CN109717835B - 一种基于麦克风阵列的鼾声体位检测方法 - Google Patents
一种基于麦克风阵列的鼾声体位检测方法 Download PDFInfo
- Publication number
- CN109717835B CN109717835B CN201811567325.2A CN201811567325A CN109717835B CN 109717835 B CN109717835 B CN 109717835B CN 201811567325 A CN201811567325 A CN 201811567325A CN 109717835 B CN109717835 B CN 109717835B
- Authority
- CN
- China
- Prior art keywords
- snore
- microphone
- fragment
- microphone channel
- average power
- 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.)
- Active
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Circuit For Audible Band Transducer (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于麦克风阵列的鼾声体位检测方法。该方法首先使用环形麦克风阵列采集睡眠呼吸声数据,确定参考和辅助麦克风通道,并对各通道整夜睡眠呼吸声进行鼾声检测获得鼾声片段;之后基于参考通道鼾声片段估计TDOA向量,将所有TDOA向量结果进行聚类,获得体位类型数;接着针对各个麦克风通道,求取每个鼾声片段的平均功率,由此获取每个鼾声片段最大平均功率对应的麦克风通道;最后根据TDOA向量聚类结果和每个鼾声片段的平均功率以及最大的平均功率对应的麦克风通道,获取每个鼾声片段对应的体位检测结果。本发明采用非侵入式方式,过程简便且更保护患者隐私,避免了患者睡眠过程中的不适感,对于进一步研究体位对鼾声影响具有重要的医学价值。
Description
技术领域
本发明属于用声信号处理手段实现睡眠体位检测技术,特别是一种基于麦克风阵列的鼾声体位检测方法。
背景技术
阻塞性睡眠呼吸暂停/低通气综合征(Obstructive Sleep Apnea-HypopneaSyndrome,OSAHS)属于睡眠呼吸领域疾病。OSAHS发病率为3%-4%,会伴有打鼾和呼吸暂停症状。由它引发的频繁血氧饱和度下降会造成心脑血管系统损害,极易诱发高血压、冠心病、心力衰竭等疾病。临床上,目前使用多导睡眠仪 (Polysomnography,PSG)诊断OSAHS,但其价格昂贵,且患者在使用时需要长时间佩戴面罩,身体多个部位也需要连接导管,这些会给患者带来不适。由于鼾声是OSAHS显著症状,所以对患者整夜睡眠情况进行监测,从中提取鼾声进行研究,来判断是否患有OSAHS。目前睡眠监测设备主要分为两种,一种是便携式睡眠监测设备,通过佩戴体积小的传感器来采集数据;一种是非侵入式睡眠监测设备,通过麦克风阵列来采集数据。因为鼾声振动来源与上气道阻塞、气道结构性狭窄以及上气道肌张力降低密切相关,而这些影响因素与人体睡眠体位有一定关系。关于体位检测,国内胡弢等人(胡弢,王蕾,侯琳琳,张亮.基于加速度传感器的睡眠体位监测方法的研究[J].中国医学物理学杂志,2012,29(04):3542-3545+3576.)利用加速度传感器,通过佩戴在小腹位置连续采集睡眠期间的身体位置状态,使用上位机软件对体位信号的突变、渐变、状态间相似度进行分析,从中分离出相关体位信息。但是这类方法只检测体位,没有体现鼾声与体位关联性。於俊成等人(於俊成.基于骨导麦克风的睡眠呼吸状态监测及健康分析[D].天津大学,2016.)使用陀螺仪芯片作为监测模块的主要部件,监测受试者翻身的情况,通过对陀螺仪采集的数据进行分析,计算每次翻身转过的角度,确定对应的体位信息。但是此方法需要将采集设备通过医用胶带固定在受试者胸口靠近下巴的位置,且设备所处的平面和陀螺仪旋转轴需要是保持平行的,要求比较高,会影响数据采集结果。东北大学的康雁等人(康雁,宁国琛.基于声源定位的头部姿态检测系统研究与实现[J].东北大学学报(自然科学版),2018,39(01):26-30+49.)利用声源定位技术,使用4路麦克风传感器以阵列形式即1m×1m的矩阵方式放置于待测者枕头四周即左上、右上、左下、右下来采集鼾声,通过计算发声位置和鼾声幅值特征来判断头部姿态。但是其头部姿态是被预先定性区分为向左、向上、向右3个状态,而在实际环境下会出现其他状态,也应被考虑;其次,麦克风放置于头部四周,受试者翻身会受到影响,导致最后得到的结果不准确。
