CN111916104B - 一种人工智能物联网宿舍管理系统及方法 - Google Patents
一种人工智能物联网宿舍管理系统及方法 Download PDFInfo
- Publication number
- CN111916104B CN111916104B CN202010700062.9A CN202010700062A CN111916104B CN 111916104 B CN111916104 B CN 111916104B CN 202010700062 A CN202010700062 A CN 202010700062A CN 111916104 B CN111916104 B CN 111916104B
- Authority
- CN
- China
- Prior art keywords
- snore
- voice
- dormitory
- samples
- filter
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 14
- 206010041235 Snoring Diseases 0.000 claims abstract description 169
- 230000004044 response Effects 0.000 claims description 41
- 238000001228 spectrum Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004659 sterilization and disinfection Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明提出了一种人工智能物联网宿舍管理系统及方法，所述系统包括：中心处理器及分别与所述中心处理器连接的语音采集模块、分贝检测仪、语音识别模块、状态提示模块；所述语音采集模块用于定时采集宿舍语音信号，所述分贝检测仪用于检测宿舍内声音分贝值；所述语音识别模块用于在检测到宿舍内声音分贝值超过预设阈值时，对所述语音采集模块采集到的宿舍语音信号进行鼾声判断，将识别结果发送至状态提示模块；所述状态提示模块用于根据所述语音识别模块的识别结果确定是否进行相应的灯光警示或语音警示。本发明能有效分辨鼾声和噪音，减少虚警率。
Description
技术领域
本发明涉及物联网宿舍管理技术领域，尤其涉及一种人工智能物联网宿舍管理系统及方法。
背景技术
传统的宿舍没有人工智能联网功能，大部分都是靠人工清洁、消毒以及管理，宿舍人工管理方式费时费力，存在诸多不便。比如大学宿舍由于学生上课时间、作息时间不同无法集中清洁消毒，个别宿舍吵闹也会影响其他宿舍学生的学习、休息，但是仅仅通过检测宿舍噪音分贝来进行噪音报警又很容易出现误报，比如鼾声。鼾声是由于呼吸过程中气流高速通过上呼吸道的狭窄部位时，振动气道周围的软组织而引起打鼾，俗称“打呼噜”。在吸气和呼气过程中都会出现，吸气时会较为明显，“呼噜”噪音音量有时可高达80分贝。
在进行宿舍智能管理时，需要准确区分鼾声与说话声、唱歌声与其他噪音，且需要区分出正常鼾声与异常鼾声，否则容易出现误报。
发明内容
本发明提出了一种人工智能物联网宿舍管理系统，用于解决噪音报警虚警率高的问题。
本发明第一方面，提出一种人工智能物联网宿舍管理系统，所述系统包括：中心处理器及分别与所述中心处理器连接的语音采集模块、分贝检测仪、语音识别模块、状态提示模块；
所述语音采集模块用于定时采集宿舍语音信号并发送至中心处理器；
所述分贝检测仪用于检测宿舍内声音分贝值并发送至中心处理器；
所述语音识别模块用于在检测到宿舍内声音分贝值超过预设阈值时，对所述语音采集模块采集到的宿舍语音信号进行鼾声判断，对持续时间与间隔时间之和均在设定的时间范围之内的语音信号，初步判断为鼾声，对初步判断为鼾声的语音信号进行MFCC特征提取，并识别是否为鼾声；对持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，并识别是否为鼾声，将识别结果发送至状态提示模块；
所述状态提示模块用于根据所述语音识别单元的识别结果确定是否进行相应的灯光警示或语音警示。
优选的，所述语音识别模块具体包括：
预处理单元：用于对采集到的语音信号进行模数转换，通过一个一阶高通滤波器对转换后的语音信号预加重，并进行分帧加窗，采用基于短时过零率与短时能量的双门限比较法对语音信号进行端点检测，获取有效信号段，并得到每段的起始时间、持续时间、间隔时间和幅度；
