CN116844568A - 一种面向睡眠监测的体音数据采集与分析系统 - Google Patents

一种面向睡眠监测的体音数据采集与分析系统 Download PDF

Info

Publication number
CN116844568A
CN116844568A CN202310765692.8A CN202310765692A CN116844568A CN 116844568 A CN116844568 A CN 116844568A CN 202310765692 A CN202310765692 A CN 202310765692A CN 116844568 A CN116844568 A CN 116844568A
Authority
CN
China
Prior art keywords
audio data
audio
processing module
frequency
snore
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
CN202310765692.8A
Other languages
English (en)
Inventor
胡斌
钱昆
朱立贤
赵中豪
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Publication of CN116844568A publication Critical patent/CN116844568A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Circuit For Audible Band Transducer (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请实施例提供一种面向睡眠监测的体音数据采集与分析系统，包括：音频采集模块，用于采集预设时间段内针对目标对象不同类型的音频数据，所述音频数据包括所述目标对象的身体对应的体音数据；处理模块，用于接收所述音频采集模块发送的各所述音频数据，对各所述音频数据进行分析处理，以确定目标对象是否存在异常。

Description

一种面向睡眠监测的体音数据采集与分析系统
本申请要求于2022年12月30日提交中国专利局、申请号为202211723401.0、发明名称为“体音数据的管理设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及数据处理技术领域，尤其涉及一种一种面向睡眠监测的体音数据采集与分析系统。
背景技术
目前，专业人士会通过人体的各种体音数据来确定人体的健康状况，专业人士常通过各种类型的医用电子设备采集针对目标对象的不同类型的音频数据(例如鼾声音频数据、肠音音频数据、心音音频数据等)，再由专业人士通过采集到的音频数据判断目标对象的身体是否出现异常。
但是，采集不同类型的音频数据需要多种不同的采集设备，各采集设备操作复杂，不利于快速的获得各种不同类型的音频数据，不利于对目标对象的健康状况进行分析。
发明内容
本申请实施例提供了一种一种面向睡眠监测的体音数据采集与分析系统，该一种面向睡眠监测的体音数据采集与分析系统能够对人体不同类型的音频数据进行采集，操作简单，能够快速的获得不同类型的人体音频数据。
本申请实施例提供一种一种面向睡眠监测的体音数据采集与分析系统，包括：
音频采集模块，用于采集预设时间段内针对目标对象不同类型的音频数据，所述音频数据包括所述目标对象的身体对应的体音数据；
处理模块，用于接收所述音频采集模块发送的各所述音频数据，对各所述音频数据进行分析处理。
在一种可行的设计中，所述音频数据包括心音音频数据，
所述处理模块，还用于当所述音频采集模块位于所述目标对象的心音采集区域时，接收所述服务设备的第一指令，所述第一指令用于指示采集所述目标对象的心音音频数据；
所述处理模块，还用于根据所述第一指令将所述音频采集模块的采样频率调整至第一频率，以使所述音频采集模块基于所述第一频率采集所述目标对象的所述心音音频数据。
在一种可行的设计中，所述音频数据包括肠音音频数据，
所述处理模块，还用于当所述音频采集模块位于所述目标对象的肠音采集区域时，接收所述服务设备的第二指令，所述第二指令用于指示采集所述目标对象的肠音音频数据；
所述处理模块，还用于根据所述第二指令将所述音频采集模块的采样频率调整至第二频率，以使所述音频采集模块基于所述第二频率采集所述目标对象的所述肠音音频数据，所述第二频率大于或等于所述第一频率。
在一种可行的设计中，所述音频数据包括鼾声音频数据，
所述处理模块，还用于当所述音频采集模块位于所述目标对象的鼾声采集区域时，接收所述服务设备的第三指令，所述第三指令用于指示采集所述目标对象的鼾声音频数据；
所述处理模块，还用于根据所述第三指令将所述音频采集模块的采样频率调整至第三频率，以使所述音频采集模块基于所述第三频率采集所述目标对象的所述鼾声音频数据，所述第三频率大于或等于所述第二频率。
在一种可行的设计中，所述处理模块，还用于对各所述音频数据进行编码处理，并将编码处理后的各所述音频数据发送给服务设备。
在一种可行的设计中，所述处理模块，还用于在对各所述音频数据进行编码处理之前，对各所述音频数据进行滤波处理。
