后续的实时处理包括两个模块：音频数据处理模块和呼吸频率计算模块。其中音频数据处理模块对每次从缓存区中取出来的数据进行处理，判断是否有呼吸分量的存在，以及计算当前的呼吸次数；呼吸频率计算模块，根据当前的呼吸次数以及一段时间以前的呼吸次数，计算出用户的呼吸频率。
图2为音频数据处理模块采用的音频数据处理方法的流程框图。
音频数据处理模块以从缓存区域中每次读取出来的一段音频数据为输入，其最关键的技术是如何在音频信号中判断是否有呼吸分量的存在。音频信号来自于手机的麦克风或者耳机的麦克风，周边环境中所有的声音分量都会包含在该信号中，我们在时域中无法判断是否存在呼吸分量。因此，本发明中音频数据处理通过傅立叶变换将时域信号转化为频域信号，在频域中分析音频信号的频谱特性。
连续信号以及连续信号的傅立叶变换，都是连续函数，但数字系统只能处理长度有限的离散信号。因此，为了使用计算机进行数据处理，必须将时域中的连续信号和其在频域中的连续频率都进行离散化处理，再建立对应的傅立叶变换关系。因此本发明选用离散傅立叶变换(Discrete Fourier Transform，缩写为DFT)。
傅里叶变换(Fourier transform)源自对傅里叶级数的研究。在对傅里叶级数的研究中，复杂的周期函数可以用一系列简单的正弦、余弦波之和表示。傅里叶变换是对傅里叶级数的扩展，不仅局限于周期函数，而是将傅里叶级数的思想结合极限的分析方法拓展到了非周期函数，即将非周期函数的傅里叶级数看成周期趋近于无穷大的周期信号的傅里叶级数，从而诞生出了傅里叶变换。傅里叶变换就成为了链接时域和频域的桥梁。
由于数字电路在采集自然界的模拟信号的时候，都会通过采样来将原本连续的模拟信号转变为离散的数字信号，因此需要采用离散时间傅里叶变换(DTFT，Discrete-timeFourier Transform)，去分析离散信号的频域特征。离散时间傅里叶变换得到的频域结果，仍然是一个连续的函数。
由于计算机系统只能处理二进制的离散信号，因此数字电路对于模拟信号采样的同时，还需要算法对离散时间傅里叶变换得到的频域结果也进行采样，从而就得到了时域和频域同步采样的离散傅里叶变换(DFT，Discrete Fourier Transform)。离散傅里叶变换就可以利用计算机系统去帮助处理分析时域信号的频域特性。离散傅里叶变换的定义如下：
(式1)
式1中，N为离散序列的周期；π为圆周率；X[k]为相应频率的幅度(相应频率点的模值)。
根据定义我们可以分析出，离散傅里叶变换算法的时间复杂度是O(N^2)，时间复杂度会随着计算量的增大而显著增大，当进行大数据量的运算时，会有较大时延。由于本发明的呼吸监测对于实时性具有极高的要求，因此该算法不能直接运用。
根据离散傅里叶变换的对称性等特性，我们可以得到离散傅里叶变换的等效形式——快速傅里叶变换(Fast Fourier Transform)。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。快速傅里叶变换可以将离散傅里叶变换计算的时间复杂度优化到O(NlogN)。具体地，我们将要计算DFT的长度为N的序列，基于分治算法的思想，按照奇数位置和偶数位置，分成两个子序列：奇序列和偶序列。从而将一个单一的DFT计算，转化为了两个子规模的DFT计算。每个子规模的DFT计算，可以再递归的进行分治。根据算法时间复杂度的主定理可知，此种实现方式的时间复杂度为O(n logn)。这种DFT的实现方式也被称为FFT(Fast Fourier Transform)。
本发明经过FFT得到的频域序列，找出代表呼吸频率分量的频谱范围，作为目标频域，对目标频域数据进行后续的有关呼吸检测的处理。
图3为呼吸记录模块的流程框图。呼吸记录模块主要功能是检测一次完整的呼吸。一次呼吸的检测包括两部分：检测呼吸开始状态和呼吸结束状态。检查目标频域数据中的频点的能量值，如果呼吸未开始，而且目标频域中的频点能量值有大于设定的上限阈值的，则判断为呼吸已开始，设为呼吸开始状态；如果呼吸已开始，而且目标频域中的频点能量值全部小于设定的下限阈值，则判断呼吸已结束，设为呼吸结束状态。如果连续经历了呼吸开始状态和呼吸结束状态，则记录为一次完整的呼吸。
图4为呼吸频率计算模块的流程框图。呼吸频率计算模块需要把音频数据处理模块输出的“检测出一次完整的呼吸”的信息，转换成实时的呼吸频率。首先对音频数据处理模块输出的呼吸信息进行累加计数，作为当前的呼吸次数。然后使用一个长度为L(实施例中L＝5)的滑动窗口，来保存连续L个时间点的实时的呼吸次数。当滑动窗口初始化完毕，其长度等于L以后，窗口不断前移。每次窗口前移，位于窗口头部的数据就会滑出窗口，该数据就是L时间之前的呼吸次数。利用L时间之前的呼吸次数和当前的呼吸次数，就可以得到L时间内的呼吸次数，进而就得到了时间L内的平均呼吸频率——次/分钟。