第一判断单元：若相邻两段的持续时间与间隔时间之和均在设定的时间范围之内，初步判断为鼾声；提取有效信号段的MFCC特征，输入训练好的SVM 分类器，判断出正常鼾声或非鼾声；
第二判断单元：若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围，通过改进的MFCC进行特征提取：
对与处理后的语音信号进行快速傅里叶变换得到各帧的频谱，计算功率谱；将所述功率谱通过一组三角滤波器转换为mel频谱；取多组鼾声样本和非鼾声样本，分析鼾声样本的能量分布特征，根据滤波器中心频率确定对应的滤波器响应系数，根据所述响应系数对所述三角滤波器的输出进行响应变换；对变换后的滤波器响应构成的向量进行取对数和倒谱得到改进的MFCC；计算当前帧的能量和当前帧前后各一帧的差分，最终得到每一帧26维度的改进MFCC特征，包括12维倒谱系数、12维倒谱系数差分、1维能量和1维能量差分；将所述改进的MFCC特征输入训练好的SVM分类器，判断出异常鼾声或非鼾声；
结果发送单元：当第一判断单元、第二判断单元判断出鼾声时，不做任何处理，当判断出非鼾声时，向状态提示单元发送警示信号。
优选的，所述第二判断单元中，每个三角滤波器的频率响应变换为：
其中，m＝1，2，…，M，M为滤波器个数，f(m)为滤波器中心频率，α(m) 为第m个滤波器的响应系数，α(m)的确定方法为：
取多组鼾声样本和非鼾声样本，转换成mel频谱后，均匀划分成多段，对每一样本按帧统计每一段对应的频谱能量之和，并进行归一化，得到鼾声样本的能量分布特征，与非鼾声样本的能量分布特征比对，确定鼾声样本的主要能量分布频段；
判断滤波器中心频率是否在主要能量分布频段之内，若是，根据滤波器中心频率确定对应的滤波器响应系数α(m)，且α(m)>1，若否，取α(m)＝0或1。
优选的，所述系统还包括与所述中心处理器连接的红外传感器、紫外消毒灯，所述红外传感器用于实时监测室内有无人员及对人员进行红外无线体温测量，对于体温异常的人员进行语音提示并记录留档；当室内为空，并处于上课时间段时，自动启动室内紫外消毒灯消毒。
本发明第二方面，提出一种人工智能物联网宿舍管理方法，所述方法包括：
S1、定时采集宿舍语音信号并检测宿舍内声音分贝值，
S2、在检测到宿舍内声音分贝值超过预设阈值时，对采集到的宿舍语音信号进行鼾声判断，对持续时间与间隔时间之和均在设定的时间范围之内的语音信号，初步判断为鼾声，对初步判断为鼾声的语音信号进行MFCC特征提取，并识别是否为鼾声；
S3、对存在持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，并识别是否为鼾声；
S4、若识别结果为鼾声，不做任何处理，否则，进行相应的灯光警示或语音警示。
优选的，所述步骤S2具体为：
对采集到的语音信号进行模数转换，通过一个一阶高通滤波器对转换后的语音信号预加重，并进行分帧加窗，采用基于短时过零率与短时能量的双门限比较法对语音信号进行端点检测，获取有效信号段，并得到每段的起始时间、持续时间、间隔时间和幅度；
若相邻两段的持续时间与间隔时间之和均在设定的时间范围之内，初步判断为鼾声；提取有效信号段的MFCC特征，输入训练好的SVM分类器，判断出正常鼾声或非鼾声。
优选的，所述步骤S3具体为：
若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围，通过改进的MFCC进行特征提取：
对与处理后的语音信号进行快速傅里叶变换得到各帧的频谱，计算功率谱；将所述功率谱通过一组三角滤波器转换为mel频谱；取多组鼾声样本和非鼾声样本，分析鼾声样本的能量分布特征，根据滤波器中心频率确定对应的滤波器响应系数，根据所述响应系数对所述三角滤波器的输出进行响应变换；每个三角滤波器的频率响应变换为：
其中，m＝1，2，…，M，M为滤波器个数，f(m)为滤波器中心频率，α(m) 为第m个滤波器的响应系数。
对变换后的滤波器响应构成的向量进行取对数和倒谱得到改进的MFCC；计算当前帧的能量和当前帧前后各一帧的差分，最终得到每一帧26维度的改进 MFCC特征，包括12维倒谱系数、12维倒谱系数差分、1维能量和1维能量差分；
将所述改进的MFCC特征输入训练好的SVM分类器，判断出异常鼾声或非鼾声。
本发明的相对于现有技术具有以下有益效果：
1)分辨鼾声和噪音的同时能够区分正常鼾声与异常鼾声，减少虚警率。
2)通过正常鼾声与异常鼾声分开判断的方式，可有效平衡计算量，防止所有的有效信号都经过改进的MFCC提取特征并分类带来的大量运算，在保证判断准确率的同时，提高运算效率；
