技术特征:
1.一种基于睡眠声音信号的疲劳评估方法,其特征在于,所述方法包括:
获取睡眠时的音频信号;
计算所述音频信号的梅尔频谱特征,结合高斯混合模型,分离所述音频信号为鼾声段和非鼾声段,计算打鼾时长占比;
将所述音频信号的梅尔频谱特征输入人工智能语音模型中,所述人工智能语音模型计算并输出声音特征向量;
获取睡眠总时长,将打鼾时长占比、声音特征向量和睡眠总时长输入到机器学习分类器中,输出疲劳等级。
2.根据权利要求1所述的方法,其特征在于,所述计算音频信号的梅尔频谱特征,包括:
去除所述音频信号的环境噪声,保留呼吸声和打鼾声;
对音频信号依次进行预加重、加汉宁窗、快速傅里叶变换、取功率谱、加梅尔滤波器组和均值归一化处理,得到梅尔频谱特征。
3.根据权利要求2所述的方法,其特征在于,所述预加重的计算公式为:
y(n)=x(n)-αx(n-1)
其中,0≤n≤n-1是采样点序号,n为样本点个数,x(n)是原始音频序列,y(n)是预加重后的音频序列,滤波器系数α的取值为0.95或0.97。
4.根据权利要求2或3所述的方法,其特征在于,所述加汉宁窗的计算公式为:
其中,0≤n≤n-1是采样点序号,n是窗口的长度,w[n]是汉宁窗函数。
5.根据权利要求4所述的方法,其特征在于,所述快速傅里叶变换的计算公式为:
其中,0≤n≤n-1是采样点序号,n为样本点个数,1≤k≤k是频率索引,j是虚数单位,k表示fft的频率点个数,w[n]是汉宁窗函数,x[n]是原始音频序列,x[k]是经过快速傅里叶变换之后的序列。
6.根据权利要求4所述的方法,其特征在于,所述取功率谱的计算公式为:
其中,xi是第i帧,n为样本点个数,p是对应的功率,fft(xi)是对第i帧序列进行快速傅里叶变换后的序列。
7.根据权利要求4所述的方法,其特征在于,所述加梅尔滤波器组的计算公式为:
其中,f(·)是梅尔滤波函数,1≤k≤n-1是音频序列索引,1≤m≤m是梅尔滤波器个数索引,m是梅尔滤波器个数,n是样本点个数。
8.根据权利要求1或7所述的方法,其特征在于,所述高斯混合模型为:
其中,d为数据维度,μ为数据均值,∑为协方差矩阵,θ是高斯混合模型的参数,x是样本,p(x|θ)是在给定参数θ的条件下的样本x的分布函数,|∑|是协方差矩阵∑的行列式,∑-1是协方差矩阵∑的逆,(x-μ)t是矩阵(x-μ)的转置。
9.根据权利要求l或2所述的方法,其特征在于,
所述人工智能语音模型为训练好的深度网络或卷积神经网络。
10.一种基于睡眠声音信号的疲劳评估系统,其特征在于,所述系统包括:
采集模块,用于获取睡眠时的音频信号;
分离模块,用于计算所述音频信号的梅尔频谱特征,结合高斯混合模型,分离所述音频信号为鼾声段和非鼾声段,计算打鼾时长占比;
特征向量计算模块,用于将所述音频信号的梅尔频谱特征输入人工智能语音模型中,所述人工智能语音模型计算并输出声音特征向量;
疲劳等级计算模块,用于获取睡眠总时长,将打鼾时长占比、声音特征向量和睡眠总时长输入到机器学习分类器中,输出疲劳等级。
技术总结
本申请提出一种基于睡眠声音信号的疲劳评估方法、系统、电子设备及存储介质,通过获取睡眠时的音频信号,计算所述音频信号的梅尔频谱特征,结合高斯混合模型,分离所述音频信号为鼾声段和非鼾声段,计算打鼾时长占比,将所述音频信号的梅尔频谱特征输入人工智能语音模型中,所述人工智能语音模型计算并输出声音特征向量,获取睡眠总时长,将打鼾时长占比、声音特征向量和睡眠总时长输入到机器学习分类器中,输出疲劳等级,这种方法突破了传统疲劳评估方法的局限性,在不借助于多种医疗器械的基础上,能够客观准确的给出身体日常疲劳状态的评估,机器学习算法充分提取睡眠声音信号中的特征,构建的评估模型准确性较高。
技术研发人员:周霆;贺立群;阮宏洋
受保护的技术使用者:上海小芃科技有限公司
技术研发日:2021.02.04
技术公布日:2021.06.22
本文用于企业家、创业者技术爱好者查询,结果仅供参考。