CN112687287B - 基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统 - Google Patents

Abstract

本发明公开了基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统，通过多麦克风阵列同时采集两个测试者整晚的鼾声数据；对采集到的混合鼾声信号使用谱减法进行降噪处理；通过短时能量的端点检测法对采集到的整晚鼾声信号中的有效片段进行截取；通过多麦克风采集到的鼾声信号进行波形对比对独立鼾声信号和混合鼾声信号进行分离；通过鼾声盲源分离算法将两个测试者的混合鼾声分离出来；根据麦克风阵列基于TDOA算法的声源定位技术对分离出来的鼾声分类；根据分类结果得到两个测试者独立的整晚鼾声数据。

Description

基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统

技术领域

本发明涉及睡眠鼾声检测技术领域，尤其是涉及盲源分离和声音信号的定位的方法。

背景技术

阻塞型睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea HypopneaSyndrome，OSAHS)是最常见的睡眠呼吸障碍病症之一。阻塞型睡眠呼吸暂停(ObstructiveSleep Apnea，OSA)是指睡眠呼吸暂停时间大于10s，而低通气则指睡眠中呼吸幅度较基础水平降低50％以上并伴有血氧饱和度下降大于3％。OSAHS患者通常会出现打鼾、睡眠结构紊乱，血氧饱和度下降导致嗜睡、注意力不集中等症状，并可能诱发冠心病、高血压等并发症造成人体健康系统的损害。OSAHS的病发率为2％～4％，并呈现逐年增发的趋势，给患者本人和家属带来了极大的困扰。

目前临床所使用的多传导睡眠图(PSG)睡眠呼吸暂停综合征检测的权威标准。PSG可以检测人体睡眠时的脑电、眼点、心电、肌电信号，血氧饱和度、呼吸气流等。PSG的多功能性导致需要将多电极连接至人体，极大的影响了患者的睡眠舒适度。市场上也出现了很多非接触式睡眠呼吸暂停检测的装置和设备，大多都是对于一个患者使用。在OSAHS发病率趋高的情况下，伴侣都患有OSAHS的情况也会更加普遍。

发明内容

为解决现有技术的不足，实现在两个以上测试者的混合鼾声中分离出独立鼾声信号的目的，本发明采用如下的技术方案：

基于盲源分离算法的麦克风阵列鼾声信号分离方法，包括如下步骤：

S1，通过多麦克风阵列采集两个以上测试者的鼾声信号；

S2，将鼾声信号通过谱减法进行降噪处理；

S3，通过短时能量的端点检测法识别鼾声段和噪声段；

S4，对独立鼾声与混合鼾声进行分离；

S5，分离出来的混合鼾声通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立信号，包括如下步骤：

S51，观测数据是分离出来的混合鼾声，是由两个以上测试者的鼾声线性混合得到的随机变量x₁,x₂,…,x_n：

用向量矩阵符号表示x＝As，构建一个分离矩阵W，使得输出y＝Wx是声源信号S的估计；

S52，对观测数据中心化处理，使其均值为1，得到x’，中心化预处理过程是使观测变量具有零均值特性的过程：

x′＝x-E{x}

观测数据经过中心化处理后，相应地源信号也同时变为零均值的变量，而在此过程中混合矩阵仍可以保持不变，因为：

E{s′}＝A^-1E{x′}；

S53，对观测数据白化预处理，得到p，白化过程为：如果一个零均值向量p＝(p₁,p₂,···，p_n)^T元素p_i之间互不相关且具有单位方差，便有：E{pp^T}＝I，其中I是单位矩阵，则称向量p是白的，对观察到的数据向量白化的过程相当于让观测到的数据向量与某个矩阵线性相乘：

p＝Ux’

得到一个白的向量P，白变化通过利用观测数据的协方差矩阵的特征值分解来实现：

E{x′x′^T}＝CTC^T

其中，C是以C_x’＝E{x′x′^T}的单位范数特征向量为列而构成的正交矩阵，T是以C_x’的相应特征值t_i(i＝1,2,…,n)为对角元素的对角矩阵，即：T＝diag(t₁,t₂,···，t_n)，由此白化矩阵：