在一种可行的设计中，所述面向睡眠监测的体音数据采集与分析系统还包括蓝牙模块，
所述蓝牙模块，用于将编码处理后的各所述音频数据发送给服务设备。
在一种可行的设计中，若所述音频数据包括心音音频数据，所述处理模块对各所述音频数据进行分析处理，包括：
所处理模块通过过滤所述心音音频数据中的噪声，获取所述心音音频数据对应的目标心音音频数据；
所述处理模块提取所述目标心音音频数据的梅尔倒谱系数特征MFCC；
所述处理模块基于所述目标心音音频数据的梅尔倒谱系数特征MFCC，确定所述心音音频数据是否为异常数据。
在一种可行的设计中，若所述音频数据包括肠音音频数据，所述处理模块对各所述音频数据进行分析处理，包括：
所述处理模块通过过滤所述肠音音频数据中的噪声，获取所述肠音音频数据对应的目标肠音音频数据；
所述处理模块提取所述目标肠音音频数据的梅尔倒谱系数特征MFCC；
所述处理模块基于所述目标肠音音频数据的梅尔倒谱系数特征MFCC，确定所述肠音音频数据是否为异常数据。
在一种可行的设计中，若所述音频数据包括鼾声音频数据，所述处理模块对各所述音频数据进行分析处理，包括：
所述处理模块确定所述鼾声音频数据对应的目标鼾声音频数据，所述目标鼾声音频数据为过滤所述鼾声音频数据中的干扰数据，并对过滤后的鼾声音频数据进行滤波处理后获得的鼾声音频数据；
所述处理模块确定所述目标鼾声音频数据的参数，所述参数包括所述目标鼾声音频数据的频率和所述目标鼾声音频数据的功率比的变化轨迹中的至少一种；
所述处理模块基于所述目标鼾声音频数据的参数，确定所述鼾声音频数据是否为异常数据。
本申请实施例提供的技术方案至少可以达到以下有益效果：
本申请实施例提供的一种面向睡眠监测的体音数据采集与分析系统，该面向睡眠监测的体音数据采集与分析系统包括音频采集模块和处理模块，音频采集模块用于采集预设时间段内针对目标对象不同类型的音频数据，并将不同类型的音频数据发送处理模块，由处理模块对各音频数据进行分析处理，以确定目标对象是否存在异常。
附图说明
图1是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统的结构示意图；
图2是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统的结构示意图；
图3是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统的结构示意图；
图4是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统的结构示意图；
图5是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统的结构示意图；
图6是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统的结构示意图；
图7是本申请一示例性实施例示出的一种面向睡眠监测的体音数据采集与分析系统与服务设备的结构示意图；
图8是本申请一示例性实施例示出的一种分析心音音频数据的流程示意图；
图9是本申请一示例性实施例示出的一种分析肠音音频数据的流程示意图；
图10是本申请一示例性实施例示出的一种分析鼾声音频数据的流程示意图；
图11是本申请一示例性实施例示出的另一种分析鼾声音频数据的流程示意图；
图12是本申请一示例性实施例示出的另一种分析鼾声音频数据的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示，图1为本申请实施例提供的一种面向睡眠监测的体音数据采集与分析系统100的结构示意图，该面向睡眠监测的体音数据采集与分析系统100包括音频采集模块1001和处理模块1002。
其中，音频采集模块1001和处理模块1002可以是集成在一起的设备，还可以是独立的元器件，本申请对此不加以限定。音频采集模块1001例如为麦克风、声音传感器、音频传感器等器件。处理模块1002例如为MCU、单片机等器件。音频采集模块1001与处理模块1002电连接，以便音频采集模块1001能够将采集获得的不同类型的音频数据发送给处理模块1002，该音频数据包括目标对象的身体对应的体音数据。
音频采集模块1001可以采集的音频数据例如为：心音音频数据、肠音音频数据、肺音音频数据、鼾声音频数据等。
音频采集模块1001采集不同类型的音频数据时，可以是通过不同的频率进行采集，下面对音频采集模块1001如何采集不同类型的音频数据进行示例性的说明：
在一个实施例中，若音频采集模块1001需要采集心音音频数据，那么服务设备200可以是在音频采集模块1001位于目标对象的心音采集区域时(也即音频采集模块1001放置在靠近目标对象心脏的皮肤上)，向面向睡眠监测的体音数据采集与分析系统的处理模块1002发送第一指令，以指示处理模块1002采集目标对象的心音音频数据，其中，第一指令中携带有第一频率。在这里需要说明的是，服务设备200可以是具有数据处理、分析等功能的设备，例如为上位机、服务器、台式电脑、笔记本电脑等。在一种可行的设计中，服务设备200可以是与面向睡眠监测的体音数据采集与分析系统100中的处理模块1002通信连接的一种设备，以便于二者进行数据交互，或者在另一种可行的设计中，服务设备200也可认为是处理模块1002的一部分，本申请实施例对此不作限定。另外，还需要说明的是，音频采集模块1001可以是通过人工挪动的方式放置在心音采集区域。
