睡眠声音信号疲劳评估方法、系统、电子设备及存储介质与流程

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