3)本发明通过对多组鼾声样本和非鼾声样本的能量分布特征进行分析，确定鼾声样本的主要能量分布频段，通过所述主要能量分布频段可以得到鼾声样本与其他非鼾声样本的区别特征，然后判断滤波器中心频率是否在主要能量分布频段之内，若是通过一个滤波器响应系数α(m)放大该区别特征，将鼾声特征与其他非鼾声他正区别开来，可提高识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的人工智能物联网宿舍管理系统结构示意图；
图2为MFCC特征提取算法流程图；
图3为本发明的人工智能物联网宿舍管理方法流程示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种人工智能物联网宿舍管理系统，宿舍系统包括中心处理器100，以及与所述中心处理器通信连接的语音采集模块200、分贝检测仪300、语音识别模块400、状态提示模块500、红外传感器600、紫外消毒灯700。
所述语音采集模块200用于定时采集宿舍语音信号并发送至中心处理器100；
所述分贝检测仪300用于定时检测宿舍内声音分贝值并发送至中心处理器 100；
所述中心处理器100用于接收采集到的宿舍语音信号及声音分贝值并判断声音分贝值是否超过预设阈值，若是，将采集到的宿舍语音信号发送至所述语音识别模块，接收语音识别模块的识别结果，并根据识别结果控制状态提示模块进行相应的灯光警示或语音警示。
所述语音识别模块400用于在检测到宿舍内声音分贝值超过预设阈值时，对所述语音采集模块采集到的宿舍语音信号进行鼾声判断，对持续时间与间隔时间之和均在设定的时间范围之内的语音信号，初步判断为鼾声，对初步判断为鼾声的语音信号进行MFCC特征提取，并识别是否为鼾声；对持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，并识别是否为鼾声，将识别结果发送至状态提示模块；所述语音识别模块400 具体包括：
预处理单元：用于对采集到的语音信号进行模数转换，通过一个一阶高通滤波器对转换后的语音信号预加重，并进行分帧加窗，采用基于短时过零率与短时能量的双门限比较法对语音信号进行端点检测，获取有效信号段，并得到每段的起始时间、持续时间、间隔时间和幅度；
第一判断单元：若相邻两段的持续时间与间隔时间之和均在设定的时间范围之内，初步判断为鼾声；提取有效信号段的MFCC特征，输入训练好的SVM 分类器，判断出正常鼾声或非鼾声；MFCC特征提取算法流程图如图2所示。
由于鼾声时随着呼吸产生的，一般健康成年人的呼吸频率为16～20次每分钟，正常的鼾声信号是有规则的重复出现的信号，信号间隔时间、持续时间符合一般鼾声间隔时间、持续时间的范围，本发明基于鼾声信号的特点，通过对采集到的宿舍语音信号进行预处理，端点检测得出有效信号端的起始时间、持续时间、间隔时间和幅度。取相邻的鼾声片段的持续时间Td与间隔时间Ti之和Td+Ti，若所有相邻的鼾声片段的Td+Ti均在设定的范围之内，则初步判断为鼾声，在此基础上，提取有效信号段的MFCC特征，用于进一步分类判断。选取多个正常鼾声样本与非鼾声样本，并提取正常鼾声样本与非鼾声样本的MFCC 特征，提取特征后随机打乱样本顺序，归一化后将样本输入SVM分类器进行训练，将有效信号段的MFCC特征向量输入训练好的SVM分类器，判断出采集的语音信号时正常鼾声还是非鼾声。
第二判断单元：若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围，通过改进的MFCC进行特征提取：
对与处理后的语音信号进行快速傅里叶变换得到各帧的频谱，计算功率谱；将所述功率谱通过一组三角滤波器转换为mel频谱；取多组鼾声样本和非鼾声样本，分析鼾声样本的能量分布特征，根据滤波器中心频率确定对应的滤波器响应系数，根据所述响应系数对所述三角滤波器的输出进行响应变换；对变换后的滤波器响应构成的向量进行取对数和倒谱得到改进的MFCC；计算当前帧的能量和当前帧前后各一帧的差分，最终得到每一帧26维度的改进MFCC特征，包括12维倒谱系数、12维倒谱系数差分、1维能量和1维能量差分；将所述改进的MFCC特征输入训练好的SVM分类器，判断出异常鼾声或非鼾声；
所述第二判断单元中，每个三角滤波器的频率响应变换为：
其中，m＝1，2，…，M，M为滤波器个数，f(m)为滤波器中心频率，α(m) 为第m个滤波器的响应系数，α(m)的确定方法为：
取多组鼾声样本和非鼾声样本，转换成mel频谱后，均匀划分成多段，对每一样本按帧统计每一段对应的频谱能量之和，并进行归一化，得到鼾声样本的能量分布特征，与非鼾声样本的能量分布特征比对，确定鼾声样本的主要能量分布频段；