处理模块1002在接收到服务设备200发送的第一指令后，对第一指令进行解析获得第一频率，并将音频采集模块1001的采样频率调整至第一频率。处理模块1002可以是通过向音频采集模块1001发送对应的指令，以指示音频采集模块1001将当前的采样频率调整至第一频率；或者，处理模块1002还可以是控制对应的频率调节控件进行转动等操作将音频采集模块1001当前的采样频率调整至第一频率，该调节方式中，频率调节控件可为设置在音频采集模块1001中，并且可用于调节采样频率的控件；本申请对此不加以限定。
当音频采集模块1001当前的频率调整至第一频率后，可以是向处理模块1002返回指示已调节完成的消息。处理模块1002在接收到对应的消息后，再向音频采集模块1001发送对应的指令，以指示音频采集模块1001根据第一频率采集目标用户的心音音频数据。
在另一个实施例中，若音频采集模块1001需要采集肠音音频数据，那么服务设备200可以是在音频采集模块1001位于目标对象的肠音采集区域时(也即音频采集模块1001放置在靠近目标对象大肠和小肠的皮肤上)，向面向睡眠监测的体音数据采集与分析系统的处理模块1002发送第二指令，以指示处理模块1002采集目标对象的肠音音频数据，其中，第二指令中携带有第二频率。需要说明的是，音频采集模块1001可以是通过人工挪动的方式放置在肠音采集区域。
处理模块1002在接收到服务设备200发送的第二指令后，对第二指令进行解析获得第二频率，并将音频采集模块1001的采样频率调整至第二频率。处理模块1002可以是通过向音频采集模块1001发送对应的指令，以指示音频采集模块1001将当前的采样频率调整至第二频率；处理模块1002还可以是控制对应的频率调节控件进行转动等操作将音频采集模块1001当前的采样频率调整至第二频率；本申请对此不加以限定。
在音频采集模块1001当前的频率调整至第二频率后，可以是向处理模块1002返回指示已调节完成的消息。处理模块1002在接收到对应的消息后，再向音频采集模块1001发送对应的指令，以指示音频采集模块1001根据第二频率采集目标用户的肠音音频数据。
在又一个实施例中，若音频采集模块1001需要采集鼾声音频数据，那么服务设备200可以是在音频采集模块1001位于目标对象的鼾声采集区域时(也即音频采集模块1001放置在靠近目标对象口鼻附近)，向面向睡眠监测的体音数据采集与分析系统的处理模块1002发送第三指令，以指示处理模块1002采集目标对象的鼾声音频数据，其中，第三指令中携带有第三频率。需要说明的是，音频采集模块1001可以是通过人工挪动的方式放置在鼾声采集区域。
处理模块1002在接收到服务设备200发送的第三指令后，对第三指令进行解析获得第三频率，并将音频采集模块1001的采样频率调整至第三频率。处理模块1002可以是通过向音频采集模块1001发送对应的指令，以指示音频采集模块1001将当前的采样频率调整至第三频率；处理模块1002还可以是控制音频自己模块1001上设置的频率调节控件等操作将音频采集模块1001当前的采样频率调整至第三频率；本申请对此不加以限定。
当音频采集模块1001当前的频率调整至第三频率后，可以是向处理模块1002返回指示已调节完成的消息。处理模块1002在接收到对应的消息后，再向音频采集模块1001发送对应的指令，以指示音频采集模块1001根据第三频率采集目标用户的鼾声音频数据。
再一个实施例中，若音频采集模块1001需要采集肺音音频数据，那么服务设备200可以是在音频采集模块1001位于目标对象的肺音采集区域时(也即音频采集模块1001放置在靠近目标对象肺部附近)，向面向睡眠监测的体音数据采集与分析系统的处理模块1002发送第四指令，以指示处理模块1002采集目标对象的肺音音频数据，其中，第四指令中携带有第四频率。需要说明的是，音频采集模块1001可以是通过人工挪动的方式放置在肺音采集区域。
处理模块1002在接收到服务设备200发送的第四指令后，对第四指令进行解析获得第四频率，并将音频采集模块1001的采样频率调整至第四频率。处理模块1002可以是通过向音频采集模块1001发送对应的指令，以指示音频采集模块1001将当前的采样频率调整至第四频率；处理模块1002还可以是控制对应的频率调节控件进行转动等操作将音频采集模块1001当前的采样频率调整至第四频率；本申请对此不加以限定。
当音频采集模块1001当前的频率调整至第四频率后，可以是向处理模块1002返回指示已调节完成的消息。处理模块1002在接收到对应的消息后，再向音频采集模块1001发送对应的指令，以指示音频采集模块1001根据第四频率采集目标用户的肺音音频数据。
音频采集模块1001还可以根据所需采集人体的其它音频数据，在此不做一一列举。
在这里还需要说明的是，音频采集模块1001可以根据需求一次仅采集一种类型的音频数据，例如仅采集鼾声音频数据。音频采集模块1001还可以是一次采集不同类型的音频数据，例如音频采集模块1001一次性采集心音音频数据、肠音音频数据、鼾声音频数据和肺音音频数据，这一设计中，该音频采集模块1001可包括多个器件，不同器件位于需要采集的音频数据对应的位置，并执行相应的采集操作，例如该音频采集模块1001可包括多个音频传感器，不同音频传感器位于不同位置，分别用于采集心音音频数据、肠音音频数据、鼾声音频数据和肺音音频数据。