U＝CT¹/₂C^T；

S54，基于牛顿迭代法进行修正，将得到的三阶收敛法的两步法求解非线性方程，推导出更新迭代式，进行w_k更新，最终得到的W_k作为W，带入y＝Wx，得到y＝(y₁，y₂，…，y_n)的列向量输出；

负熵的近似表达式：

J(y)∝,E{G(y)-G(v)}]²

其中v是标准化的高斯变量，设y＝W^Tp是将要估计的源信号，负熵的近似表达式即为目标函数，定义g为非二次函数G的导函数，选择自变量增长较慢的函数

在y标准化前提下，由Kuhn-Tucker条件，目标函数的最大化问题可以转化为在约束||w||²＝1下求解：

E{pg(w^Tp)}-β′w＝0

其中β′＝E{w^Tpg(w^Tp)}，选择要估计的独立成分的个数d，置k←1(←表示更新参数的过程)；初始化具有单位范数的向量w_k；置n＝1，γ＝w_k，带入更新迭代式：

更新w_k；进行Gram-Schmidt正交化：

标准化w_k,即：

收敛性条件定义为

的无穷范数小于10^-6，若w_k不收敛，则n＝n+1，返回前置步骤更新w_k；若收敛则置k←k+1，如果k≤m，则返回前置步骤重新初始化w_k；

S6，对分离出来的所有独立鼾声信号进行声源定位，得到两个以上测试者独立的鼾声信号。

进一步的，所述步骤S54中，基于牛顿迭代法进行修正，包括如下步骤：

S541，由牛顿法：

可推出传统的FastICA算法中的不动点迭代形式为：

w←E{pg(w^Tp)}-E{g′(w^Tp)}w

S542，运用非离散数学归纳法对Banach空间中的非线性方程的求解问题进行迭代分析，优化迭代过程，对经典的牛顿迭代法进行修正，提出操作便捷稳定收敛的三阶收敛的两步法：

S543，运用三阶收敛的两步法求解非线性方程E{pg(w^Tp)}-βw＝0，推导出改进FastICA算法的更新迭代式：

令F(w)＝E{pg(w^Tp)}-βw，则F′(w)＝E{pp^Tg′(w^Tp)}-βI，由于E{pp^T}＝I，所以由：F′(w)≈[E{g′(w^Tp)}-β]I，则F′(w)可近似为对角矩阵，能够简单求逆矩阵，根据三阶收敛的两步法公式可得更新迭代式：

S544，更新迭代式两端分别同时乘以

后，推导出简化后的更新迭代式：

进一步的，所述步骤S2，将鼾声信号通过谱减法进行降噪处理，包括如下步骤：

S21，对每路原始鼾声信号x_i0(n)添加高斯白噪声，得到加噪后的鼾声信号x_i1(n)；

S22，对加噪后的鼾声信号加窗分帧处理；

S23，对处理后的鼾声信号x_in(m)作离散傅里叶变换，得到：

其中，x_in(m)为第i路鼾声信号分帧后的第m帧鼾声信号，每帧鼾声信号的长度为L，k＝0,1,…,L-1，j是虚数单位；

噪声段平均能量为：

其中，NIS表示前导无鼾声段对应的帧数；

谱减算法为：

其中，a，b为常数，a为过减因子，b为增益补偿因子，通过谱减法求得信号幅值

后，使用快速傅里叶变换(IFFT)得到减谱后的鼾声信号

进一步的，所述步骤S3，通过短时能量的端点检测法识别鼾声段和噪声段，在确定上下门限值后，依次将每帧的短时平均能量与门限值比较，如果在寻找到大于TL的点之后，并在下次短时能量低于下门限值TL之前，找到大于上门限值TH的点，则认为这两点之间部分为有声段，同时这两点分别为有声段的起点和终点，这样就可以把所需有鼾声部分提取出来；