判断滤波器中心频率是否在主要能量分布频段之内，若是，根据滤波器中心频率确定对应的滤波器响应系数α(m)，且α(m)>1，若否，取α(m)＝0或1。
结果发送单元：当第一判断单元、第二判断单元判断出鼾声时，不做任何处理，当判断出非鼾声时，向状态提示模块发送警示信号。
由于鼾声是人体的一种重要的生理信号，它含有大量与鼾症的相关信息，异常的鼾声反映了睡眠呼吸暂停综合症的病理信息。在宿舍内进行鼾声与噪声判断时，若存在异常鼾声，很容易将异常鼾声与噪声混淆，造成鼾声误判，本发明对若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，从而进行鼾声判断。本发明通过对多组鼾声样本和非鼾声样本的能量分布特征进行分析，确定鼾声样本的主要能量分布频段，通过所述主要能量分布频段可以得到鼾声样本与其他非鼾声样本的区别特征，然后判断滤波器中心频率是否在主要能量分布频段之内，若是通过一个滤波器响应系数α(m)放大该区别特征，将鼾声特征与其他非鼾声他正区别开来，可提高识别率。此外，异常鼾声的判断可为学生的健康状况分析提供数据支撑。
所述状态提示模块用于根据所述语音识别模块的识别结果确定是否进行相应的灯光警示或语音警示。
具体实施时，可在不同时段设置不同的状态提示策略，比如当宿舍处于午睡和晚睡时间时，分贝不超过40时，LED灯绿色提示，当分贝处于40-45时， LED灯黄色提示，当分贝大于45且为非鼾声时，LED灯红色提示并开启语音警示；非休息时间时，分贝不超过60时，LED灯绿色提示，当分贝处于60-70时且非鼾声时，LED灯黄色提示，如果持续超过2分钟进行语音警示，当分贝大于70分贝且非鼾声时，LED灯红色提示并直接语音警示。
所述红外传感器600用于实时监测室内有无人员及对人员进行红外无线体温测量，对于体温异常的人员进行语音提示并记录留档；当室内为空，并处于上课时间段时，自动启动室内紫外消毒灯700消毒，有效维护宿舍安全。
请参阅图3，本发明还提出一种人工智能物联网宿舍管理方法，所述方法包括：
S1、定时采集宿舍语音信号并检测宿舍内声音分贝值，
S2、在检测到宿舍内声音分贝值超过预设阈值时，对采集到的宿舍语音信号进行鼾声判断，对持续时间与间隔时间之和均在设定的时间范围之内的语音信号，初步判断为鼾声，对初步判断为鼾声的语音信号进行MFCC特征提取，并识别是否为鼾声；所述步骤S2具体为：
对采集到的语音信号进行模数转换，通过一个一阶高通滤波器对转换后的语音信号预加重，并进行分帧加窗，采用基于短时过零率与短时能量的双门限比较法对语音信号进行端点检测，获取有效信号段，并得到每段的起始时间、持续时间、间隔时间和幅度；
若相邻两段的持续时间与间隔时间之和均在设定的时间范围之内，初步判断为鼾声；提取有效信号段的MFCC特征，输入训练好的SVM分类器，判断出正常鼾声或非鼾声。
S3、对存在持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，并识别是否为鼾声；
所述步骤S3具体为：
若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围，通过改进的MFCC进行特征提取：
对与处理后的语音信号进行快速傅里叶变换得到各帧的频谱，计算功率谱；将所述功率谱通过一组三角滤波器转换为mel频谱；取多组鼾声样本和非鼾声样本，分析鼾声样本的能量分布特征，根据滤波器中心频率确定对应的滤波器响应系数，根据所述响应系数对所述三角滤波器的输出进行响应变换；每个三角滤波器的频率响应变换为：
其中，m＝1，2，…，M，M为滤波器个数，f(m)为滤波器中心频率，α(m) 为第m个滤波器的响应系数。
对变换后的滤波器响应构成的向量进行取对数和倒谱得到改进的MFCC；计算当前帧的能量和当前帧前后各一帧的差分，最终得到每一帧26维度的改进 MFCC特征，包括12维倒谱系数、12维倒谱系数差分、1维能量和1维能量差分；
将所述改进的MFCC特征输入训练好的SVM分类器，判断出异常鼾声或非鼾声。
S4、若识别结果为鼾声，不做任何处理，否则，进行相应的灯光警示或语音警示。
本发明在实现噪声与鼾声分辨的同时还实现了正常鼾声与异常鼾声的判断，正常鼾声与异常鼾声分开判断的方式在保证判断准确率的同时，可有效平衡计算量，防止所有的有效信号都经过改进的MFCC提取样本并分类带来的大量运算，提高运算效率。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种人工智能物联网宿舍管理系统，其特征在于，所述系统包括：中心处理器及分别与所述中心处理器连接的语音采集模块、分贝检测仪、语音识别模块、状态提示模块；