另外，音频采集模块1001在采集音频数据时，可以是按照预设时间段进行采集，预设时间段例如为一周、一个月、半年等。也就是说音频采集模块1001采集目标对象的心音音频数据，并连续采集一周。
在一个实施例中，处理模块1002在接收到音频采集模块1001发送的音频数据后，可以是进一步的对音频数据进行编码处理，以将各音频数据编码为满足音频信号标准的数据，便于后续进行进一步的分析处理。当然，如图2所示，面向睡眠监测的体音数据采集与分析系统100还可包括编码器1003，还可以通过编码器1003对音频数据进行编码处理，本申请对此不加以限定。
在另一个实施例中，处理模块1002在对音频数据进行编码处理之前，还可以是对音频数据进行滤波处理，以将各音频数据中的噪声信号，获得质量更好的音频数据，以提高对音频数据分析的准确性。当然，如图3所示，面向睡眠监测的体音数据采集与分析系统100还可包括滤波器1004，通过滤波器1004对音频数据进行滤波处理，以便滤除噪声数据，本申请对此不加以限定。
在再一个实施例中，处理模块1002在将编码好的音频数据发送给服务设备200之前，还可以是对各音频数据进行压缩处理，获得包含各音频数据的数据包，并将各数据包发送给服务设备200。处理模块1002对音频数据进行压缩处理的目的是为了减少音频数据的数据量，便于进行更好的传输。当然，如图4所示，面向睡眠监测的体音数据采集与分析系统100还可包括压缩器1005，并通过压缩器1005对音频数据进行压缩处理，本申请对此不加以限定。
另外，处理模块1002还可以在发送数据包之前，对各数据包进行打标签处理，以便于服务设备200更好的区分各数据包，以进行针对性的处理。
在另一个实施例中，如图5所示，本申请的面向睡眠监测的体音数据采集与分析系统100还包括蓝牙模块1006，蓝牙模块1006可以是与面向睡眠监测的体音数据采集与分析系统100的其它模块集成为一个设备，还可以是单独的元器件，本申请对此不加以限定。处理模块1002可以是通过蓝牙模块1006将压缩后的数据包发送给服务设备200。
在再一个实施例中，如图6所示，本申请的面向睡眠监测的体音数据采集与分析系统100还可以包括供电模块，供电模块包括电池1007和低压差稳压器1008。电池1007与低压差稳压器1008电连接，低压差稳压器1008可以是分别与音频采集模块1001、处理模块1002和蓝牙模块电连接，低压差稳压器1008还可以是只与音频采集模块1001电连接，由于音频采集模块1001与处理模块1002电连接，处理模块1002与蓝牙模块1006电连接，从而给其它模块供电。
低压差稳压器1008用于提供一种不随负载阻抗、输入电压、温度和时间变化而变化稳定的电源电压。低压差稳压器1008的结构主要包括启动电路、恒流源偏置单元、使能电路、调整元件、基准源、误差放大器、反馈电阻网络，保护电路等，基本工作原理为：系统加电，使得使能脚处于高电平，电路开始启动，恒流源电路给整个电路提供偏置，基准源电压快速建立，输出随着输入不断上升，当输出即将达到规定值时，由反馈网络得到的输出反馈电压也接近于基准电压值，此时误差放大器将输出反馈电压和基准电压之间的误差小信号进行放大，再经调整管放大到输出，从而形成负反馈，保证了输出电压稳定在规定值上；同理如果输入电压变化或输出电流变化，这个闭环回路将使输出电压保持不变。
如图7所示，如7为本申请实施例提供的本申请实施例的体音数据的管理系统结构示意图。该系统包括面向睡眠监测的体音数据采集与分析系统100和服务设备200。该面向睡眠监测的体音数据采集与分析系统100通过网络与服务设备200通信。该面向睡眠监测的体音数据采集与分析系统100能够采集不同类型的音频数据(例如鼾声音频数据、心音音频数据、肠音音频数据等)，并对各音频数据进行处理后发送给服务设备200，以便服务设备200对不同类型的音频数据进行分析处理，以便根据处理结果确定目标对象的身体状况。
在本实施例中，并不限定服务设备200的物理形态。服务设备200可以为单一服务器设备，也可以为服务器阵列，或者为云化的服务器阵列中运行的虚拟机(VirtualMachine，VM)。另外，服务设备200也可以指具备相应服务能力的其他计算设备，例如电脑、智能手机等运行有服务器程序的终端103。
继续如图7所示，服务设备200的配置可以包括但不限于：处理器1011、存储器1012、接口装置1013、通信装置1014、输入装置1015、输出装置1016。处理器1011可以包括但不限于中央处理器CPU、微处理器MCU等。存储器1012可以包括但不限于ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1013可以包括但不限于USB接口、串行接口、并行接口等。通信装置1014例如能够进行有线通信或无线通信，具体地可以包括WiFi通信、蓝牙通信、2G/3G/4G/5G通信等。输入装置1015可以包括但不限于键盘、鼠标、触摸屏、麦克风等。输出装置1016可以包括但不限于显示屏、扬声器等。
但是，现有技术中，不同类型的音频数据是通过不同的电子设备采集获得，各电子设备操作复杂，不利于快速的获得不同类型的音频数据。