声音信号的短时能量的计算公式为：

所述

表示鼾声信号，前导无声段的平均噪声能量计算公式：

其中，E(n)表示每一帧的短时能量，上、下门限分别为TH和TL：

TH＝α×E_NIS

TL＝η×E_NIS

其中N表示前导无声段所占的帧数，E_NIS表示前导无声段的短时能量均值，α和η分别为上门限和下门限的比例系数。

进一步的，所述步骤S4，对独立鼾声与混合鼾声进行分离，所述独立鼾声是指麦克风采集到的两个以上被测者不同时刻分别打鼾的声音，独立的鼾声信号只有相位的差别，混合鼾声是指两个以上被测者在同一时刻一起打鼾的声音，混合鼾声的相位与幅值与其他任何一路信号的相位与幅值都不相同，通过频谱比对分离出独立鼾声和混合鼾声信号。

进一步的，所述步骤S6中，设定靠近声源麦克风，其他麦克风构成直角三角形，麦克风同时采集两个以上声源发出的鼾声信号，以直角拐点的麦克风为原点，建立直角坐标系，生成声源坐标、麦克风坐标，将靠近声源麦克风与其他麦克风接收到信号的时间差，近似为麦克风接收到鼾声的时间，确定声源与其他麦克风的距离，根据声音在空气中传播的速度、几何学定理，计算出声源的坐标，实现声源定位，以此为依据对鼾声进行分类，得到属于两个人各自的鼾声信号。

基于盲源分离算法的麦克风阵列鼾声信号分离系统，包括依次连接的信号采集模块、有效鼾声截取模块和鼾声信号分离模块，还包括独立与混合鼾声分离模块，所述鼾声信号分离模块为混合鼾声信号分离模块，独立与混合鼾声分离模块分别与有效鼾声截取模块和混合鼾声信号分离模块连接；

所述的信号采集模块，为多麦克风阵列，用于对两个以上测试者进行鼾声信号的采集；

所述的有效鼾声截取模块，通过短时能量的端点检测法识别鼾声段和噪声段；

所述的独立与混合鼾声分离模块，通过对多麦克风阵列分别采集到的鼾声信号进行波形对比，分离出混合鼾声信号和独立鼾声信号；

所述的混合鼾声信号分离模块，通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立鼾声信号。

进一步的，系统还包括分别与信号采集模块和有效鼾声截取模块连接的降噪模块，所述的降噪模块，采用谱减法降噪，用于对采集到的鼾声信号进行降噪处理。

进一步的，系统还包括与混合鼾声信号分离模块连接的声源定位模块，所述的声源定位模块，通过基于TDOA(Time Difference of Arrival)算法的声源定位技术对分离出来的混合鼾声、独立的鼾声分别进行分类，得到两个以上测试者独立的鼾声数据。

本发明的优势和有益效果在于：

本发明的基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统，根据修正的牛顿迭代法，进行更新迭代式的改进，从而更准确、有效的进行混合鼾声中各独立鼾声的分离，并采用基于TDOA的技术进行鼾声声源的分类与定位，能够检测多人睡眠时的呼吸暂停情况。

附图说明

图1是本发明的系统模块结构图。

图2是本发明中多麦克风阵列模块工作示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统，系统包括信号采集模块、降噪模块、有效鼾声截取模块、独立与混合鼾声分离模块、混合鼾声信号分离模块、声源定位模块，如图1所示。

所述的信号采集模块为多麦克风阵列，用于对两个测试者进行鼾声信号的采集。

所述的降噪模块采用谱减法(Spectral Subtraction，SS)降噪，用于对采集到的鼾声信号进行降噪处理。

所述的有效鼾声截取模块可通过短时能量的端点检测法识别鼾声段和噪声段。

所述的独立与混合鼾声分离模块可通过对多麦克风阵列分别采集到的鼾声信号进行波形对比，分离出混合鼾声信号和独立鼾声信号。

所述的混合鼾声信号分离模块可通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立鼾声信号。

所述的声源定位模块可通过基于TDOA算法的声源定位技术对分离出来的混合鼾声分类，并对独立的鼾声进行分类，得到两个测试者独立的整晚鼾声数据。

如图2所示，分离方法中含有四个麦克风模块R0，R1，R2，R3。S1，S2分别为两个测试者，鼾声信号分离方法，具体包括如下步骤：

步骤一，利用多麦克风阵列组成的信号采集模块同时采集两个测试者的整晚鼾声数据，即将麦克风模块分布在房间中，R1、R2、R3构成一个直角三角形。三个麦克风同时采集信号源S1，S2发出的鼾声信号。麦克风的个数和排列形状包括但不限于三角形、圆形、方形等排列形状。

