[發(fā)明專利]睡眠聲音信號疲勞評估方法、系統(tǒng)、電子設備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110154782.4
• 申請日: 2021-02-04
• 公開（公告）號: CN113012719A
• 公開（公告）日: 2021-06-22
• 發(fā)明（設計）人: 周霆;賀立群;阮宏洋
• 申請（專利權(quán)）人: 上海小芃科技有限公司
• 主分類號: G10L25/66
• 分類號: G10L25/66;G10L25/03;G10L25/18;G10L25/30
• 代理公司: 北京辰權(quán)知識產(chǎn)權(quán)代理有限公司 11619
• 代理人: 劉廣達

1.一種基于睡眠聲音信號的疲勞評估方法，其特征在于，所述方法包括：

獲取睡眠時的音頻信號；

計算所述音頻信號的梅爾頻譜特征，結(jié)合高斯混合模型，分離所述音頻信號為鼾聲段和非鼾聲段，計算打鼾時長占比；

將所述音頻信號的梅爾頻譜特征輸入人工智能語音模型中，所述人工智能語音模型計算并輸出聲音特征向量；

獲取睡眠總時長，將打鼾時長占比、聲音特征向量和睡眠總時長輸入到機器學習分類器中，輸出疲勞等級。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述計算音頻信號的梅爾頻譜特征，包括：

去除所述音頻信號的環(huán)境噪聲，保留呼吸聲和打鼾聲；

對音頻信號依次進行預加重、加漢寧窗、快速傅里葉變換、取功率譜、加梅爾濾波器組和均值歸一化處理，得到梅爾頻譜特征。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預加重的計算公式為：

y(n)＝x(n)-αx(n-1)

其中，0≤n≤N-1是采樣點序號，N為樣本點個數(shù)，x(n)是原始音頻序列，y(n)是預加重后的音頻序列，濾波器系數(shù)α的取值為0.95或0.97。

4.根據(jù)權(quán)利要求2或3所述的方法，其特征在于，所述加漢寧窗的計算公式為：

其中，0≤n≤N-1是采樣點序號，N是窗口的長度，w[n]是漢寧窗函數(shù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述快速傅里葉變換的計算公式為：

其中，0≤n≤N-1是采樣點序號，N為樣本點個數(shù)，1≤k≤K是頻率索引，j是虛數(shù)單位，K表示FFT的頻率點個數(shù)，w[n]是漢寧窗函數(shù)，x[n]是原始音頻序列，X[k]是經(jīng)過快速傅里葉變換之后的序列。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述取功率譜的計算公式為：

其中，x_i是第i幀，N為樣本點個數(shù)，P是對應的功率，F(xiàn)FT(x_i)是對第i幀序列進行快速傅里葉變換后的序列。

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述加梅爾濾波器組的計算公式為：

其中，f(·)是梅爾濾波函數(shù)，1≤k≤N-1是音頻序列索引，1≤m≤M是梅爾濾波器個數(shù)索引，M是梅爾濾波器個數(shù)，N是樣本點個數(shù)。

8.根據(jù)權(quán)利要求1或7所述的方法，其特征在于，所述高斯混合模型為：

其中，D為數(shù)據(jù)維度，μ為數(shù)據(jù)均值，∑為協(xié)方差矩陣，θ是高斯混合模型的參數(shù)，x是樣本，p(x|θ)是在給定參數(shù)θ的條件下的樣本x的分布函數(shù)，|∑|是協(xié)方差矩陣∑的行列式，∑^-1是協(xié)方差矩陣∑的逆，(x-μ)^T是矩陣(x-μ)的轉(zhuǎn)置。

9.根據(jù)權(quán)利要求l或2所述的方法，其特征在于，

所述人工智能語音模型為訓練好的深度網(wǎng)絡或卷積神經(jīng)網(wǎng)絡。

10.一種基于睡眠聲音信號的疲勞評估系統(tǒng)，其特征在于，所述系統(tǒng)包括：

采集模塊，用于獲取睡眠時的音頻信號；

分離模塊，用于計算所述音頻信號的梅爾頻譜特征，結(jié)合高斯混合模型，分離所述音頻信號為鼾聲段和非鼾聲段，計算打鼾時長占比；

特征向量計算模塊，用于將所述音頻信號的梅爾頻譜特征輸入人工智能語音模型中，所述人工智能語音模型計算并輸出聲音特征向量；

疲勞等級計算模塊，用于獲取睡眠總時長，將打鼾時長占比、聲音特征向量和睡眠總時長輸入到機器學習分類器中，輸出疲勞等級。