发明内容
本发明所要解决的技术问题在于提供一种基于麦克风阵列的鼾声体位检测方法。
实现本发明目的的技术解决方案为:一种基于麦克风阵列的鼾声体位检测方法,包括以下步骤:
步骤1、利用环形麦克风阵列同步采集体位待测者的睡眠呼吸声数据信号,确定参考麦克风通道和辅助麦克风通道,并对环形麦克风阵列各麦克风通道睡眠呼吸声数据信号进行鼾声检测,获得若干个鼾声片段;
步骤2、估计参考麦克风通道的每个鼾声片段对应的波达时间差向量,将所有波达时间差向量结果进行聚类,获取体位类型数;
步骤3、针对各个麦克风通道,求取每个鼾声片段的平均功率,由此获取每个鼾声片段最大平均功率对应的麦克风通道;
步骤4、根据步骤2波达时间差向量聚类结果和步骤3获得的每个鼾声片段的平均功率以及最大的平均功率对应的麦克风通道,获取每个鼾声片段对应的体位检测结果。
本发明与现有技术相比,其显著优点为:1)本发明方法可以反映出受试者在睡眠情况下打鼾时的体位信息;2)本发明采用环形麦克风阵列录制鼾声,且其设置的位置未接触到受试者,属于“非侵入式”;3)本发明方法采用TDOA向量聚类方式来确定鼾声体位类型数目,是基于数据的方法,因而更能适应不同受试者整夜睡眠的多种体位状态。
下面结合附图对本发明作进一步详细的描述。
附图说明
图1为本发明基于麦克风阵列的鼾声体位检测方法的流程图。
图2为本发明中采集鼾声数据的4元麦克风阵列示意图。
图3为本发明实施例中一段睡眠呼吸声时域图。
图4为本发明实施例中聚类结果的轮廓图,其中(1)为聚类个数k为4的轮廓图;(2)为聚类个数k为5的轮廓图;(3)为聚类个数k为6的轮廓图。
图5为本发明实施例中所有鼾声片段的TDOA向量聚类结果示意图。
具体实施方式
结合图1,本发明的一种基于麦克风阵列的鼾声体位检测方法,包括以下步骤:
步骤1、利用环形麦克风阵列同步采集体位待测者的睡眠呼吸声数据信号,确定参考麦克风通道和辅助麦克风通道,并对环形麦克风阵列各麦克风通道睡眠呼吸声数据信号进行鼾声检测,获得若干个鼾声片段。
进一步地,步骤1中环形麦克风阵列为4元环形麦克风阵列如图2所示,分别编号为1、2、3、4,其中2号和4号麦克风位于体位待测者头部的正上方,且该两个麦克风之间的距离范围覆盖整个头部;1号和3号麦克风对称分布于2 号或4号麦克风的两侧且保证1号和3号麦克风位于体位待测者头部的两侧。
进一步地,步骤1中确定参考麦克风通道和辅助麦克风通道,并对环形麦克风阵列各麦克风通道睡眠呼吸声数据信号进行鼾声检测,获得若干个鼾声片段,具体为:
步骤1-1、选取麦克风通道2作为参考麦克风通道,麦克风通道1、3、4作为辅助麦克风通道;
步骤1-2、对各麦克风通道数据信号进行短时分帧,其中帧移为帧长的一半;
步骤1-3、确定各麦克风通道每一帧的短时能量,所用公式为:
式中,i表示麦克风通道编号,q表示第q帧,N为每一帧所包含的信号采样点数即帧长,Ei,q为麦克风通道i第q帧的短时能量,si,q[n]为麦克风通道i第 q帧的采样数据;
步骤1-4、确定每个麦克风通道的短时能量门限Ti:
Ti=min(Ii,1,Ii,2)
其中,Ii,1、Ii,2分别为:
Ii,1=ai*[Ei,max-Ei,min]+Ei,min
Ii,2=bi*Ei,min+Ei,b
式中,Ei,max为麦克风通道i的短时能量最大值,Ei,min为麦克风通道i的短时能量最小值,Ei,b为麦克风通道i的噪声基底能量,ai和bi为参数值;
步骤1-5、对各麦克风通道数据信号进行门限检测,当麦克风通道i的某一帧的短时能量大于该麦克风通道的短时能量门限Ti,则该帧为有声帧,连续有声帧为鼾声片段。
步骤2、估计参考麦克风通道的每个鼾声片段对应的波达时间差向量,将所有波达时间差向量结果进行聚类,获取体位类型数。
进一步地,步骤2具体为:
步骤2-1、对所有麦克风通道的鼾声片段进行预加重处理;
步骤2-2、采用自适应滤波方法,估计参考麦克风通道各个鼾声片段对应的波达时间差向量,具体为:
步骤2-2-1、假设麦克风通道1、麦克风通道2的第c个鼾声片段数据信号为m1,c和m2,c,信号长度均为Lm,以麦克风通道2的第c个鼾声片段数据信号为参考信号,构造麦克风通道1的第c个鼾声片段数据信号的快拍xj:
xj=[m1,c(j),m1,c(j+1),···m1,c(j+L-1)]T
式中,下标j=1,2,...,Lm-L+1表示第j个快拍,L表示滤波器长度,上标T 表示转置;
步骤2-2-2、求取自相关矩阵Rxx,所用公式为:
式中,J=Lm-L+1表示快拍数量;
步骤2-2-3、求取互相关向量rxd,所用公式为:
步骤2-2-4、求取权矢量w,所用公式为:
步骤2-2-5、对步骤2-2-4获得的权矢量w进行峰值检测,记峰值的横坐标为z,z与DL的差值即为麦克风通道1和通道2之间的波达时间差;