或者，在另一种可行的设计中，处理模块包括服务设备，即服务设备为处理模块的一部分，这种情况下，处理模块接收到音频采集模块采集的音频数据之后，由处理模块对各音频数据进行分析处理。
也就是说，在本申请实施例提供的系统中，可由处理模块执行对音频数据的分析处理，这种情况下，服务设备可为处理模块的一部分，即由处理模块包括的服务设备执行该分析处理，或者由处理模块除服务设备以外的其他部分执行该分析处理。或者，服务设备可独立于处理模块，并且该服务设备可与处理模块相连接，这种情况下，可由服务设备或者也可由处理模块执行该分析处理。
若音频数据为心音音频数据，则对音频数据进行分析处理可以为如图8所示的分析步骤：
步骤S801，对心音音频数据进行预处理，获得目标心音音频数据；
其中，预处理的目的是为了滤除心音音频数据中的噪声，获得质量更好的心音音频数据，以便后续获得更加准确的分析结果。
示例性的，可以是通过下述方法对心音音频数据进行预处理：
1、通过Resample滤波器对心音音频数据进行重采样至1KHZ，这样能够减少心音音频数据的数据量，提高处理的效率；
2、对心音音频数据进行增大幅值处理，从而补偿心音音频数据的高频分量，提高心音音频数据的信噪比；
例如可以是通过y(n)＝x(n)-α·x(n-1)来进行增大幅值的处理，其中α一般取值为0.97或者0.95。
3、心音音频数据是连续的时间序列信号，为了能够有效的进行分析，需要对心音信号进行分割处理，可以是采用逻辑回归的HSMM算法，对心音音频数据进行分割处理，将心音音频数据分割为2s一段是数据片段；
4、将信号分割后心音音频数据的每一帧片段数据代入窗函数，窗外的值设定为0，其目的是消除各个帧两端可能会造成的信号不连续性。常用的窗函数有方窗、汉明窗和汉宁窗等，根据窗函数的频域特性。本申请可以是采用汉明窗(hamming window)对分割后的片段数据进行信号不连续性的处理。其汉明窗的表达公式如下所示：
W(n)＝(1-a)-a·cos2·π·n/N) 1≤n≤N
对于a的取值不同，将会产生不同的汉明窗，一般情况下，a的取值为0.46。
5、对加窗后的心音音频数据进行傅里叶变化；
步骤S802，提取目标心音音频数据的MFCC特征；
其中，本申请可以是通过心音音频数据的MFCC特征来确定心音音频数据是否存在异常，示例性的，本申请可以是通过下述方法获得目标心音音频数据的MFCC特征：
1、使用梅尔滤波器组提取心音音频数据的梅尔值，这是一个新的量度，相比于正常的频率机制，梅尔值更加接近于人耳的听觉机制，其在低频范围内增长速度很快，但在高频范围内，梅尔值的增长速度很慢。每一个频率值f都对应着一个梅尔值m，其对应关系如下：
2、定义梅尔滤波器个数m，在梅尔刻度范围内等间隔插入m个值，将梅尔频率转化为频率fm，
fm＝700·(10m/2595-1)
3、将经过梅尔滤波器组的信号计算其谱线索引号K，其定义为：
其中，N为FFT点数，fs为抽样频率，fm为之前梅尔刻度转化为频率后的值，最后我们得到的k值为一个1*k的矩阵。且k值范围为0-N/2。
4、计算Hm矩阵，其定义为：
其中，m代表第几个滤波器，k为横坐标0-2048。26个滤波器就是算2049个频率分量分别属于26个频率带的概率.根据上式计算26个滤波器的二维数组，也就是26*4096二维数组Hm。
5、由于滤波器组得到的系数相关性很高，因此这里采用离散余弦变换(DiscreteCosin Transform)来进行去相关降维。由于心音信号主要频率集中在低频区，因此每一帧只选取13个数据就好，根据MFCC定义，即可得到MFCC参数：
其中，M代表梅尔滤波器个数，i代表第几帧数据(取值为1-301)，n代表第i帧的第n列(n取值范围为1-26)。
步骤S803，将目标心音音频数据的MFCC特征输入至第一模型，并根据第一模型的输出结果确定心音音频数据是否为异常数据，第一模型是根据正常心音音频数据的MFCC特征样本和异常心音音频数据的MFCC特征样本对神经网络模型训练获得的。
其中，第一模型可以是正常心音音频数据的MFCC特征样本和异常心音音频数据的MFCC特征样本对神经网络模型训练获得的，所以通过上述方法获得目标心音音频数据的MFCC特征后，输入至第一模型，获得目标心音音频数据的MFCC特征是与异常心音音频数据的MFCC特征匹配，或者目标心音音频数据的MFCC特征是与正常心音音频数据的MFCC特征匹配的结果。若第一模型输出的结果为目标心音音频数据的MFCC特征是与异常心音音频数据的MFCC特征匹配的结果，则可以确定目标对象的心音音频数据为异常数据。
第二，若音频数据为肠音音频数据，则对音频数据进行分析处理可以为如图9所示的处理分析步骤：
步骤S901，对肠音音频数据进行预处理，获得目标肠音音频数据；
步骤S902，提取目标肠音音频数据的MFCC特征；
步骤S903，将目标肠音音频数据的MFCC特征输入至第二模型，并根据第二模型的输出结果确定肠音音频数据是否为异常数据，第二模型是根据正常肠音音频数据的MFCC特征样本和异常肠音音频数据的MFCC特征样本对神经网络模型训练获得的。