所述语音采集模块用于定时采集宿舍语音信号并发送至中心处理器；
所述分贝检测仪用于定时检测宿舍内声音分贝值并发送至中心处理器；
所述语音识别模块用于在检测到宿舍内声音分贝值超过预设阈值时，对所述语音采集模块采集到的宿舍语音信号进行鼾声判断，对持续时间与间隔时间之和均在设定的时间范围之内的语音信号，初步判断为鼾声，对初步判断为鼾声的语音信号进行MFCC特征提取，并识别是否为鼾声；对持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，并识别是否为鼾声，将识别结果发送至状态提示模块；
所述状态提示模块用于根据所述语音识别单元的识别结果确定是否进行相应的灯光警示或语音警示；
所述语音识别模块具体包括：
预处理单元：用于对采集到的语音信号进行模数转换，通过一个一阶高通滤波器对转换后的语音信号预加重，并进行分帧加窗，采用基于短时过零率与短时能量的双门限比较法对语音信号进行端点检测，获取有效信号段，并得到每段的起始时间、持续时间、间隔时间和幅度；
第一判断单元：若相邻两段的持续时间与间隔时间之和均在设定的时间范围之内，初步判断为鼾声；提取有效信号段的MFCC特征，输入训练好的SVM分类器，判断出正常鼾声或非鼾声；
第二判断单元：若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围，通过改进的MFCC进行特征提取：
对与处理后的语音信号进行快速傅里叶变换得到各帧的频谱，计算功率谱；将所述功率谱通过一组三角滤波器转换为mel频谱；取多组鼾声样本和非鼾声样本，分析鼾声样本的能量分布特征，根据滤波器中心频率确定对应的滤波器响应系数，根据所述响应系数对所述三角滤波器的输出进行响应变换；对变换后的滤波器响应构成的向量进行取对数和倒谱得到改进的MFCC；计算当前帧的能量和当前帧前后各一帧的差分，最终得到每一帧26维度的改进MFCC特征，包括12维倒谱系数、12维倒谱系数差分、1维能量和1维能量差分；将所述改进的MFCC特征输入训练好的SVM分类器，判断出异常鼾声或非鼾声；
结果发送单元：当第一判断单元、第二判断单元判断出鼾声时，不做任何处理，当判断出非鼾声时，向状态提示单元发送警示信号；
所述第二判断单元中，每个三角滤波器的频率响应变换为：
其中，m＝1，2，…，M，M为滤波器个数，f(m)为滤波器中心频率，α(m)为第m个滤波器的响应系数，α(m)的确定方法为：
取多组鼾声样本和非鼾声样本，转换成mel频谱后，均匀划分成多段，对每一样本按帧统计每一段对应的频谱能量之和，并进行归一化，得到鼾声样本的能量分布特征，与非鼾声样本的能量分布特征比对，确定鼾声样本的主要能量分布频段；
判断滤波器中心频率是否在主要能量分布频段之内，若是，根据滤波器中心频率确定对应的滤波器响应系数α(m)，且α(m)>1，若否，取α(m)＝0或1。
2.根据权利要求1所述人工智能物联网宿舍管理系统，其特征在于，所述系统还包括与所述中心处理器连接的红外传感器、紫外消毒灯，所述红外传感器用于实时监测室内有无人员及对人员进行红外无线体温测量，对于体温异常的人员进行语音提示并记录留档；当室内为空，并处于上课时间段时，自动启动室内紫外消毒灯消毒。
3.一种人工智能物联网宿舍管理方法，其特征在于，所述方法包括：
S1、定时采集宿舍语音信号并检测宿舍内声音分贝值，
S2、在检测到宿舍内声音分贝值超过预设阈值时，对采集到的宿舍语音信号进行鼾声判断，对持续时间与间隔时间之和均在设定的时间范围之内的语音信号，初步判断为鼾声，对初步判断为鼾声的语音信号进行MFCC特征提取，并识别是否为鼾声；
S3、对存在持续时间与间隔时间之和超出设定的时间范围的语音信号，通过改进的MFCC进行特征提取，并识别是否为鼾声；
所述步骤S3具体为：
若存在相邻两段的持续时间与间隔时间之和超出设定的时间范围，通过改进的MFCC进行特征提取：
对与处理后的语音信号进行快速傅里叶变换得到各帧的频谱，计算功率谱；将所述功率谱通过一组三角滤波器转换为mel频谱；取多组鼾声样本和非鼾声样本，分析鼾声样本的能量分布特征，根据滤波器中心频率确定对应的滤波器响应系数，根据所述响应系数对所述三角滤波器的输出进行响应变换；每个三角滤波器的频率响应变换为：
其中，m＝1，2，…，M，M为滤波器个数，f(m)为滤波器中心频率，α(m)为第m个滤波器的响应系数
对变换后的滤波器响应构成的向量进行取对数和倒谱得到改进的MFCC；计算当前帧的能量和当前帧前后各一帧的差分，最终得到每一帧26维度的改进MFCC特征，包括12维倒谱系数、12维倒谱系数差分、1维能量和1维能量差分；
将所述改进的MFCC特征输入训练好的SVM分类器，判断出异常鼾声或非鼾声；