步骤2-2-6、重复步骤2-2-1至2-2-5,分别获得麦克风通道2每个鼾声片段与麦克风通道1、3、4中对应的鼾声片段的波达时间差,同一鼾声片段对应的三个波达时间差构建为该鼾声片段的波达时间差向量,波达时间差向量的维数为 3×1;
步骤2-3、利用聚类算法对步骤2-2获取的波达时间差向量进行聚类,获得最佳的k类波达时间差向量即k类体位类型;
步骤2-4、获取每一类波达时间差向量的波达时间差向量的个数r;判断r 与预设阈值d的关系,若r<d,则将r对应的该类波达时间差向量去除,以此更新k值为k=k-kr;其中d=dr×所有波达时间差向量数,dr的单位为百分比; kr为被去除的波达时间差向量类的类数。
进一步地,步骤2-3中聚类算法具体为K-means聚类算法,利用K-means 聚类算法获得的不包含负轮廓值的轮廓图对应的k只有一个,则该k为最佳的k;若获得的不包含负轮廓值的轮廓图对应的k有多个,则平均轮廓值最大的轮廓图对应的k为最佳的k。
进一步地,步骤2-4更新后的体位类型k=5,包括偏右躺、偏左躺、右躺、左躺、平躺。
步骤3、针对各个麦克风通道,求取每个鼾声片段的平均功率,由此获取每个鼾声片段最大平均功率对应的麦克风通道。
进一步地,步骤3具体为:
步骤3-1、对各个麦克风通道的鼾声片段进行高通滤波;
步骤3-2、针对各个麦克风通道,求取每个鼾声片段的平均功率,所用公式为:
式中,i表示麦克风通道i,c表示第c个鼾声片段,fi,c表示麦克风通道i 第c个鼾声片段样点数量,Pi,c表示麦克风通道i第c个鼾声片段的平均功率, si,c[f]为麦克风通道i第c个鼾声片段的采样数据;
步骤3-3、根据步骤3-2获得的各个麦克风通道中每个鼾声片段的平均功率,获取每个鼾声片段最大的平均功率对应的麦克风通道。
步骤4、根据步骤2波达时间差向量聚类结果和步骤3获得的每个鼾声片段的平均功率以及最大的平均功率对应的麦克风通道,获取每个鼾声片段对应的体位检测结果。
进一步地,步骤4具体为:
假设某一个鼾声片段最大平均功率对应的麦克风通道为1号或3号麦克风通道,若该鼾声片段在2号或4号麦克风通道的平均功率与其最大平均功率的差值不超过最大平均功率的u%,则体位类型为偏右躺或偏左躺,反之,体位类型为右躺或左躺;
假设某一个鼾声片段最大平均功率对应的麦克风通道为2号或4号麦克风通道,若该鼾声片段在1号或3号麦克风通道的平均功率与其最大平均功率的差值不超过最大平均功率的u%,则体位类型为偏右躺或偏左躺;若该鼾声片段在1 号或3号麦克风通道的平均功率与最大平均功率的差值均超过最大平均功率的 u%,则体位类型为平躺。
进一步地,u%为30%。
进一步的,u与1号、3号麦克风和2号或4号麦克风的距离有关,距离近, u值小,反之,u值大。
下面结合实施例对本发明作进一步详细的描述。
实施例
结合图1,本发明基于麦克风阵列的鼾声体位检测方法,包括以下步骤:
步骤1、利用图2所示环形麦克风阵列同步4路采集受试者整夜睡眠呼吸声数据,确定参考麦克风通道和辅助麦克风通道,并对环形麦克风阵列各麦克风通道睡眠呼吸声数据信号进行鼾声检测,获得若干个鼾声片段:
步骤1-1、选取麦克风通道2作为参考麦克风通道,麦克风通道1、3、4作为辅助麦克风通道;
步骤1-2、对各麦克风通道数据信号进行短时分帧,帧长为128ms即2048 个点,帧移为64ms即1024个点;
步骤1-3、确定各麦克风通道每一帧的短时能量,所用公式为:
式中,i表示麦克风通道编号,q表示第q帧,N为每一帧所包含的信号采样点数即帧长,Ei,q为麦克风通道i第q帧的短时能量,si,q[n]为麦克风通道i第 q帧的采样数据;
步骤1-4、确定每个麦克风通道的短时能量门限Ti:
Ti=min(Ii,1,Ii,2)
其中,Ii,1、Ii,2分别为:
Ii,1=ai*[Ei,max-Ei,min]+Ei,min
Ii,2=bi*Ei,min+Ei,b
式中,Ei,max为麦克风通道i的短时能量最大值,Ei,min为麦克风通道i的短时能量最小值,Ei,b为麦克风通道i的噪声基底能量,ai和bi为参数值;
本实施例中,取a1=0.0015,b1=10,E1,b=2*106;a2=0.001,b2=9, E2,b=1.7*106;a3=0.0005,b3=11,E3,b=1.85*106;a4=0.0007,b4=8, E4,b=1.8*106;T1=6175439,T2=6774691,T3=6992860,T4=6328066;
步骤1-5、对各麦克风通道数据信号进行门限检测,当麦克风通道i的某一帧的短时能量大于该麦克风通道的短时能量门限Ti,则该帧为有声帧,连续有声帧为鼾声片段。
步骤2、估计参考麦克风通道的每个鼾声片段对应的波达时间差向量,将所有波达时间差向量结果进行聚类,获取体位类型数,具体为:
步骤2-1、对所有麦克风通道的鼾声片段进行预加重处理,提升高频分量;