自此，就完成了从麦克风采集进来的声音信号，得到用户的呼吸频率。
图5～图9中，假设采样频率为fs，信号的物理频率为f，采样点数为N(实施例中N＝256)；那么FFT之后得到的变换结果为采样点的模值，为该采样点频率值下的幅度特性；纵坐标表征该采样点频率值下的信号的真实振幅值，真实振幅是变换结果乘以2除以N；每个采样点对应一个频率点；横坐标为采样点信号的物理频率，第k个采样点对应的物理频率为：2π*k*8000/256Hz，其中对音频信号的采样频率是8000Hz，对频域以256点均匀采样。
图5为在安静环境下声音信号的频谱特性。从图中可以看到，由于环境安静，以及用户的呼吸比较平缓，麦克风感应不到任何的声音。因此在整个频域范围内，所有频点的能量都几乎是0，只存在分布于整个频带范围内的白噪声。
图6为在安静环境下用户进行有一定强度的呼吸时的声音信号的频谱特性。从图中可以看到，呼吸信号分量出现在整个频域范围的低频部分。由于呼吸信号分量以及声音信号，都可以被抽象为一个随机过程，其频域特性会随着时间t而变化。因此需要在呼吸分量频谱中，寻找最具有特征的频点或者最具有特征的几个频点的组合，作为当存在其他声音分量时，从频域中识别此呼吸分量的依据。
图7为在嘈杂环境下的声音信号的频谱特性。从图中可以看出，声音信号分量成分复杂，随机性很强。也再次说明要在这种具有多种声音分量的嘈杂环境中，去识别出呼吸分量，必须要找到最具有特征的频点或者几个频点的组合。
图8为在嘈杂环境下用户进行有一定强度呼吸时的声音信号的频域特性。与图7相对比，可以看到，由于声音信号是一个随机过程，在不同的时刻，其频谱特性差别很大，而且随机性很强。
本实施例中，在低频部分，可以看到有3个比较明显的频点(分别为频点2、10和17)的能量增益。频谱范围具体通过如下方法获得：在安静环境下，对着手机剧烈呼吸，整个频域中只要不为0的范围就是呼吸分量的频谱范围，根据图6可以看到频谱范围是1-116；因此，呼吸分量频谱范围实测为：1-116范围；在呼吸分量频谱1-116范围内，在频点2、10、17处随着呼吸过程，出现明显能量增大，频点能量会超过阈值A(阈值A设为在频点组合2、10、17处的平均峰值的80％)；而不对着手机呼吸时，环境中的杂音在2、10、17处的能量远不到阈值A。具体地，本实施例分别分析了安静环境、在安静环境下用户进行有一定强度的呼吸时、嘈杂环境和在嘈杂环境下用户进行有一定强度呼吸时的声音信号的频域特性，分别如图5、图6图7和图8所示，经分析，将采样频点1-20这部分低频区域，作为监测用户呼吸的目标频域。采样频点1-20这部分低频区域是在大量的实验数据中，发现该频段在有无呼吸时变化明显，可以比较好的用来作为一次呼吸的评判依据。例如，本发明实施过程中，在一次试验中，嘈杂环境中的无呼吸的FFT图中1-20点内的幅度范围为：[0.15：3.26]，波形比较平稳；20-256范围内的幅度范围为：[0.01:26.07]，波形比较无规则。嘈杂环境下呼吸的FFT图中1-20点内的幅度范围为：[1.11:10.67],；20-256范围内的幅度范围为：[0.04:19.78]。嘈杂环境下有呼吸时和没有呼吸时的FFT对比图也可以看出，两者在0-20点范围内的变化比较大而且特征明显。另外在0-20频段又以2、10、17这三个频点变化尤其大(没有呼吸时分别为：2.05、1.3、3.36，有呼吸时为：10.67、10.34、10.23)，所以在本实例中主要依据此三个频点组合来判定呼吸是否开始。
在目标频域内，如果有频点大于上限阈值(本实施例取2、10、17三点峰值的平均值的80％)，或者总有3个频点大于此上限阈值，则认定此目标频域内出现呼吸分量，进入呼吸开始状态。如果在此目标频域内，所有频点能量值都小于下限阈值，则认为目标频域内已经不存在呼吸分量，即当前音频信号中，已经没有呼吸分量部分，进入呼吸结束状态。本实施例设定在2、10、17处三个频点峰值都超过幅度5时，表明此时是呼吸状态而不是噪杂环境；下限阈值为一次呼吸过程中，在2、10、17处三个频点的平均峰值的20％；例如，采样频点2、7、17处能量峰值分别为a、b和c，则下限阈值为0.2*(a+b+c)/3，如果2、7、17处三个频点的能量同时低于下限阈值，就判定呼吸结束。