在这里需要说明的是，服务设备200对肠音音频数据进行处理的具体步骤与上述处理心音音频数据的方式相同，在此不做赘述。通过上述方法获得目标肠音音频数据的MFCC特征后，输入至第二模型，获得目标肠音音频数据的MFCC特征是与异常肠音音频数据的MFCC特征匹配，或者目标肠音音频数据的MFCC特征是与正常肠音音频数据的MFCC特征匹配的结果。若第一模型输出的结果为目标肠音音频数据的MFCC特征是与异常肠音音频数据的MFCC特征匹配的结果，则可以确定目标对象的肠音音频数据为异常数据。
第三，若音频数据为鼾声音频数据，则对音频数据进行分析处理可以为如图10所示的处理分析步骤：
步骤S1001，对鼾声音频数据进行预处理，获得第一鼾声音频数据；
其中，对鼾声音频数据进行预处理可以是为了消除鼾声音频数据中的干扰数据，提高鼾声音频数据的质量，便于后续获得更加准确的分析结果。
对鼾声音频进行预处理可以是通过下述步骤实现：
1、通过下述公式
w[n]＝x[n]+αw[n-1]
y[n]＝w[n]-w[n-1]
对鼾声音频数据进行基线漂移去除；x[n]为当前输入，w[n]是一个中间信号，y[n]是当前输出，w[n-1]是w[n]上一时间点的值，α为尺度因子，决定高通递归滤波器的截止频率等滤波性能；
2、利用FIR滤波器的窗函数设计法，选取汉明窗函数：
设计500阶，通带为xx Hz-xx Hz的FIR带通滤波器对去除基线漂移后的鼾声数据进行带通滤波处理，n表示第n个样本，N为每个样本所包含的数字信号采样点数；
3、对上述步骤处理后的鼾声音频数据进行下采样，降低鼾声数据的采样率，并运用低通滤波器降低频谱混叠造成的鼾声音频数据失真。
步骤S1002，对第一鼾声音频数据进行滤波处理，得到目标鼾声音频数据；
其中，滤波处理的步骤包括：
1、对用麦克风录制的鼾声数据进行读取并用“短时分帧”处理对原始数据进行50％重叠“分帧”；其中“帧长”为64ms，“帧移”为32ms，“一帧”鼾声数据视为一个样本。
2、利用公式确定每个样本的短时能量，k表示第k个样本，N为每个样本所包含的数字信号采样点数，Ek为每个样本的短时能量，Sk为数字信号采样样本幅度，具体由硬件电路确定；
3、选出上述所有样本中能量最大值Emax和最小值Emin,分别确定待选门限值I1和I2，
I1＝a*[Emax-Emin]+Emin，I2＝b*Emin+Eb
上式中，Eb为噪声基底能量，具体数值根据所选麦克风硬件设备和测试环境进行调整，a,b为自适应参数值，根据实验选取；
4、确定短时能量门限为Te＝min(I1,I2)；
5、通过短时能量门限对第一鼾声音频数据进行滤波处理，将短时能量门限一下的数据进行滤除得到目标鼾声音频数据。
步骤S1003，确定目标鼾声音频数据的参数；
其中，目标鼾声音频数据的参数包括目标鼾声音频数据的频率和目标鼾声音频数据的功率比的变化轨迹；
下面根据图11所示的步骤获得目标鼾声音频数据的频率：
步骤S1101，对目标鼾声音频数据进行加窗处理，得到第二鼾声音频数据；
步骤S1102，根据第二鼾声音频数据建立全极点模型；
步骤S1103，根据快速求根算法以及全极点模型，获得目标鼾声音频数据的频率。
1、目标鼾声音频数据加汉明窗，建立一个全极点模型H(z)如下：
ak为线性预测系数，k＝1,2,3,…,p，p为线性预测模型阶数。
2、利用莱文森-德宾算法求取ak的值；
3、将求出的ak的值代入全极点模型H(z)，利用快速求根算法得到多项式的第i个复根之后代入公式
然后根据公式(Fs为数字信号采样率)令i＝1得到目标鼾声音频数据的频率。
下面根据图12所示的步骤获得目标鼾声音频数据的功率比的变化轨迹：
步骤S1201，对第二鼾声音频数据进行快速傅里叶变换，获得第二鼾声音频数据的频谱结构；
步骤S1202，根据第二鼾声音频数据的频谱结构确定第一频带范围和第二频带范围，第一频带范围为频谱结构中频率低于预设频率的部分，第二频带范围为频谱结构中频率高于预设频率的部分；
步骤S1203，计算第一频带范围的第一累计功率，以及第二频带范围的第二累计功率；
步骤S1204，将第一累计功率和第二累计功率作比，获得目标鼾声音频数据的功率比；
步骤S1205，根据各目标鼾声音频数据的功率比绘制变化轨迹。
其中，可以是根据的公式得到功率比。
在一个实施例中，提供了一种处理设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述分析音频数据以及确定目标对象的身体是否存在异常方法的任一步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述分析音频数据以及确定目标对象的身体是否存在异常方法的任一步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述分析音频数据以及确定目标对象的身体是否存在异常方法的任一步骤。
容易理解的是，本领域技术人员在本申请提供的几个实施例的基础上，可以对本申请的实施例进行结合、拆分、重组等得到其他实施例，这些实施例均没有超出本申请的保护范围。
以上的具体实施方式，对本申请实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本申请实施例的具体实施方式而已，并不用于限定本申请实施例的保护范围，凡在本申请实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请实施例的保护范围之内。