步骤2-2、采用自适应滤波方法,估计参考麦克风通道各个鼾声片段对应的波达时间差向量,具体为:
步骤2-2-1、假设麦克风通道1、麦克风通道2的第c个鼾声片段数据信号为m1,c和m2,c,信号长度均为Lm,以麦克风通道2的第c个鼾声片段数据信号为参考信号,构造麦克风通道1的第c个鼾声片段数据信号的快拍xj:
xj=[m1,c(j),m1,c(j+1),···m1,c(j+L-1)]T
式中,下标j=1,2,...,Lm-L+1表示第j个快拍,L表示滤波器长度,上标T 表示转置。本实施例中,滤波器长度L为65;
步骤2-2-2、求取自相关矩阵Rxx,所用公式为:
式中,J=Lm-L+1表示快拍数量;
步骤2-2-3、求取互相关向量rxd,所用公式为:
步骤2-2-4、求取权矢量w,所用公式为:
步骤2-2-5、对步骤2-2-4获得的权矢量w进行峰值检测,记峰值的横坐标为z,z与DL的差值即为麦克风通道1和麦克风通道2之间的波达时间差;
步骤2-2-6、重复步骤2-2-1至2-2-5,分别获得麦克风通道2每个鼾声片段与麦克风通道1、3、4中对应的鼾声片段的波达时间差,同一鼾声片段对应的三个波达时间差构建为该鼾声片段的波达时间差向量,波达时间差向量的维数为 3×1;
步骤2-3、利用聚类算法对步骤2-2获取的波达时间差向量进行聚类,获得最佳的k类波达时间差向量即k类体位类型。本实施例中,聚类算法采用K-means 聚类算法。其中,聚类个数k的选定与其对应的轮廓图有关。轮廓图显示一个类中每个点与相邻类中的点的接近程度。该度量范围从+1(表示距离相邻类非常远的点)到0(表示在一个类或另一个类中不明显的点)到-1(表示可能分配给错误类的点)。若轮廓图中,类包含许多具有低轮廓值的点或包含负值的点,即表明类没有很好的区分开,此时需要重新选择聚类个数k。若出现不同聚类个数k 具有相似的轮廓图,则查看平均轮廓值,选择平均轮廓值大的聚类个数k。根据图4(1)、图4(2)、图4(3),最终选择k为5;
步骤2-4、获取每一类波达时间差向量的波达时间差向量的个数r;判断r 与预设阈值d的关系,若r<d,则将r对应的该类波达时间差向量去除,以此更新k值为k=k-kr;其中d=dr×所有波达时间差向量数,dr的单位为百分比, kr为被去除的波达时间差向量类的类数。实例中,dr为5%,根据图5,波达时间差向量总数为2902个,由于存在大量波达时间差向量具有相同的值,因此图中显示点会重合。每一类波达时间差向量数均超过波达时间差向量总数的5%,最终得到有5种体位类型。第一类波达时间差向量数为783个,第二类波达时间差向量数为180个,第三类波达时间差向量数为729个,第四类波达时间差向量数为1062个,第五类波达时间差向量数为148个。
步骤3、针对各个麦克风通道,求取每个鼾声片段的平均功率,由此获取每个鼾声片段最大的平均功率对应的麦克风通道,具体为:
步骤3-1、对各个麦克风通道的鼾声片段进行高通滤波。实例中,高通滤波器为FIR高通滤波器,其中FIR高通滤波器截止频率设为3kHz;
步骤3-2、针对各个麦克风通道,求取每个鼾声片段的平均功率,所用公式为:
式中,i表示麦克风通道i,c表示第c个鼾声片段,fi,c表示麦克风通道i 第c个鼾声片段样点数量,Pi,c表示麦克风通道i第c个鼾声片段的平均功率, si,c[f]为麦克风通道i第c个鼾声片段的采样数据;
步骤3-3、根据步骤3-2获得的各个麦克风通道中每个鼾声片段的平均功率,获取每个鼾声片段最大的平均功率对应的麦克风通道。
步骤4、根据波达时间差向量聚类结果和获得的每个鼾声片段的平均功率以及最大的平均功率对应的麦克风通道,获取每个鼾声片段对应的体位检测结果:
假设某一个鼾声片段最大平均功率对应的麦克风通道为1号或3号麦克风通道,若该鼾声片段在2号或4号麦克风通道的平均功率与其最大平均功率的差值不超过最大平均功率的u%,则体位类型为偏右躺或偏左躺,反之,体位类型为右躺或左躺;
假设某一个鼾声片段最大平均功率对应的麦克风通道为2号或4号麦克风通道,若该鼾声片段在1号或3号麦克风通道的平均功率与其最大平均功率的差值不超过最大平均功率的u%,则体位类型为偏右躺或偏左躺;若该鼾声片段在1 号或3号麦克风通道的平均功率与最大平均功率的差值均超过最大平均功率的 u%,则体位类型为平躺。
本实施例中,u%为30%,结合步骤2-4中的结果,获得第一类体位类型为偏左躺,第二类体位类型为右躺,第三类体位类型为左躺,第四类体位类型为偏右躺,第五类体位类型为平躺。
本发明设计的基于麦克风阵列的鼾声体位检测方法,具有非侵入式的特点,避免了使用者在睡眠过程中的不适感;并且基于数据的方法,采用TDOA向量聚类方式来确定鼾声体位类型数目,判断出体位类型,对于进一步研究体位对鼾声影响具有重要的医学价值。
Claims (9)