S4、若识别结果为鼾声，不做任何处理，否则，进行相应的灯光警示或语音警示。
4.根据权利要求3所述人工智能物联网宿舍管理方法，其特征在于，所述步骤S2具体为：
对采集到的语音信号进行模数转换，通过一个一阶高通滤波器对转换后的语音信号预加重，并进行分帧加窗，采用基于短时过零率与短时能量的双门限比较法对语音信号进行端点检测，获取有效信号段，并得到每段的起始时间、持续时间、间隔时间和幅度；
若相邻两段的持续时间与间隔时间之和均在设定的时间范围之内，初步判断为鼾声；提取有效信号段的MFCC特征，输入训练好的SVM分类器，判断出正常鼾声或非鼾声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700062.9A CN111916104B (zh) | 2020-07-20 | 2020-07-20 | 一种人工智能物联网宿舍管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700062.9A CN111916104B (zh) | 2020-07-20 | 2020-07-20 | 一种人工智能物联网宿舍管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111916104A CN111916104A (zh) | 2020-11-10 |
| CN111916104B true CN111916104B (zh) | 2022-09-13 |
Family
ID=73280073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010700062.9A Active CN111916104B (zh) | 2020-07-20 | 2020-07-20 | 一种人工智能物联网宿舍管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111916104B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112550143A (zh) * | 2020-11-27 | 2021-03-26 | 常州市武进悦达电声器材有限公司 | 用于改变报警器报警声音的音量级别的方法及其报警器 |
| CN115375518A (zh) * | 2022-09-09 | 2022-11-22 | 广西冠标科技有限公司 | 异常寻呼的方法以及相关装置 |
| CN118679361A (zh) * | 2023-02-08 | 2024-09-20 | 深圳市冠标科技发展有限公司 | 一种基于噪音发出对应提醒的方法及相关装置 |
| CN116112857A (zh) * | 2023-02-08 | 2023-05-12 | 深圳市冠标科技发展有限公司 | 一种检测方法、装置、电子设备及计算机存储介质 |
| CN117951630B (zh) * | 2024-03-26 | 2024-06-18 | 大连云间来客科技有限公司 | 一种呼吸重症患者异常呼吸模式识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103687540A (zh) * | 2011-05-17 | 2014-03-26 | 大学健康网络 | 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa |
| CN107910020A (zh) * | 2017-10-24 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及存储介质 |
| CN109767784A (zh) * | 2019-01-31 | 2019-05-17 | 龙马智芯（珠海横琴）科技有限公司 | 鼾声识别的方法及装置、存储介质和处理器 |
| CN110942784A (zh) * | 2019-11-21 | 2020-03-31 | 杭州电子科技大学 | 基于支持向量机的鼾声分类系统 |
| CN111261291A (zh) * | 2020-01-09 | 2020-06-09 | 湖北美和易思教育科技有限公司 | 基于红外感知的员工健康管理系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6988066B2 (en) * | 2001-10-04 | 2006-01-17 | At&T Corp. | Method of bandwidth extension for narrow-band speech |
