基于多特征的夜间睡眠声信号分析方法

摘要

本发明公开了一种基于多特征的夜间睡眠声信号分析方法。该方法首先读取用麦克风录制的待测者夜间睡眠声信号数据，通过短时能量门限方法对夜间睡眠声信号进行端点检测；然后利用一系列信号处理算法对夜间睡眠声信号的多个声学特征进行提取；最后通过基本的统计学方法对待测者的各项夜间睡眠声信号特征建立可供后续分析和研究的数据库。本发明实现容易，方法简单，开发成产品后硬件成本小，应用前景广阔。

主权项

一种基于多特征的夜间睡眠声信号分析方法，其特征在于，步骤如下：步骤1、对夜间睡眠声信号进行端点检测，即先读取用麦克风录制的夜间睡眠声信号数据，然后将数据分割成样本，并对夜间睡眠声信号进行端点检测，将“无声段”数据滤除；对夜间睡眠声信号进行端点检测具体包括以下步骤：步骤1‑1、对夜间睡眠声信号数据进行短时分帧处理，“帧长”为64ms，“帧移”为32ms，“一帧”数据视为一个样本；步骤1‑2、将起始点设为当前读取的“帧”序号n＝k，并指针j清零；步骤1‑3、利用公式确定当前读取“帧”的短时能量；式中，k为当前读取“帧”序号，N为样本所包含的数字信号采样点数，E_k为样本的短时能量，S_k为数字信号采样幅度；步骤1‑4、判断E_k是否大于门限值E_th，如果是，执行步骤1‑5，否则当前读取“帧”序号k自增1，指针j自增1并执行步骤1‑3；步骤1‑5、判断指针j是否大于间隔d，如果是，执行步骤1‑6，否则执行步骤1‑2；步骤1‑6、确定“终止帧”和“起始帧”，其中“终止帧”序号n_终止＝n‑1，“起始帧”序号n_起始＝n–j–1；步骤2、对通过端点检测的夜间睡眠声信号进行多特征提取；具体为：步骤2‑1、将通过端点检测的夜间睡眠声信号片段的每一帧均乘以汉明窗函数，其中汉明窗函数为：$w\left(m\right)=0.54-0.46\cos \left(2\pi \frac{m}{M}\right),0\le m\le M;$式中，M为一“帧”样本的采样点数；步骤2‑2、对经过步骤2‑1处理后的夜间睡眠声信号片段的每一帧均提取“频率特征”，所用公式为：$\underset{f_i=0}{\overset{f_{\mathrm{center}}}{\Sigma }}{X}_{f_i}=\underset{f_i=f_{\mathrm{center}}}{\overset{f_c}{\Sigma }}{X}_{f_i};$$X_{f_{\mathrm{peak}}}=\max \{X_{f_i},f_i=0,...,f_c\};$$f_{\mathrm{mean}}=\frac{\underset{f_i=0}{\overset{f_c}{\Sigma }}{f}_i*X_{f_i}}{\underset{f_i=0}{\overset{f_c}{\Sigma }}{X}_{f_i}};$$f_{\mathrm{mean}}\left(j\right)=\frac{\underset{f_i=1000*(j-1)}{\overset{1000*j}{\Sigma }}{f}_i*X_{f_i}}{\underset{f_i=1000*(j-1)}{\overset{1000*j}{\Sigma }}{X}_{f_i}},j=\mathrm{1,2},...,[f_s/1000];$式中，X_fi是夜间睡眠声信号经过快速傅里叶变换后的频率f_i处的功率谱密度的绝对值，X_fpeak是夜间睡眠声信号经过快速傅里叶变换后在峰值频率频率f_peak处的功率谱密度的绝对值，f_c是截止频率，为采样频率f_s的1/2，[·]为取整函数，f_center是中心频率，f_peak是峰值频率，f_mean是频谱重心，f_mean(j)(j＝1,2,…,[f_s/1000])是各个1000Hz子频带的频谱重心；步骤2‑3、对经过步骤2‑1处理后的夜间睡眠声信号片段中的每一帧均提取“能量特征”，所用公式为:${\mathrm{BER}}_{\left(j\right)}=\frac{\underset{f_i=1000*(j-1)}{\overset{1000*j}{\Sigma }}{X}_{f_i}^2}{\underset{f_i=0}{\Sigma }{X}_{f_i}^2},j=\mathrm{1,2},...,[f_s/1000];$式中，X_fi是夜间睡眠声信号经过快速傅里叶变换后的频率f_i处的功率谱密度的绝对值，f_c是截止频率，为采样频率f_s的1/2，BER(j)(j＝1,2,…,[f_s/1000])是各个1000Hz子频带的能量比；步骤2‑4、对经过步骤2‑1处理后的夜间睡眠声信号片段中的每一帧均提取“经验模态分解特征”，所用公式为：$E_i={\int }_{-\infty }^{+\infty }{\left|c_i\left(t\right)\right|}^2\mathrm{dt},i=\mathrm{1,2},...,l;$$T=[E_1/E_2,E_2/E,...,E_l/E],E=\underset{i=1}{\overset{l}{\Sigma }}{E}_i;$$H_E=-\underset{i=1}{\overset{l}{\Sigma }}{p}_i{\log }_2{p}_i,p_i=E_i/E;$式中，c_i(t)(i＝1,2,…,l)是夜间睡眠声信号经过经验模态分解后得到的l层固有模态函数，E_i是第i层固有模态函数的能量，T是固有模态函数能量比特征矢量，E为各层固有模态函数的总能量，H_E是固有模态函数能量熵；步骤3、对步骤2提取出的多个特征建立数据库，并对特征的分布进行统计。