1.一种基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤如下:
步骤1、利用环形麦克风阵列同步采集体位待测者的睡眠呼吸声数据信号,确定参考麦克风通道和辅助麦克风通道,并对环形麦克风阵列各麦克风通道睡眠呼吸声数据信号进行鼾声检测,获得若干个鼾声片段;
步骤2、估计参考麦克风通道的每个鼾声片段对应的波达时间差向量,将所有波达时间差向量结果进行聚类,获取体位类型数;具体为:
步骤2-1、对所有麦克风通道的鼾声片段进行预加重处理;
步骤2-2、采用自适应滤波方法,估计参考麦克风通道各个鼾声片段对应的波达时间差向量,具体为:
步骤2-2-1、假设麦克风通道1、麦克风通道2的第c个鼾声片段数据信号为m1,c和m2,c,信号长度均为Lm,以麦克风通道2的第c个鼾声片段数据信号为参考信号,构造麦克风通道1的第c个鼾声片段数据信号的快拍xj:
xj=[m1,c(j),m1,c(j+1),···m1,c(j+L-1)]T
式中,下标j=1,2,...,Lm-L+1表示第j个快拍,L表示滤波器长度,上标T表示转置;
步骤2-2-2、求取自相关矩阵Rxx,所用公式为:
式中,J=Lm-L+1表示快拍数量;
步骤2-2-3、求取互相关向量rxd,所用公式为:
步骤2-2-4、求取权矢量w,所用公式为:
步骤2-2-5、对步骤2-2-4获得的权矢量w进行峰值检测,记峰值的横坐标为z,z与DL的差值即为麦克风通道1和通道2之间的波达时间差;
步骤2-2-6、重复步骤2-2-1至2-2-5,分别获得麦克风通道2每个鼾声片段与麦克风通道1、3、4中对应的鼾声片段的波达时间差,同一鼾声片段对应的三个波达时间差构建为该鼾声片段的波达时间差向量,波达时间差向量的维数为3×1;
步骤2-3、利用聚类算法对步骤2-2获取的波达时间差向量进行聚类,获得最佳的k类波达时间差向量即k类体位类型;
步骤2-4、获取每一类波达时间差向量的波达时间差向量的个数r;判断r与预设阈值d的关系,若r<d,则将r对应的该类波达时间差向量去除,以此更新k值为k=k-kr;其中d=dr×所有波达时间差向量数,dr的单位为百分比;kr为被去除的波达时间差向量类的类数;
步骤3、针对各个麦克风通道,求取每个鼾声片段的平均功率,由此获取每个鼾声片段最大平均功率对应的麦克风通道;
步骤4、根据步骤2波达时间差向量聚类结果和步骤3获得的每个鼾声片段的平均功率以及最大的平均功率对应的麦克风通道,获取每个鼾声片段对应的体位检测结果。
2.根据权利要求1所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤1所述环形麦克风阵列为4元环形麦克风阵列,分别编号为1、2、3、4,其中2号和4号麦克风位于体位待测者头部的正上方,且该2号和4号麦克风之间的距离范围覆盖整个头部;1号和3号麦克风对称分布于2号或4号麦克风的两侧且保证1号和3号麦克风位于体位待测者头部的两侧。
3.根据权利要求2所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤1所述确定参考麦克风通道和辅助麦克风通道,并对环形麦克风阵列各麦克风通道睡眠呼吸声数据信号进行鼾声检测,获得若干个鼾声片段;具体为:
步骤1-1、选取麦克风通道2作为参考麦克风通道,麦克风通道1、3、4作为辅助麦克风通道;
步骤1-2、对各麦克风通道数据信号进行短时分帧,其中帧移为帧长的一半;
步骤1-3、确定各麦克风通道每一帧的短时能量,所用公式为:
式中,i表示麦克风通道编号,q表示第q帧,N为每一帧所包含的信号采样点数即帧长,Ei,q为麦克风通道i第q帧的短时能量,si,q[n]为麦克风通道i第q帧的采样数据;
步骤1-4、确定每个麦克风通道的短时能量门限Ti:
Ti=min(Ii,1,Ii,2)
其中,Ii,1、Ii,2分别为:
Ii,1=ai*[Ei,max-Ei,min]+Ei,min
Ii,2=bi*Ei,min+Ei,b
式中,Ei,max为麦克风通道i的短时能量最大值,Ei,min为麦克风通道i的短时能量最小值,Ei,b为麦克风通道i的噪声基底能量,ai和bi为参数值;
步骤1-5、对各麦克风通道数据信号进行门限检测,当麦克风通道i的某一帧的短时能量大于该麦克风通道的短时能量门限Ti,则该帧为有声帧,连续有声帧为鼾声片段。
4.根据权利要求1所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤2-3所述聚类算法具体为K-means聚类算法,利用K-means聚类算法获得的不包含负轮廓值的轮廓图对应的k只有一个,则该k为最佳的k;若获得的不包含负轮廓值的轮廓图对应的k有多个,则平均轮廓值最大的轮廓图对应的k为最佳的k。