| EP2608717B1 (en) * | 2010-08-26 | 2016-05-11 | Ben Gurion University of The Negev Research and Development Authority | Apparatus for diagnosing obstructive sleep apnea |
-
2020
- 2020-07-20 CN CN202010700062.9A patent/CN111916104B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103687540A (zh) * | 2011-05-17 | 2014-03-26 | 大学健康网络 | 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa |
| CN107910020A (zh) * | 2017-10-24 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及存储介质 |
| CN109767784A (zh) * | 2019-01-31 | 2019-05-17 | 龙马智芯（珠海横琴）科技有限公司 | 鼾声识别的方法及装置、存储介质和处理器 |
| CN110942784A (zh) * | 2019-11-21 | 2020-03-31 | 杭州电子科技大学 | 基于支持向量机的鼾声分类系统 |
| CN111261291A (zh) * | 2020-01-09 | 2020-06-09 | 湖北美和易思教育科技有限公司 | 基于红外感知的员工健康管理系统 |
Non-Patent Citations (6)
| Title |
|---|
| 宣传忠等.羊咳嗽声的特征参数提取与识别方法.《农业机械学报》.2016,(第03期), * |
| 朱春媚等.基于子带能量变换改进MFCC的咳嗽识别.《计算机工程与应用》.2016,(第11期), * |
| 朱春媚等.基于改进反向Mel频率倒谱系数的咳嗽干湿性自动分类.《生物医学工程学杂志》.2016,(第02期), * |
| 王萌等.基于端点检测和高斯滤波器组的MFCC说话人识别.《计算机系统应用》.2016,(第10期), * |
| 蒋永生等.基于改进的MFCC战场被动声目标识别.《弹箭与制导学报》.2008,(第06期), * |
| 赵青等.基于改进MFCC和短时能量的咳嗽音身份识别.《计算机技术与发展》.2012,(第06期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111916104A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111916104B (zh) | 一种人工智能物联网宿舍管理系统及方法 | |
| US8949077B2 (en) | Physiological signal quality classification for ambulatory monitoring | |
| Abeyratne et al. | Pitch jump probability measures for the analysis of snoring sounds in apnea | |
| CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| CN103841888B (zh) | 使用呼吸模式识别的呼吸暂停和呼吸不足检测 | |
| CN110970042B (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
| US20200093423A1 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
| Lin et al. | Automatic wheezing detection using speech recognition technique | |
| Song | Diagnosis of pneumonia from sounds collected using low cost cell phones | |
| WO2012114080A1 (en) | Respiration monitoring method and system | |
