[发明专利]一种鼾声识别方法与系统

权利要求书

1.一种鼾声识别方法，其特征在于，包括如下步骤：

S1：获得鼾声的音频信号数据；

S2：对获取的音频信号数据进行预处理，获取鼾声信号段；

S3：建立卷积神经网络模型，使用训练样本训练网络；

S4：将待诊断的鼾声音频信号数据输入到训练好的网络，得到鼾声识别结果。

2.如权利要求1所述的鼾声识别方法，其特征在于，所述步骤S2具体包括：

S21：对音频信号数据进行降噪预处理，滤除因为声音采集环境不同导致的不同程度的背景噪声；

S22：通过预加重补充高频部分，减少口鼻辐射和声门脉冲带来的影响，提高信号频谱平坦度，降低低频干扰；

S23：将信号分成多个相对较短的片段，以保证短时间内信号是平稳的；

S24：将有声段与静音段分离。

3.如权利要求2所述的鼾声识别方法，其特征在于：所述步骤S24中使用过零率和短时能量相结合的双门限法与自适应阈值法相结合的方法将有声段与静音段分离。

4.如权利要求2或3所述的鼾声识别方法，其特征在于：所述步骤S22中使用一阶FIR高通滤波器对数据进行预加重，其传输函数为：H(Z)＝1-bZ^-1。

5.如权利要求3所述的鼾声识别方法，其特征在于：所述自适应阈值法是把整段声音分为每N个离散点一组，取出每组中的最大幅值形成一个新的离散序列，再对这个序列中每N个离散点求和得到一个新的数组，将这个数组平滑滤波后，对其做柱状图区间统计，点最多的幅值区间就视为这段声音的噪声幅值，也是有声与无声的区分门限；

计算整段声音的短时能量和过零率，同样利用柱状图区间统计点最多的幅值区间获取短时能量和过零率的门限；

使用时自适应阈值法话语权高于双门限法。

6.一种鼾声识别系统，其特征在于，包括：

声音获取模块，用于获得鼾声的音频信号数据；

预处理模块，用于对获取的音频信号数据进行预处理，获取鼾声信号段；

模型建立模块，用于建立卷积神经网络模型，使用训练样本训练网络；

识别模块，用于将待诊断的鼾声音频信号数据输入到训练好的网络，得到鼾声识别结果。

7.如权利要求6所述的鼾声识别系统，其特征在于，所述预处理模块具体包括：

降噪预处理单元，用于对音频信号数据进行降噪预处理，滤除因为声音采集环境不同导致的不同程度的背景噪声；

预加重单元，用于通过预加重补充高频部分，减少口鼻辐射和声门脉冲带来的影响，提高信号频谱平坦度，降低低频干扰；

分帧处理单元，用于将信号分成多个相对较短的片段，以保证短时间内信号是平稳的；

信号分离单元，用于将有声段与静音段分离。

8.如权利要求,7所述的鼾声识别系统，其特征在于：所述信号分离单元使用过零率和短时能量相结合的双门限法与自适应阈值法相结合的方法将有声段与静音段分离。

9.如权利要求7或8所述的鼾声识别系统，其特征在于：所述预加重单元使用一阶FIR高通滤波器对数据进行预加重，其传输函数为：H(Z)＝1-bZ^-1。

10.如权利要求8所述的鼾声识别系统，其特征在于：所述自适应阈值法是把整段声音分为每N个离散点一组，取出每组中的最大幅值形成一个新的离散序列，再对这个序列中每N个离散点求和得到一个新的数组，将这个数组平滑滤波后，对其做柱状图区间统计，点最多的幅值区间就视为这段声音的噪声幅值，也是有声与无声的区分门限；

计算整段声音的短时能量和过零率，同样利用柱状图区间统计点最多的幅值区间获取短时能量和过零率的门限；

使用时自适应阈值法话语权高于双门限法。