5.根据权利要求4所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤2-4更新后的体位类型k=5,包括偏右躺、偏左躺、右躺、左躺、平躺。
6.根据权利要求5所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤3所述针对各个麦克风通道,求取每个鼾声片段的平均功率,由此获取每个鼾声片段最大的平均功率对应的麦克风通道,具体为:
步骤3-1、对各个麦克风通道的鼾声片段进行高通滤波;
步骤3-2、针对各个麦克风通道,求取每个鼾声片段的平均功率,所用公式为:
式中,i表示麦克风通道i,c表示第c个鼾声片段,fi,c表示麦克风通道i第c个鼾声片段样点数量,Pi,c表示麦克风通道i第c个鼾声片段的平均功率,si,c[f]为麦克风通道i第c个鼾声片段的采样数据;
步骤3-3、根据步骤3-2获得的各个麦克风通道中每个鼾声片段的平均功率,获取每个鼾声片段最大的平均功率对应的麦克风通道。
7.根据权利要求6所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,步骤4所述根据步骤2波达时间差向量聚类结果和步骤3获得的每个鼾声片段的平均功率以及最大的平均功率对应的麦克风通道,获取每个鼾声片段对应的体位检测结果,具体为:
假设某一个鼾声片段最大平均功率对应的麦克风通道为1号或3号麦克风通道,若该鼾声片段在2号或4号麦克风通道的平均功率与其最大平均功率的差值不超过最大平均功率的u%,则体位类型为偏右躺或偏左躺,反之,体位类型为右躺或左躺;
假设某一个鼾声片段最大平均功率对应的麦克风通道为2号或4号麦克风通道,若该鼾声片段在1号或3号麦克风通道的平均功率与其最大平均功率的差值不超过最大平均功率的u%,则体位类型为偏右躺或偏左躺;若该鼾声片段在1号或3号麦克风通道的平均功率与最大平均功率的差值均超过最大平均功率的u%,则体位类型为平躺。
8.根据权利要求7所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,所述u%为30%。
9.根据权利要求7所述的基于麦克风阵列的鼾声体位检测方法,其特征在于,所述u的值与1号、3号麦克风和2号或4号麦克风的距离有关,距离近,u值小,反之,u值大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567325.2A CN109717835B (zh) | 2018-12-21 | 2018-12-21 | 一种基于麦克风阵列的鼾声体位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567325.2A CN109717835B (zh) | 2018-12-21 | 2018-12-21 | 一种基于麦克风阵列的鼾声体位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109717835A CN109717835A (zh) | 2019-05-07 |
CN109717835B true CN109717835B (zh) | 2021-05-04 |
Family
ID=66297679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811567325.2A Active CN109717835B (zh) | 2018-12-21 | 2018-12-21 | 一种基于麦克风阵列的鼾声体位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109717835B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570880B (zh) * | 2019-09-04 | 2022-02-18 | 杭州深蓝睡眠科技有限公司 | 一种鼾声信号识别方法 |
CN111862920A (zh) * | 2020-08-20 | 2020-10-30 | 北京驭声科技有限公司 | 一种鼾声有源噪声控制系统及其实现方法和使用方法 |
CN112842266B (zh) * | 2020-12-31 | 2024-05-14 | 湖南正申科技有限公司 | 一种基于人体监测睡眠数据的睡眠分期阶段识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005066053A (ja) * | 2003-08-25 | 2005-03-17 | Matsushita Electric Works Ltd | 安眠寝具 |
CN202313329U (zh) * | 2011-11-08 | 2012-07-11 | 河南华南医电科技有限公司 | 带胸腹呼吸、鼾声、体位的睡眠呼吸监测仪 |