图9为嘈杂环境中，是否具有呼吸分量的一个对比图。从图中我们可以看出，目标频域1-20采样频点范围内，有呼吸分量和没有呼吸分量时的频点能量的差别。因此该呼吸监测算法可以准确的监测用户的呼吸频率，但受到麦克风等硬件的限制，对于用户的平缓的呼吸无法监测，只能监测用户在运动中的有一定强度的呼吸。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种利用智能手机检测人体呼吸频率的方法，所述方法基于傅里叶变换，通过智能手机采集声音信号来感应人体的呼吸动作，再通过音频数据处理和呼吸频率计算得到人体的呼吸频率，包括如下步骤：
1)通过智能手机采集声音信号，用于感应人体的呼吸动作；所述声音信号包括呼吸气流震荡产生的声音信号；
2)通过基于傅里叶变换的音频数据处理方法，对采集到的声音信号从时域信号转换为频域信号，并识别出一次完整的呼吸动作，包括：
2.1)在目标频域中找出最能代表呼吸分量的频域特征的频点组合，识别采集到的声音信号中是否存在呼吸分量；
2.2)通过上述频点组合设定频域信号的上限阈值和下限阈值，识别出一次完整的呼吸动作；
3)对完整的呼吸动作进行计数，得到完整的呼吸动作的次数，作为当前的呼吸次数；
4)通过呼吸频率计算方法，根据当前的呼吸次数和一段时间以前的呼吸次数，计算得到用户的呼吸频率；呼吸频率计算方法具体包括如下步骤：
4.1)通过一个累加器，把每次检测到的完整呼吸动作记录下来，进行呼吸次数的累加；
4.2)通过一个长度设为L的队列缓存当前的呼吸次数，从队尾进入队列，此时队首是在一段时间之前的呼吸次数；
4.3)通过一个计时器，以秒为单位进行出队入队的操作，每次入队的同时，进行出队；
4.4)计算队首元素和队尾元素的差值，就是L秒内的呼吸次数，从而得到L秒时间内的平均的呼吸频率。
2.如权利要求1所述利用智能手机检测人体呼吸频率的方法，其特征是，步骤1)通过智能手机自带的麦克风，或者插在智能手机3.5mm音频接口的耳机的麦克风，采集呼吸气流震荡产生的声音信号，从而完成对人体呼吸动作的感知。
3.如权利要求1所述利用智能手机检测人体呼吸频率的方法，其特征是，步骤2.1)通过快速傅里叶变换FFT方法将采集到的声音信号从时域转换为频域，得到声音信号的频域序列；通过多次采集声音信号样本、转换和分析声音信号的频域特性，找出代表呼吸频率分量的频谱范围；在呼吸分量的频域范围内，确定目标频域；在目标频域中找出最能代表呼吸分量的频域特征的频点组合；从而识别采集到的声音信号中是否存在呼吸分量。
4.如权利要求1所述利用智能手机检测人体呼吸频率的方法，其特征是，步骤2.2)设定上限阈值和下限阈值，具体是基于识别呼吸分量的频点组合来设定的，上限阈值为该频点组合的平均能量峰值的80％；下限阈值为该频点组合的平均能量峰值的20％。
5.如权利要求1所述利用智能手机检测人体呼吸频率的方法，其特征是，步骤2.2)中识别出一次完整的呼吸动作，具体是：检查目标频域数据中的频点的能量值，如果呼吸未开始，而且目标频域中的频点能量值有大于设定的上限阈值的，则判断为呼吸已开始，设为呼吸开始状态；如果呼吸已开始，而且目标频域中的频点能量值全部小于设定的下限阈值，则判断呼吸已结束，设为呼吸结束状态；如果连续经历了呼吸开始状态和呼吸结束状态，则记录为一次完整的呼吸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510368866.2A CN106308801B (zh) | 2015-06-29 | 2015-06-29 | 一种利用智能手机检测人体呼吸频率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510368866.2A CN106308801B (zh) | 2015-06-29 | 2015-06-29 | 一种利用智能手机检测人体呼吸频率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106308801A CN106308801A (zh) | 2017-01-11 |
| CN106308801B true CN106308801B (zh) | 2019-03-01 |
Family
ID=57721617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510368866.2A Expired - Fee Related CN106308801B (zh) | 2015-06-29 | 2015-06-29 | 一种利用智能手机检测人体呼吸频率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106308801B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11717214B2 (en) * | 2017-05-05 | 2023-08-08 | ResMed Pty Ltd | Screening, diagnosis and monitoring of respiratory disorders |