Claims (10)

1.一种面向睡眠监测的体音数据采集与分析系统，其特征在于，包括：
音频采集模块，用于采集预设时间段内针对目标对象不同类型的音频数据，所述音频数据包括所述目标对象的身体对应的体音数据；
处理模块，用于接收所述音频采集模块发送的各所述音频数据，对各所述音频数据进行分析处理。
2.根据权利要求1所述的系统，其特征在于，所述音频数据包括心音音频数据，
所述处理模块，还用于当所述音频采集模块位于所述目标对象的心音采集区域时，接收所述服务设备的第一指令，所述第一指令用于指示采集所述目标对象的心音音频数据；
所述处理模块，还用于根据所述第一指令将所述音频采集模块的采样频率调整至第一频率，以使所述音频采集模块基于所述第一频率采集所述目标对象的所述心音音频数据。
3.根据权利要求2所述的系统，其特征在于，所述音频数据包括肠音音频数据，
所述处理模块，还用于当所述音频采集模块位于所述目标对象的肠音采集区域时，接收所述服务设备的第二指令，所述第二指令用于指示采集所述目标对象的肠音音频数据；
所述处理模块，还用于根据所述第二指令将所述音频采集模块的采样频率调整至第二频率，以使所述音频采集模块基于所述第二频率采集所述目标对象的所述肠音音频数据，所述第二频率大于或等于所述第一频率。
4.根据权利要求3所述的系统，其特征在于，所述音频数据包括鼾声音频数据，
所述处理模块，还用于当所述音频采集模块位于所述目标对象的鼾声采集区域时，接收所述服务设备的第三指令，所述第三指令用于指示采集所述目标对象的鼾声音频数据；
所述处理模块，还用于根据所述第三指令将所述音频采集模块的采样频率调整至第三频率，以使所述音频采集模块基于所述第三频率采集所述目标对象的所述鼾声音频数据，所述第三频率大于或等于所述第二频率。
5.根据权利要求1所述的系统，其特征在于，
所述处理模块，还用于对各所述音频数据进行编码处理，并将编码处理后的各所述音频数据发送给服务设备。
6.根据权利要求5所述的系统，其特征在于，
所述处理模块，还用于在对各所述音频数据进行编码处理之前，对各所述音频数据进行滤波处理。
7.根据权利要求5所述的面向睡眠监测的体音数据采集与分析系统，其特征在于，所述面向睡眠监测的体音数据采集与分析系统还包括蓝牙模块，
所述蓝牙模块，用于将编码处理后的各所述音频数据发送给服务设备。
8.根据权利要求1所述的系统，其特征在于，若所述音频数据包括心音音频数据，所述处理模块对各所述音频数据进行分析处理，包括：
所处理模块通过过滤所述心音音频数据中的噪声，获取所述心音音频数据对应的目标心音音频数据；
所述处理模块提取所述目标心音音频数据的梅尔倒谱系数特征MFCC；
所述处理模块基于所述目标心音音频数据的梅尔倒谱系数特征MFCC，确定所述心音音频数据是否为异常数据。
9.根据权利要求1所述的系统，其特征在于，若所述音频数据包括肠音音频数据，所述处理模块对各所述音频数据进行分析处理，包括：
所述处理模块通过过滤所述肠音音频数据中的噪声，获取所述肠音音频数据对应的目标肠音音频数据；
所述处理模块提取所述目标肠音音频数据的梅尔倒谱系数特征MFCC；
所述处理模块基于所述目标肠音音频数据的梅尔倒谱系数特征MFCC，确定所述肠音音频数据是否为异常数据。
10.根据权利要求1所述的系统，其特征在于，若所述音频数据包括鼾声音频数据，所述处理模块对各所述音频数据进行分析处理，包括：
所述处理模块确定所述鼾声音频数据对应的目标鼾声音频数据，所述目标鼾声音频数据为过滤所述鼾声音频数据中的干扰数据，并对过滤后的鼾声音频数据进行滤波处理后获得的鼾声音频数据；
所述处理模块确定所述目标鼾声音频数据的参数，所述参数包括所述目标鼾声音频数据的频率和所述目标鼾声音频数据的功率比的变化轨迹中的至少一种；
所述处理模块基于所述目标鼾声音频数据的参数，确定所述鼾声音频数据是否为异常数据。
CN202310765692.8A 2022-12-30 2023-06-27 一种面向睡眠监测的体音数据采集与分析系统 Pending CN116844568A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022117234010 2022-12-30
CN202211723401.0A CN116206626A (zh) 2022-12-30 2022-12-30 体音数据的管理设备