WO2013064933A2 (en) * | 2011-11-02 | 2013-05-10 | Koninklijke Philips Electronics N.V. | An apparatus and a method for eliminating the intensity variance of a snoring sound signal due to a subject's head movement during sleep |
CN204562098U (zh) * | 2014-11-24 | 2015-08-19 | 张湘民 | 鼾声体位微型记录仪 |
CN105962894A (zh) * | 2016-04-25 | 2016-09-28 | 东北大学 | 一种基于鼾声的睡眠打鼾时头部姿态实时识别装置及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9993179B2 (en) * | 2012-10-29 | 2018-06-12 | Nightbalance B.V. | Method and device for sleep posture correction |
CN102138795A (zh) * | 2011-02-21 | 2011-08-03 | 上海大学 | 根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方法 |
CN103837858B (zh) * | 2012-11-23 | 2016-12-21 | 中国科学院声学研究所 | 一种用于平面阵列的远场波达角估计方法及系统 |
CN106264447A (zh) * | 2015-06-23 | 2017-01-04 | 湖南明康中锦医疗科技发展有限公司 | 睡眠体位检测方法及系统 |
CN107144811B (zh) * | 2017-05-12 | 2019-08-02 | 电子科技大学 | 一种单通道接收阵列信号的循环子空间测向方法 |
-
2018
- 2018-12-21 CN CN201811567325.2A patent/CN109717835B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005066053A (ja) * | 2003-08-25 | 2005-03-17 | Matsushita Electric Works Ltd | 安眠寝具 |
WO2013064933A2 (en) * | 2011-11-02 | 2013-05-10 | Koninklijke Philips Electronics N.V. | An apparatus and a method for eliminating the intensity variance of a snoring sound signal due to a subject's head movement during sleep |
CN202313329U (zh) * | 2011-11-08 | 2012-07-11 | 河南华南医电科技有限公司 | 带胸腹呼吸、鼾声、体位的睡眠呼吸监测仪 |
CN204562098U (zh) * | 2014-11-24 | 2015-08-19 | 张湘民 | 鼾声体位微型记录仪 |
CN105962894A (zh) * | 2016-04-25 | 2016-09-28 | 东北大学 | 一种基于鼾声的睡眠打鼾时头部姿态实时识别装置及方法 |
Non-Patent Citations (4)
Title |
---|
Multiple sound source localization based on TDOA clustering and multi-path matching;Hong Liu et al;《2017 IEEE International Conference on Acoustics, Speech and Signal Processing》;20170309;摘要 * |
传声器阵列自适应鼾声增强处理;王佳珺;《电声基础》;20161230;第29-30页,图1 * |
基于声源定位的头部姿态检测系统研究与实现;康雁,宁国琛;《东 北 大 学 学 报 ( 自 然 科 学 版 )》;20180131;第26-30页 * |
鼾声相关信号自动检测与分类研究;钱昆;《中国硕士学位论文全文数据库,信息科技辑》;20140715;第8-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109717835A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6547743B2 (en) | Respiratory-analysis systems | |