步骤二，将采集到的3路鼾声信号通过谱减法进行降噪处理。谱减法降噪的基本步骤如下：

对每路原始鼾声信号x_i0(n)添加高斯白噪声后的鼾声信号为x_i1(n)，对加噪后的鼾声信号加窗分帧处理，处理后的鼾声信号为x_in(m)，记x_in(m)为第i路鼾声信号分帧后的第m帧鼾声信号，每帧鼾声信号的长度为L。对x_in(m)作离散傅里叶变换(DFT)后X_in(m)为：

其中，k＝0，1，…，L-1，j是虚数单位；

噪声段平均能量为：

其中，IS表示噪声段的时长，NIS表示前导无鼾声段对应的帧数；

谱减算法为：

其中，a，b为常数，a称为过减因子，b称为增益补偿因子，通过谱减法求得信号幅值

后，使用快速傅里叶变换(IFFT)得到减谱后的语言序列

步骤三，有效信号截取模块通过短时能量的端点检测法识别鼾声段和噪声段。其基本步骤如下：

声音信号的短时能量的计算公式为：

前导无声段的平均噪声能量计算公式：

其中，E(n)表示每一帧的短时能量；

上、下门限分别为TH和TL：

TH＝α×E_NIS

TL＝η×E_NIS

其中N表示前导无声段所占的帧数，E_NIS表示前导无声段的短时能量均值，α和η分别为上门限和下门限的比例系数。在确定上下门限值后，依次将每帧的短时平均能量与门限值比较，如果在寻找到大于TL的点之后，并在下次短时能量低于下门限值TL之前，找到大于上门限值TH的点，则认为这两点之间部分为有声段，同时这两点分别为有声段的起点和终点，这样就可以把所需有鼾声部分提取出来。

步骤四，通过独立与混合鼾声分离模块对独立鼾声与混合鼾声进行分离。三个麦克风接收到的测试者的有效的鼾声信号中，独立鼾声是指麦克风采集到的两个被测者A或者B不在同一时刻，而是分别打鼾的声音，独立的鼾声信号只有相位的差别，需要生源定位将A、B的鼾声分类，而两个测试者的混合鼾声是指两个被测者A和B在同一时刻一起打鼾的声音，混合鼾声的相位与幅值与其他任何一路信号的相位与幅值都不相同。通过频谱比对可分离出独立鼾声和混合鼾声信号。

步骤五，分离出来的混合鼾声可通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立信号。其基本步骤如下：

观测数据是指h段经过独立鼾声和混合鼾声分离后的混合鼾声部分，是由两个人的鼾声S1、S2线性混合得到的随机变量x₁，x₂，…，x_n：

用向量矩阵符号表示x＝As，构建一个分离矩阵W，使得输出y＝Wx是声源信号S的估计。

对观测数据中心化处理使其均值为1，得到x’，中心化预处理过程是通过一定的处理手段使得观测变量具有零均值特性的过程：

x′＝x-E{x}

观测信号经过中心化处理以后，相应地源信号也同时变为零均值的变量，而在此过程中混合矩阵仍可以保持不变，因为：

E{s′}＝A^-1E{x′}

对观测数据白化预处理，得到p，白化过程为：如果一个零均值向量p＝(p₁,p₂,···，p_n)^T元素p_i之间互不相关且具有单位方差，显然有：E{pp^T}＝I，其中I是单位矩阵，则称向量p是白的。对观察到的数据向量白化的过程相当于让观测到的数据向量与某个矩阵线性相乘：

p＝Ux’