| CN107280674A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于音频录取设备的呼吸模式判决方法 |
| CN107811610B (zh) * | 2017-09-27 | 2020-12-15 | 深圳和而泰智能控制股份有限公司 | 一种呼吸率检测方法、装置、电子设备及存储介质 |
| CN107928673B (zh) * | 2017-11-06 | 2022-03-29 | 腾讯科技（深圳）有限公司 | 音频信号处理方法、装置、存储介质和计算机设备 |
| CN109009125B (zh) * | 2018-06-07 | 2019-05-28 | 上海交通大学 | 基于移动终端音频的驾驶员细粒度呼吸监测方法及系统 |
| CN109793519B (zh) * | 2019-01-22 | 2021-12-24 | 南方科技大学 | 呼吸速率检测方法、装置、存储介质及终端 |
| US11191448B2 (en) * | 2019-06-07 | 2021-12-07 | Bose Corporation | Dynamic starting rate for guided breathing |
| CN110251135A (zh) * | 2019-06-26 | 2019-09-20 | 郭庆龙 | 一种人体运动呼吸监测方法 |
| CN111603222A (zh) * | 2020-05-11 | 2020-09-01 | 江苏省苏北人民医院 | 一种基于音频的穿刺计数系统及方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09173320A (ja) * | 1995-12-25 | 1997-07-08 | Casio Comput Co Ltd | 音声検査装置 |
| JP2001017403A (ja) * | 1999-07-08 | 2001-01-23 | Alps Electric Co Ltd | 生体信号検出装置 |
| US10195377B2 (en) * | 2009-08-13 | 2019-02-05 | Hidetsugu Asanoi | Device for calculating respiratory waveform information and medical instrument using respiratory waveform information |
| JP5605204B2 (ja) * | 2010-12-15 | 2014-10-15 | ソニー株式会社 | 呼吸信号処理装置およびその処理方法ならびにプログラム |
| WO2013170035A1 (en) * | 2012-05-09 | 2013-11-14 | Technophysics Solutions, Corporation | System and method for attachment free motion, respiration, heartbeat, and video monitoring |
| CN103251388B (zh) * | 2013-04-25 | 2014-12-10 | 北京大学深圳研究生院 | 基于智能手机平台的打鼾监测方法和监测及防治系统 |
| CN104287772A (zh) * | 2014-10-16 | 2015-01-21 | 任瑞 | 一种数字听诊器 |
-
2015
- 2015-06-29 CN CN201510368866.2A patent/CN106308801B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN106308801A (zh) | 2017-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106308801B (zh) | 一种利用智能手机检测人体呼吸频率的方法 | |