KR102556074B1 (ko) | 관절 건강 평가를 위한 웨어러블 기술들 | |
CN103167828B (zh) | 用于诊断清醒的患者的阻塞性睡眠呼吸暂停的方法和装置 | |
US7559903B2 (en) | Breathing sound analysis for detection of sleep apnea/popnea events | |
JP5878926B2 (ja) | 閉塞性睡眠時無呼吸を診断するための装置及び方法 | |
CN109717835B (zh) | 一种基于麦克风阵列的鼾声体位检测方法 | |
CA2931662C (en) | Acoustic upper airway assessment system and method, and sleep apnea assessment system and method relying thereon | |
EP1379170A2 (en) | Multi-channel self-contained apparatus and method for diagnosis of sleep disorders | |
US20220133222A1 (en) | A sleep monitoring system and method | |
WO2012037641A1 (en) | Mask and method for use in respiratory monitoring and diagnostics | |
US10004452B2 (en) | System and methods for estimating respiratory airflow | |
Doheny et al. | Estimation of respiration rate and sleeping position using a wearable accelerometer | |
KR20190111413A (ko) | 수면 무호흡 중증도 검사 장치 | |
JP2004187961A (ja) | 睡眠状態検出装置および睡眠状態管理システム | |
US20090171221A1 (en) | System apparatus for monitoring heart and lung functions | |
CA2585824A1 (en) | Breathing sound analysis for detection of sleep apnea/hypopnea events | |
CN112545547A (zh) | 呼吸音分析方法及呼吸音分析系统 | |
Czopek | Cardiac activity based on acoustic signal properties | |
Kalkbrenner et al. | Validation of a new system using tracheal body sound and movement data for automated apnea-hypopnea index estimation | |
Chyad et al. | A survey on detection and prediction methods for sleep apnea | |
Luo et al. | A simple method for monitoring sleeping conditions by all-night breath sound measurement | |
Rusydi et al. | Design a Stethoscope Digital to Keep the Medical Practitioner at an Adequate Distance While Examining the Patient | |
Montazeri et al. | Acoustical screening for obstructive sleep apnea during wakefulness | |
CA2584258A1 (en) | Breathing sound analysis for estimation of airflow rate | |
JP2011083563A (ja) | 介護評価指標推定装置及び介護評価指標推定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |