CN111920390A - 一种基于嵌入式终端的鼾声检测方法 - Google Patents

一种基于嵌入式终端的鼾声检测方法 Download PDF

Info

Publication number
CN111920390A
CN111920390A CN202010966045.XA CN202010966045A CN111920390A CN 111920390 A CN111920390 A CN 111920390A CN 202010966045 A CN202010966045 A CN 202010966045A CN 111920390 A CN111920390 A CN 111920390A
Authority
CN
China
Prior art keywords
snore
frequency
signal
probability
characteristic
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.)
Pending
Application number
CN202010966045.XA
Other languages
English (en)
Inventor
秦靖柯
何云鹏
许兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chipintelli Technology Co Ltd
Original Assignee
Chipintelli Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chipintelli Technology Co Ltd filed Critical Chipintelli Technology Co Ltd
Priority to CN202010966045.XA priority Critical patent/CN111920390A/zh
Publication of CN111920390A publication Critical patent/CN111920390A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • 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
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

一种基于嵌入式终端的鼾声检测方法，其特征在于，包括以下步骤：S1.将采集到的鼾声语音模拟信号进行AD转化为数字信号，得到脉冲宽度调制码；S2.对脉冲宽度调制码进行短时分析处理；S3.鼾声特征提取;S4.计算鼾声特征的概率分布统计模型，对输入的音频信号进行检测，判断概率最大的特征概率是否达到阈值，是则标记为鼾声。本发明实现了鼾声信号的A/D转换，并对其进行短时分析处理后再进行识别，信号平滑性连续性好，输出信号信噪比提高，改善了后续识别效果。进一步采用在梅尔频率下提取鼾声特征，最后送入多元高斯混合模型得到识别结果；识别响应速度有所提升，并且识别效果与其他的统计学模型相比更好。

Description

一种基于嵌入式终端的鼾声检测方法
技术领域
本发明属于人工智能技术领域，涉及一种嵌入式算法,具体涉及一种基于嵌入式终端的鼾声检测方法。
背景技术
打鼾是一种常见的生理现象，其本质是由于人在熟睡过程中鼻、咽喉出气不畅通，导致的睡眠呼吸暂停综合征。当今社会，人们对于自身身体健康的管理意识增强，特别是对于良好睡眠质量的需求，因此鼾声检测在智能家居中存在较大的市场需求。
目前，语音信号识别的过程主要由语音信号前端预处理、特征提取与分类、特征识别三个方面完成；其中特征预处理包括对语音信号进行降噪、端点检测，尽可能全面完整的反应真实的语音信号；特征提取与分类是将语音信号转换为数学模型中能够解析的模式，一个好的特征提取规则将直接影响描述特征的数学模型上，特征分类即数学模型的训练目标，将不同特征定义为不同的分类；特征识别即用数学模型对特征进行描述，返回特征的分类结果。
发明内容
本发明的目的在于在嵌入式端实现对鼾声信号的快速检测；为实现这一目的，本发明公开了一种基于嵌入式终端的鼾声检测方法。
本发明所述基于嵌入式终端的鼾声检测方法，包括以下步骤：
S1. 将采集到的鼾声语音模拟信号进行AD转化为数字信号，得到脉冲宽度调制码；
S2.对脉冲宽度调制码进行短时分析处理；
S3.鼾声特征提取;
S4.计算鼾声特征的概率分布统计模型，对输入的音频信号进行检测，判断概率最大的特征概率是否达到阈值，是则标记为鼾声。
优选的：所述短时分析处理具体为：
S21.将脉冲宽度调制码进行分帧，帧移时长为脉冲宽度调制码帧长的0.1-0.5倍；
S22.基于分帧后的信号，对其中的高频分量进行预加重和加窗，具体为：
Figure 623245DEST_PATH_IMAGE001
；
其中w(n)为窗函数,N代表帧长，x(n)为预加重后的第n个时域值，下标 k代表帧数，j表示复数虚部，e为自然常数，ω为角频率。
优选的：所述预加重的计算方法为：
Figure 735426DEST_PATH_IMAGE002
其中
Figure 959734DEST_PATH_IMAGE003
为预加重后的第n个时域值，
Figure 21231DEST_PATH_IMAGE004
为时域量化后的值，N为帧长，
Figure 243265DEST_PATH_IMAGE005
为预加重系数。
优选的：所述窗函数为
Figure 655792DEST_PATH_IMAGE006
，N为帧长。
优选的：所述S3步骤中的鼾声特征提取具体为：
S31.对频率进行梅尔转换，转换后
Figure 683790DEST_PATH_IMAGE007
其中
Figure 865373DEST_PATH_IMAGE008
为第k帧mel频率尺度下的频域值；
梅尔频率的具体计算式为：
Figure 241997DEST_PATH_IMAGE009
;
f为转换前频率;
S32.再将
Figure 141820DEST_PATH_IMAGE010
通过三角滤波器，滤波器函数为：
Figure 707930DEST_PATH_IMAGE011
其中
Figure 947282DEST_PATH_IMAGE012
为第l阶三角滤波器中mel频率为i时的滤波器值大小，o(l)、c(l)、h(l)分别对应三角滤波的下限、中心与上限频率,L表示三角滤波器的总阶数；
对三角滤波后的
Figure 307856DEST_PATH_IMAGE013
每一阶值做对数运算，得到鼾声识别特征。
优选的：
所述步骤S4中，鼾声特征的概率分布统计模型的概率密度统计函数为
Figure 694975DEST_PATH_IMAGE014
其中鼾声识别特征x=为log(m(l)), M为描述其中一类鼾声特征的高斯分布的个数，Σm为高斯分布中各个特征维度间的协方差矩阵，μm为高斯分布中各个特征维度的均值矩阵，cm为混合高斯模型中不同高斯分布的权重,D为输入特征维度；
本发明实现了鼾声信号的A/D转换，并对其进行短时分析处理后再进行识别，信号平滑性连续性好，输出信号信噪比提高，改善了后续识别效果。进一步采用在梅尔频率下提取鼾声特征，最后送入多元高斯混合模型得到识别结果；识别响应速度有所提升，并且识别效果与其他的统计学模型相比更好。
附图说明
图1是本发明所述基于嵌入式终端的鼾声检测方法的一个具体实施方式流程示意图；
图2是本发明所述帧移的一个具体实施方式示意图吗，图2中横坐标为时间，纵坐标为电压信号。
具体实施方式
下面对本发明的具体实施方式作进一步的详细说明，如图一所示。
本发明所述基于嵌入式终端的鼾声检测方法，包括如下步骤
S1. 将采集到的鼾声语音模拟信号进行AD转化为数字信号，得到脉冲宽度调制码；
鼾声语音信号是一种模拟的连续信号，在实际嵌入式中端上是需要进行A/D转换，将模拟信号按照一定的采样频率，进行量化转换为数字信号；语音信号数字化是为了抑制输入信号中频率超过采样频率二分之一以上的频率分量，同时抑制电源的工作频率带来的干扰。
采样频率可以设置为8KHz-44.1KHz范围内，量化位数在8bits-32bits范围内；例如按照16KHz的采样频率，以16bits的方式量化转换成脉冲宽度调制码。
S2.对脉冲宽度调制码进行短时分析处理。
语音信号从整体来看其特性及表征其本质特征的参数均是随时间变化而变化的，且语音信号的变化是一个非稳态的过程，对于语音信号处理不宜直接使用处理平稳数字信号的方法去分析处理；
虽然语音信号在长时间范围内不平稳，但是在一个短的时间范围内，一般而言在10ms~30ms范围，语音信号可以近似看做一个准稳态过程，称作短时稳态平稳性；针对语音信号的非平稳的特性，可以使用短时分析技术；
例如，鼾声语音信号20-40ms为一帧，帧移一般与帧长的比值在0-1/2，即10ms-20ms；本发明的中分帧设计示例为：语音信号以25ms为一帧，以10ms为帧移进行分帧，分帧示意图如图2所示, 相邻帧之间存在一定的帧移，分帧的目的是为了帧与帧之间平滑的过度，保持连续性。
所述短时分析处理具体为：
S21.将脉冲宽度调制码进行分帧，帧移时长为脉冲宽度调制码帧长的0.4-0.5倍；
S22.基于分帧后的信号，对其中的高频分量进行预加重和加窗，具体为：
Figure 64776DEST_PATH_IMAGE001
；
其中w(n)为窗函数,N代表帧长，x(n)为预加重后的第n个时域值，下标 k代表帧数。
由于语音信号在不同频带上能量分布并不均匀，一般而言低频段能量大，高频段的信号能量小，所以需要对音频信号的高频分量进行提升，称为预加重；预加重实际为一高通滤波器，使信号在不同频带上能量均匀；一般而言，预加重在时域内完成，以帧为单位，对一帧的数据进行预加重。
计算方法为：
Figure 142322DEST_PATH_IMAGE002
(式1)
其中
Figure 939377DEST_PATH_IMAGE003
为预加重后的第n个时域值，
Figure 548213DEST_PATH_IMAGE004
为时域量化后的值，即脉冲宽度调制码，N为帧长，
Figure 659389DEST_PATH_IMAGE005
为预加重系数，一般取值范围0.9-0.98。式1是一个高通滤波器的差分方程形式，通过高通滤波器后，会对高频信号进行一定的补偿，使得语音信号在各个频段内幅值均衡。
预加重处理后，需要对每一帧的信号进行有限窗口长度的加权，称之为加窗，窗函数选用汉明窗，具体公式为：
Figure 670070DEST_PATH_IMAGE006
(式2)
其中N为帧长；
鼾声特征提取：
将每一帧预加重、加窗后的鼾声信号做快速傅里叶变换，将鼾声信号从时域转变到频域上，计算公式为：
Figure 638026DEST_PATH_IMAGE001
(式3)
式3表示第n帧语音信号的离散域傅里叶变换，其中w(n)为窗函数,N代表帧长，x(n)为第k帧第n个时域值。
S3.鼾声特征提取;
进行短时分析处理后，可以进一步利用梅尔频率转换进行鼾声特征提取。
梅尔频率更能模拟人耳听觉特性。
所述S3步骤中的鼾声特征提取具体为：
S31.对式3的频率进行梅尔转换，转换后
Figure 734158DEST_PATH_IMAGE015
其中
Figure 632713DEST_PATH_IMAGE016
为第k帧mel频率尺度下的频域值；
梅尔频率的具体计算式为：
Figure 497900DEST_PATH_IMAGE017
;
f为转换前频率;
S32.再将
Figure 636758DEST_PATH_IMAGE018
通过三角滤波器，滤波器函数为：
Figure 220186DEST_PATH_IMAGE011
其中
Figure 407585DEST_PATH_IMAGE012
为第l阶三角滤波器中mel频率为i时的滤波器值大小，o(l)、c(l)、h(l)分别对应三角滤波的下限、中心与上限频率,L表示三角滤波器的总阶数；
对三角滤波后的
Figure 392858DEST_PATH_IMAGE013
每一阶值做对数运算，得到鼾声识别特征。
在梅尔频率尺度上，取每一阶三角滤波器带宽内各频率点的幅度加权和作为对应阶数的三角滤波器的输出，三角滤波器能够有效地贴合语音信号在频域中各个频带的幅度分布，并将高维的语音信号信息按照频带压缩到低维，减少后续建模的计算复杂度。
针对鼾声频谱特性，能量弱，且频率与人声的发音频率相比主要集中在1000Hz以上，设计三角滤波器时，可以对鼾声信号频段较高如1000Hz以上的部分权重加大，增强鼾声信号在高频段的对模型训练的影响；
得到鼾声识别特征后，利用概率统计理论对鼾声概率分布进行建模。
一个具体实施方式为：所述步骤S4中，建立基于多元高斯概率分布的鼾声特征统计模型，其概率密度统计函数为
Figure 702617DEST_PATH_IMAGE014
其中鼾声识别特征x=为log(m(l)), 其特征维度的范围一般在10-120维之间， M为描述其中一类鼾声特征的高斯分布的个数，Σm为高斯分布中各个特征维度间的协方差矩阵，μm为高斯分布中各个特征维度的均值矩阵，cm为混合高斯模型中不同高斯分布的权重,D为输入特征维度。
针对鼾声的频段分布不稳定性，可以利用多元高斯概率分布模型对鼾声信号进行分段识别，按照鼾声能量的频带的分布进行分类，针对不同频段设置不同的精度，提高多元高斯模型的分类回归进度。
建立概率的统计模型后，再根据对鼾声的采样，按照采样鼾声语音信号的能量强弱、频带分布等分为10-20种鼾声分类，每一种分类可以用6-8个高斯分布描述该分类的概率分布。当一帧语音信号特征通过计算遍历每一种分类的全部高斯概率分布，找出其中概率最大的鼾声分类，检测是否达到预设的阈值，例如可以设置概率阈值为0.95，当概率最大的鼾声分类对应的概率大于该阈值0.95时，即标记检测到鼾声并可以判断鼾声为该类别。
本发明实现了鼾声信号的A/D转换，并对其进行短时分析处理后再进行识别，信号平滑性连续性好，输出信号信噪比提高，改善了后续识别效果。进一步采用在梅尔频率下提取鼾声特征，最后送入多元高斯混合模型得到识别结果；识别响应速度有所提升，并且识别效果与其他的统计学模型相比更好。
前文所述的为本发明的各个优选实施例，各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提，各个优选实施方式都可以任意叠加组合使用，所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (6)

1.一种基于嵌入式终端的鼾声检测方法，其特征在于，包括以下步骤：
S1. 将采集到的鼾声语音模拟信号进行AD转化为数字信号，得到脉冲宽度调制码；
S2.对脉冲宽度调制码进行短时分析处理；
S3.鼾声特征提取;
S4.计算鼾声特征的概率分布统计模型，对输入的音频信号进行检测，判断概率最大的特征概率是否达到阈值，是则标记为鼾声。
2.根据权利要求1所述基于嵌入式终端的鼾声检测方法，其特征在于：所述短时分析处理具体为：
S21.将脉冲宽度调制码进行分帧，帧移时长为脉冲宽度调制码帧长的0.1-0.5倍；
S22.基于分帧后的信号，对其中的高频分量进行预加重和加窗，具体为：
Figure 751171DEST_PATH_IMAGE001
；
其中w(n)为窗函数,N代表帧长，x(n)为预加重后的第n个时域值，下标 k代表帧数，j表示复数虚部，e为自然常数，ω为角频率。
3.根据权利要求2所述基于嵌入式终端的鼾声检测方法，其特征在于：所述预加重的计算方法为：
Figure 543678DEST_PATH_IMAGE002
其中
Figure 933202DEST_PATH_IMAGE003
为预加重后的第n个时域值，
Figure 875881DEST_PATH_IMAGE004
为时域量化后的值，N为帧长，
Figure 752571DEST_PATH_IMAGE005
为预加重系数。
4.根据权利要求2所述基于嵌入式终端的鼾声检测方法，其特征在于：所述窗函数为
Figure 184820DEST_PATH_IMAGE006
，N为帧长。
5.根据权利要求2所述基于嵌入式终端的鼾声检测方法，其特征在于：所述S3步骤中的鼾声特征提取具体为：
S31.对频率进行梅尔转换，转换后
Figure 717433DEST_PATH_IMAGE008
其中
Figure 729382DEST_PATH_IMAGE010
为第k帧mel频率尺度下的频域值；
梅尔频率的具体计算式为：
Figure 460578DEST_PATH_IMAGE011
;
f为转换前频率;
S32.再将
Figure 798149DEST_PATH_IMAGE012
通过三角滤波器，滤波器函数为：
Figure DEST_PATH_IMAGE013
其中
Figure 224582DEST_PATH_IMAGE014
为第l阶三角滤波器中mel频率为i时的滤波器值大小，o(l)、c(l)、h(l)分别对应三角滤波的下限、中心与上限频率,L表示三角滤波器的总阶数；
对三角滤波后的
Figure DEST_PATH_IMAGE015
每一阶值做对数运算，得到鼾声识别特征。
6.根据权利要求5所述基于嵌入式终端的鼾声检测方法，其特征在于：
所述步骤S4中，鼾声特征的概率分布统计模型的概率密度统计函数为
Figure 836961DEST_PATH_IMAGE016
其中鼾声识别特征x=为log(m(l)), M为描述其中一类鼾声特征的高斯分布的个数，Σm为高斯分布中各个特征维度间的协方差矩阵，μm为高斯分布中各个特征维度的均值矩阵，cm为混合高斯模型中不同高斯分布的权重,D为输入特征维度。
CN202010966045.XA 2020-09-15 2020-09-15 一种基于嵌入式终端的鼾声检测方法 Pending CN111920390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010966045.XA CN111920390A (zh) 2020-09-15 2020-09-15 一种基于嵌入式终端的鼾声检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010966045.XA CN111920390A (zh) 2020-09-15 2020-09-15 一种基于嵌入式终端的鼾声检测方法

Publications (1)

Publication Number Publication Date
CN111920390A true CN111920390A (zh) 2020-11-13

Family

ID=73334636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010966045.XA Pending CN111920390A (zh) 2020-09-15 2020-09-15 一种基于嵌入式终端的鼾声检测方法

Country Status (1)

Country Link
CN (1) CN111920390A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114613391A (zh) * 2022-02-18 2022-06-10 广州市欧智智能科技有限公司 一种基于半带滤波器的鼾声识别方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203089831U (zh) * 2013-03-06 2013-07-31 深圳市科曼医疗设备有限公司 呼吸暂停自救的新生儿监护仪
CN204965009U (zh) * 2015-08-20 2016-01-13 青岛歌尔声学科技有限公司 一种具有止鼾功能的智能手表
CN106601230A (zh) * 2016-12-19 2017-04-26 苏州金峰物联网技术有限公司 基于连续混合高斯hmm模型的物流分拣地名语音识别方法、系统及物流分拣系统
CN107426585A (zh) * 2017-08-01 2017-12-01 中国农业大学 一种基于音视频信息检索的电视广告监播系统
CN108198545A (zh) * 2017-12-19 2018-06-22 安徽建筑大学 一种基于小波变换的语音识别方法
CN110265011A (zh) * 2019-06-10 2019-09-20 龙马智芯（珠海横琴）科技有限公司 一种电子设备的交互方法及其电子设备
CN110570880A (zh) * 2019-09-04 2019-12-13 杭州深蓝睡眠科技有限公司 一种鼾声信号识别方法
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
WO2020077413A1 (en) * 2018-10-17 2020-04-23 The University Of Queensland A method and apparatus for diagnosis of maladies from patient sounds
CN111374819A (zh) * 2020-03-16 2020-07-07 深圳市值米科技有限公司 止鼾器及其鼾声识别方法、鼾声识别装置和存储介质
CN111489824A (zh) * 2020-04-09 2020-08-04 杭州电子科技大学 基于物联网的osahs预测系统
CN111540369A (zh) * 2020-06-01 2020-08-14 杭州电子科技大学 一种用于呼吸暂停鼾声的采集传输系统
CN111640439A (zh) * 2020-05-15 2020-09-08 南开大学 一种基于深度学习的呼吸音分类方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203089831U (zh) * 2013-03-06 2013-07-31 深圳市科曼医疗设备有限公司 呼吸暂停自救的新生儿监护仪
CN204965009U (zh) * 2015-08-20 2016-01-13 青岛歌尔声学科技有限公司 一种具有止鼾功能的智能手表
CN106601230A (zh) * 2016-12-19 2017-04-26 苏州金峰物联网技术有限公司 基于连续混合高斯hmm模型的物流分拣地名语音识别方法、系统及物流分拣系统
CN107426585A (zh) * 2017-08-01 2017-12-01 中国农业大学 一种基于音视频信息检索的电视广告监播系统
CN108198545A (zh) * 2017-12-19 2018-06-22 安徽建筑大学 一种基于小波变换的语音识别方法
WO2020077413A1 (en) * 2018-10-17 2020-04-23 The University Of Queensland A method and apparatus for diagnosis of maladies from patient sounds
CN110265011A (zh) * 2019-06-10 2019-09-20 龙马智芯（珠海横琴）科技有限公司 一种电子设备的交互方法及其电子设备
CN110570880A (zh) * 2019-09-04 2019-12-13 杭州深蓝睡眠科技有限公司 一种鼾声信号识别方法
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
CN111374819A (zh) * 2020-03-16 2020-07-07 深圳市值米科技有限公司 止鼾器及其鼾声识别方法、鼾声识别装置和存储介质
CN111489824A (zh) * 2020-04-09 2020-08-04 杭州电子科技大学 基于物联网的osahs预测系统
CN111640439A (zh) * 2020-05-15 2020-09-08 南开大学 一种基于深度学习的呼吸音分类方法
CN111540369A (zh) * 2020-06-01 2020-08-14 杭州电子科技大学 一种用于呼吸暂停鼾声的采集传输系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FATHI E.ABD EI-SAMIE等: "《图像超分辨率技术及其应用》", 28 February 2015, 国防工业出版社 *
上海市医学会: "《名医"肺腑之言"谈呼吸病》", 31 May 2018, 上海科学技术出版社 *
石教英: "《多媒体计算机组成与应用》", 30 November 1999, 人民邮电出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114613391A (zh) * 2022-02-18 2022-06-10 广州市欧智智能科技有限公司 一种基于半带滤波器的鼾声识别方法及装置
CN114613391B (zh) * 2022-02-18 2022-11-25 广州市欧智智能科技有限公司 一种基于半带滤波器的鼾声识别方法及装置

Similar Documents

Publication Publication Date Title
CN108447495B (zh) 一种基于综合特征集的深度学习语音增强方法
Agrawal et al. Novel TEO-based Gammatone features for environmental sound classification
CN110111803A (zh) 基于自注意多核最大均值差异的迁移学习语音增强方法
CN109034046B (zh) 一种基于声学检测的电能表内异物自动识别方法
CN109256127B (zh) 一种基于非线性幂变换Gammachirp滤波器的鲁棒语音特征提取方法
CN105513605A (zh) 手机麦克风的语音增强系统和语音增强方法
CN102509547A (zh) 基于矢量量化的声纹识别方法及系统
CN102982803A (zh) 基于hrsf及改进dtw算法的孤立词语音识别方法
CN102655003B (zh) 基于声道调制信号mfcc的汉语语音情感点识别方法
CN110136709A (zh) 语音识别方法及基于语音识别的视频会议系统
CN105448291A (zh) 基于语音的帕金森症检测方法及检测系统
CN107274887A (zh) 基于融合特征mgfcc的说话人二次特征提取方法
CN103021405A (zh) 基于music和调制谱滤波的语音信号动态特征提取方法
CN108364641A (zh) 一种基于长时帧背景噪声估计的语音情感特征提取方法
CN110136746B (zh) 一种基于融合特征的加性噪声环境下手机来源识别方法
CN111489763A (zh) 一种基于gmm模型的复杂环境下说话人识别自适应方法
CN111508504A (zh) 基于听觉中枢感知机理的说话人识别方法
CN111920390A (zh) 一种基于嵌入式终端的鼾声检测方法
CN114842878A (zh) 一种基于神经网络的语音情感识别方法
CN109545198A (zh) 一种基于卷积神经网络的英语口语母语度判断方法
CN112951245A (zh) 一种融入静态分量的动态声纹特征提取方法
CN116597853A (zh) 一种音频消噪方法
CN114077851B (zh) 基于fsvc的球磨机工况识别方法
CN110265049A (zh) 一种语音识别方法及语音识别系统
CN114724589A (zh) 语音质检的方法、装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113