| US9814438B2 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
| CN105662345B (zh) | 心跳信号处理方法、装置和系统 | |
| US20190029563A1 (en) | Methods and apparatus for detecting breathing patterns | |
| US10863921B2 (en) | Method and apparatus for determining a respiration rate of a subject | |
| CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
| CN105796096B (zh) | 一种心率变异性分析方法、系统及终端 | |
| CN103829958B (zh) | 一种监测人情绪的方法及装置 | |
| CN103251388B (zh) | 基于智能手机平台的打鼾监测方法和监测及防治系统 | |
| CN108388912A (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
| KR101619611B1 (ko) | 마이크로폰을 이용한 호흡률 추정 장치 및 기법 | |
| US20080082018A1 (en) | Systems and methods for respiratory event detection | |
| Lin et al. | Automatic Wheezing Detection Based on Signal Processing of Spectrogram and Back‐Propagation Neural Network | |
| CN105588577B (zh) | 一种用于运动监测装置的异常计步的检测方法和装置 | |
| CN114176521B (zh) | 基于雷达信息的睡眠分期方法、装置及终端 | |
| CN102988036A (zh) | 测量脉率的方法 | |
| CN103961105A (zh) | 对打鼾进行识别和强度输出的方法与系统及一种呼吸机 | |
| CN109330582A (zh) | 基于心电信号分析的心率及其特征指标检测方法 | |
| CN114333901A (zh) | 呼吸异常分类模型的训练、呼吸异常检测方法及电子设备 | |
| Chien et al. | Wheeze detection using cepstral analysis in gaussian mixture models | |
| CN102217931A (zh) | 一种心率变异性特征参数的获取方法和装置 | |
| US20180021010A1 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
| EP2283773A1 (en) | Processing a breathing signal | |
| US20130211273A1 (en) | Method and apparatus for heart rate measurement | |
| Abushakra et al. | Efficient frequency-based classification of respiratory movements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220125 Address after: G10-1002, China Sensor Network International Innovation Park, 200 Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province, 214000 Patentee after: WUXI YUNQUE TECHNOLOGY Co.,Ltd. Address before: 214135 Aquarius 411, Wuxi National Software Park, Wuxi City, Jiangsu Province Patentee before: WUXI ZHIGAN STARS TECHNOLOGY CO.,LTD. |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190301 |