得到一个白的向量P，一般的，白变化通过利用观测数据的协方差矩阵的特征值分解(EVD)来实现：

E{x′x′^T}＝CTC^T

其中，C是以C_x’＝E{x′x′^T}的单位范数特征向量为列而构成的正交矩阵，T是以C_x’的相应特征值t_i，(i＝1，2，···n)为对角元素的对角矩阵，即：T＝diag(t₁,t₂,···，t_n)，由此白化矩阵：

U＝CT¹/₂C^T

负熵的近似表达式：

J(y)∝[E{G(y)-G(v)}]²

其中v是标准化的高斯变量，假设y＝W^Tp就是将要估计的源信号，那么负熵的近似表达式即为目标函数，定义g为非二次函数G的导函数，选择自变量增长较慢的函数

在y标准化前提下，由Kuhn-Tucker条件，目标函数的最大化问题可以转化为在约束||w||²＝1下求解：

E{pg(w^Tp)}-β′w＝0

其中β′＝E{w^Tpg(w^Tp)}，

由牛顿法：

可推的传统的FastICA算法中的不动点迭代形式为：

w←E{pg(w^Tp)}-E{g′(w^Tp)}w

运用非离散数学归纳法对Banach空间中的非线性方程的求解问题进行迭代分析，优化迭代过程，对经典的牛顿迭代法进行修正，提出了操作便捷稳定收敛的三阶收敛的两步法：

运用牛顿三阶收敛法的两步法求解非线性方程E{pg(w^Tp)}-βw＝0，从而推导出改进FastICA算法的更新迭代格式：

令F(w)＝E{pg(w^Tp)}-βw，则F′(w)＝E{pp^Tg′(w^Tp)}-βI，由于E{pp^T}＝I，所以由：F′(w)≈[E{g′(w^Tp)}-β]I，则F′(w)可近似为对角矩阵，能够简单求逆矩阵，根据三阶收敛的两步法公式可得：

选择要估计的独立成分的个数d，置k←1(←表示更新参数的过程)；初始化具有单位范数的向量w_k；置n＝1，γ＝w_k，在上述两个公式的两端分别同时乘以

后，简化推导出公式：

更新w_k；进行Gram-Schmidt正交化：

标准化w_k,即：

收敛性条件定义为

的无穷范数小于10^-6，若w_k不收敛，则n＝n+1，返回前置步骤更新w_k；若收敛则置k←k+1，如果k≤m，则返回前置步骤重新初始化w_k，最终得到的W_k，即所需的W，带入y＝Wx，得到y＝(y₁，y₂，…，y_n)的一个列向量输出。

步骤六，对分离出来的所有独立鼾声信号进行声源定位，得到两个测试者独立的鼾声信号。具体步骤如下：

利用多麦克风阵列组成的信号采集模块，如图2所示，分布在房间中，R0，R1,R2,R3构成一个直角三角形。三个麦克风同时采集声源S1，S2发出的鼾声信号。以R2为原点，建立直角坐标系，S1的坐标为(x，y)，R1(0，a)，R2(0，0)，R3(b，0)。将R0与其他麦克风接收到信号的时间差近似为麦克风接收到鼾声的时间，分别为t₁，t₂，t₃，声源S1与R1，R2，R3三个麦克风的距离记为l₁，l₂，l₃，v为声音在空气中传播的速度。根据其几何特征，运用勾股定理、余弦定理等数学方法可计算出声源的坐标。以此为依据对鼾声进行分类得到属于两个人各自的鼾声信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (9)

1.基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于包括如下步骤：

S1，通过多麦克风阵列采集两个以上测试者的鼾声信号；

S2，将鼾声信号通过谱减法进行降噪处理；

S3，通过短时能量的端点检测法识别鼾声段和噪声段；

S4，对独立鼾声与混合鼾声进行分离，独立鼾声是指麦克风采集到的两个以上被测者不同时刻分别打鼾的声音，混合鼾声是指两个以上被测者在同一时刻一起打鼾的声音；

S5，分离出来的混合鼾声通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立信号，包括如下步骤：

S51，观测数据是分离出来的混合鼾声，是由两个以上测试者的鼾声线性混合得到的随机变量x₁,x₂,…,x_n：

用向量矩阵符号表示x＝As，构建一个分离矩阵W，使得输出y＝Wx是声源信号S的估计；

S52，对观测数据中心化处理，使其均值为0，得到x’，中心化预处理过程是使观测变量具有零均值特性的过程：

x′＝x-E{x}

观测数据经过中心化处理后，相应地源信号也同时变为零均值的变量，而在此过程中混合矩阵仍保持不变，因为：

E{s′}＝A^-1E{x′}；

S53，对观测数据白化预处理，得到p，白化过程为：如果一个零均值向量p＝(p₁,p₂,···，p_n)^T元素p_i之间互不相关且具有单位方差，便有：E{pp^T}＝I，其中I是单位矩阵，则称向量p是白的，对观察到的数据向量白化的过程相当于让观测到的数据向量与某个矩阵线性相乘：

p＝Ux’

得到一个白的向量P，白变化通过利用观测数据的协方差矩阵的特征值分解来实现：

E{x′x′^T}＝CTC^T

其中，C是以C_x’＝E{x′x′^T}的单位范数特征向量为列而构成的正交矩阵，T是以C_x’的相应特征值t_i(i＝1,2,…,n)为对角元素的对角矩阵，即：T＝diag(t₁,t₂,···，t_n)，由此白化矩阵：

U＝CT^1/2C^T；

S54，基于牛顿迭代法对W进行修正，将得到的三阶收敛法的两步法求解非线性方程，推导出更新迭代式，进行w_k更新，最终得到的w_k作为W，带入y＝Wx，得到y＝(y₁，y₂，…，y_n)的列向量输出；

负熵的近似表达式：

J(y)∝[E{G(y)-G(v)}]²

其中v是标准化的高斯变量，设y＝W^Tp是将要估计的源信号，负熵的近似表达式即为目标函数，定义g为非二次函数G的导函数，选择自变量增长较慢的函数

在y标准化前提下，由Kuhn-Tucker条件，目标函数的最大化问题可以转化为在约束||w||²＝1下求解：

E{pg(w^Tp)}-β′w＝0

其中β′＝E{w^Tpg(w^Tp)}，选择要估计的独立成分的个数d，置k←1，←表示更新参数的过程；初始化具有单位范数的向量w_k；置n＝1，γ＝w_k，带入更新迭代式：

更新w_k；进行Gram-Schmidt正交化：

标准化w_k,即：

收敛性条件定义为

的无穷范数小于10^-6，若w_k不收敛，则n＝n+1，返回前置步骤更新w_k；若收敛则置k←k+1，如果k≤m，则返回前置步骤重新初始化w_k；

S6，对分离出来的所有独立鼾声信号进行声源定位，得到两个以上测试者独立的鼾声信号。

2.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S54中，基于牛顿迭代法进行修正，包括如下步骤：

S541，由牛顿法：

可推出传统的FastICA算法中的不动点迭代形式为：

w←E{pg(w^Tp)}-E{g′(w^Tp)}w

S542，运用非离散数学归纳法对Banach空间中的非线性方程的求解问题进行迭代分析，优化迭代过程，对经典的牛顿迭代法进行修正，提出三阶收敛的两步法：

S543，运用三阶收敛的两步法求解非线性方程E{pg(w^Tp)}-βw＝0，推导出改进FastICA算法的更新迭代式：

令F(w)＝E{pg(w^Tp)}-βw，则F′(w)＝E{pp^Tg′(w^Tp)}-βI，由于E{pp^T}＝I，所以：F′(w)≈[E{g′(w^Tp)}-β]I，则F′(w)近似为对角矩阵，根据三阶收敛的两步法公式可得更新迭代式：

S544，更新迭代式两端分别同时乘以

后，推导出简化后的更新迭代式：

3.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S2，将鼾声信号通过谱减法进行降噪处理，包括如下步骤：

S21，对每路原始鼾声信号x_i0(n)添加高斯白噪声，得到加噪后的鼾声信号x_i1(n)；

S22，对加噪后的鼾声信号加窗分帧处理；

S23，对处理后的鼾声信号x_in(m)作离散傅里叶变换，得到：

其中，x_in(m)为第i路鼾声信号分帧后的第m帧鼾声信号，每帧鼾声信号的长度为L，k＝0,1,…,L-1，j是虚数单位；

噪声段平均能量为：

其中，NIS表示前导无鼾声段对应的帧数；

谱减算法为：

其中，a，b为常数，a为过减因子，b为增益补偿因子，通过谱减法求得信号幅值

后，使用快速傅里叶变换(IFFT)得到减谱后的鼾声信号

4.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S3，通过短时能量的端点检测法识别鼾声段和噪声段，在确定上下门限值后，依次将每帧的短时平均能量与门限值比较，如果在寻找到大于TL的点之后，并在下次短时能量低于下门限值TL之前，找到大于上门限值TH的点，则认为这两点之间部分为有声段，同时这两点分别为有声段的起点和终点；

声音信号的短时能量的计算公式为：

所述

表示鼾声信号，前导无声段的短时能量均值计算公式：

其中，E(n)表示每一帧的短时能量，上、下门限分别为TH和TL：

TH＝α×E_NIS

TL＝η×E_NIS

其中N表示前导无声段所占的帧数，E_NIS表示前导无声段的短时能量均值，α和η分别为上门限和下门限的比例系数。

5.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S4，对独立鼾声与混合鼾声进行分离，所述独立鼾声是指麦克风采集到的两个以上被测者不同时刻分别打鼾的声音，独立的鼾声信号只有相位的差别，混合鼾声是指两个以上被测者在同一时刻一起打鼾的声音，混合鼾声的相位与幅值与其他任何一路信号的相位与幅值都不相同，通过频谱比对分离出独立鼾声和混合鼾声信号。

6.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S6中，设定靠近声源麦克风，其他麦克风构成直角三角形，麦克风同时采集两个以上声源发出的鼾声信号，以直角拐点的麦克风为原点，建立直角坐标系，生成声源坐标、麦克风坐标，将靠近声源麦克风与其他麦克风接收到信号的时间差，近似为麦克风接收到鼾声的时间，确定声源与其他麦克风的距离，根据声音在空气中传播的速度、几何学定理，计算出声源的坐标，实现声源定位，以此为依据对鼾声进行分类，得到属于两个人各自的鼾声信号。

7.基于盲源分离算法的麦克风阵列鼾声信号分离系统，用于实现如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，包括依次连接的信号采集模块、有效鼾声截取模块和鼾声信号分离模块，其特征在于还包括独立与混合鼾声分离模块，所述鼾声信号分离模块为混合鼾声信号分离模块，独立与混合鼾声分离模块分别与有效鼾声截取模块和混合鼾声信号分离模块连接；

所述的信号采集模块，为多麦克风阵列，用于对两个以上测试者进行鼾声信号的采集；

所述的有效鼾声截取模块，通过短时能量的端点检测法识别鼾声段和噪声段；

所述的独立与混合鼾声分离模块，通过对多麦克风阵列分别采集到的鼾声信号进行波形对比，分离出混合鼾声信号和独立鼾声信号；

所述的混合鼾声信号分离模块，通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立鼾声信号。

8.如权利要求7所述的基于盲源分离算法的麦克风阵列鼾声信号分离系统，其特征在于还包括分别与信号采集模块和有效鼾声截取模块连接的降噪模块，所述的降噪模块，采用谱减法降噪，用于对采集到的鼾声信号进行降噪处理。

9.如权利要求7所述的基于盲源分离算法的麦克风阵列鼾声信号分离系统，其特征在于还包括与混合鼾声信号分离模块连接的声源定位模块，所述的声源定位模块，通过基于TDOA算法的声源定位技术对分离出来的混合鼾声、独立的鼾声分别进行分类，得到两个以上测试者独立的鼾声数据。

Images