Publications (1)

Publication Number Publication Date
CN116844568A true CN116844568A (zh) 2023-10-03

Family

ID=86510479

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211723401.0A Pending CN116206626A (zh) 2022-12-30 2022-12-30 体音数据的管理设备
CN202310765692.8A Pending CN116844568A (zh) 2022-12-30 2023-06-27 一种面向睡眠监测的体音数据采集与分析系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211723401.0A Pending CN116206626A (zh) 2022-12-30 2022-12-30 体音数据的管理设备

Country Status (1)

Country Link
CN (2) CN116206626A (zh)

Also Published As

Publication number Publication date
CN116206626A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US8140331B2 (en) Feature extraction for identification and classification of audio signals
EP2457504B1 (en) Sleep apnea syndrome examination device and program
CN110123367B (zh) 计算机设备、心音识别装置、方法、模型训练装置及存储介质
Singh et al. Robust detection of Parkinson's disease using harvested smartphone voice data: A telemedicine approach
US20220007964A1 (en) Apparatus and method for detection of breathing abnormalities
CN108701469A (zh) 咳嗽声音识别方法、设备和存储介质
CN110731778B (zh) 一种基于可视化的呼吸音信号识别方法及系统
WO2021051944A1 (zh) 自动推送助眠乐曲方法、装置、计算机设备及存储介质
CN111685774B (zh) 基于概率集成回归模型的osahs诊断方法
CN110942784A (zh) 基于支持向量机的鼾声分类系统
Zhou et al. Gammatone spectral latitude features extraction for pathological voice detection and classification
Usman et al. Heart rate detection and classification from speech spectral features using machine learning
EP3866687A1 (en) A method and apparatus for diagnosis of maladies from patient sounds
Soumaya et al. Diagnosis of Parkinson disease using the wavelet transform and MFCC and SVM classifier
CN116597864A (zh) 一种嗓音检测方法及装置
CN111789629A (zh) 一种基于深度学习的呼吸音智能诊疗系统及方法
Usman et al. Dataset of raw and pre-processed speech signals, mel frequency cepstral coefficients of speech and heart rate measurements
CN116844568A (zh) 一种面向睡眠监测的体音数据采集与分析系统
CN112750468A (zh) 一种帕金森病筛查方法、装置、设备及存储介质
Schultz et al. A tutorial review on clinical acoustic markers in speech science
Sengupta et al. Optimization of cepstral features for robust lung sound classification
US10368804B2 (en) Device, system and method for detection of fluid accumulation
Dai et al. An improved model of masking effects for robust speech recognition system
James et al. Detection of Parkinson’s disease through speech signatures
Wang et al. Speech Intelligibility Enhancement Algorithm Based on Multi-Resolution Power-Normalized Cepstral Coefficients (MRPNCC) for Digital Hearing Aids

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