| Zhang et al. | A novel wheeze detection method for wearable monitoring systems | |
| WO2019216320A1 (ja) | 機械学習装置、解析装置、機械学習方法および解析方法 | |
| 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 | |
| JP2020513914A (ja) | 睡眠呼吸障害の特徴付け方法 | |
| CN105962897A (zh) | 一种自适应的鼾声信号检测方法 | |
| Dafna et al. | Estimation of macro sleep stages from whole night audio analysis | |
| US10426426B2 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
| Aras et al. | Automatic detection of the respiratory cycle from recorded, single-channel sounds from lungs | |
| Porieva et al. | Investigation of lung sounds features for detection of bronchitis and COPD using machine learning methods | |
| Yamashita | Construction of effective HMMs for classification between normal and abnormal respiration | |
| AU2005227775A1 (en) | Apparatus and method for the detection of one lung intubation by monitoring sounds | |
| JP2023531464A (ja) | 身体計測情報と気管呼吸音を使用して覚醒時に閉塞性睡眠時無呼吸をスクリーニングする方法とシステム | |
| Jin et al. | Automatic wheeze detection using histograms of sample entropy | |
| Malmberg et al. | Classification of lung sounds in patients with asthma, emphysema, fibrosing alveolitis and healthy lungs by using self‐organizing maps | |
| Sofwan et al. | Normal and murmur heart sound classification using linear predictive coding and k-Nearest neighbor methods |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 430000 room 01, floor 2, building A14, phase 1-1, Wuhan National Geospatial Information Industrialization Base (New Area), No. 6, Beidou Road, East Lake New Technology Development Zone, Wuhan City, Hubei Province Applicant after: Wuhan Meihe Yisi Digital Technology Co.,Ltd. Address before: Room 01, 2 / F, building A14, phase 1.1, Wuhan National Geospatial Information Industrialization Base (New Area), no.6, Beidou Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant before: HUBEI MEIHE YISI EDUCATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |