本解決方案涉及一種智能止鼾枕頭。智能止鼾枕由枕頭、控制盒、APP構成一套睡眠止鼾系統。

　　背景技術：

　　目前現有的改善睡眠呼吸質量，緩解打鼾癥狀的產品有：
 

 

　　2015年大樸智能止鼾枕的表面是全棉材質，枕頭兩側是聲音傳感器，有多個氣囊在枕頭里，用戶在打呼嚕時發出的聲音，會被聲音傳感器捕捉到并傳給一個枕邊的外部控制設備，然后再由其發出指令給氣囊，通過增減氣囊中的空氣來調整用戶睡姿。一般的輕微鼾聲是不會對其激活的，只有達到噪音的級別它才會開始工作。

　　2014年英國《每日電訊報》報道，一款神奇的“止鼾枕”橫空出世，它能夠識別鼾聲聲波，然后通過調整睡眠者的睡姿來止鼾。這種枕頭的內部安裝有麥克風和氣囊。一旦麥克風識別了鼾聲聲波，氣囊就會膨脹，將枕頭的高度增加3英寸(約7.6厘米)，睡眠者的頭部或身體就會相應地移動，從而停止打鼾。這種聲控氣囊也可以通過手動充氣膨脹到4英寸(約10厘米)至7英寸(約18厘米)。氣囊不論是在膨脹還是收縮時，都會確保睡眠者呼吸道的暢通。枕頭里還安裝了延遲裝置，以便氣囊在使用者入睡30分鐘之后再膨脹。使用者還可以通過枕頭上的按鈕來開關或調節麥克風。若睡眠者鼾聲較輕，可以提高麥克風的敏感度，若鼾聲較重，則降低麥克風敏感度。

　　2016年蘇寧眾籌上線了一款SINKY靜極智能止鼾枕，該產品可 隨時調節打鼾用戶的頭頸姿態，以達到止鼾及緩解頸椎疲勞的目的。通過改變打鼾者的頭頸姿態是較為養生的止鼾手段。SINKY靜極智能止鼾枕內含自主研發的ASD芯片，搭載智能鼾聲鑒別系統，可有效識別鼾聲特征，從而調節枕頭高度，改變打鼾者頭頸姿態，進而達到止鼾的效果。此外，該產品采用雙層曲線設計，能夠牽引頸椎恢復正常曲度，有效緩解頸椎的疲勞。

　　技術實現要素：

　　本發明的目的在于提供一種結構合理，工作效果好的智能止鼾枕。

　　本發明的技術解決方案是：

　　一種智能止鼾枕，包括枕芯，其特征是：枕芯內設置位于枕芯不同部位的多個氣囊，各氣囊與位置傳感器連接，各氣囊與充氣泵裝置連接，枕芯內設置收集聲音的聲音傳感器，所述聲音傳感器、位置傳感器、充氣泵裝置與電路控制器連接，電路控制器與電源電路連接;電路控制器與鼾聲識別裝置通過雙向連接線連接;

　　鼾聲識別裝置計算步驟如下：

　　(1)對輸入的鼾聲信號進行分幀、加窗，然后作離散傅立葉變換，獲得頻譜分布信息;幀長取為256個采樣點，其中未重疊部分為100點;窗函數的選擇采用Hamming窗;設語音信號的DFT為：

　　式中x(n)為輸入的語音信號，N表示傅立葉變換的點數;

　　(2)端點檢測：對每一段鼾聲求頻譜幅度的平方，得到能量譜;

　　(3)將能量譜通過一組Mel尺度的三角形濾波器組;定義一個有M個濾波器的濾波器組，濾波器的個數和臨界帶的個數相近，采用的濾波器為三角濾波器，中心頻率為f(m)，m=1，2，3，···;調用voicebox中的melfb函數完成濾波操作;

　　(4)計算每個濾波器組輸出的對數能量：

　　其中Hm(k)為三角濾波器的頻率響應;

　　M為三角濾波器的個數;

　　(5)經過離散弦變換(DCT)得到MFCC系數：

　　MFCC系數的個數取12～16個;

　　鼾聲識別采用以下兩種方法之一：

　　(1)非參數模型法：使用模板匹配方法;就是對待識鼾聲計算平均值，并與已經儲存的每一鼾聲訓練平均值進行比較對文本無關的鼾聲辨認，應用數秒或數分鐘的鼾聲以保證鼾聲的模型由各種語音的平均特征而不是某一特殊音的平均特征產生;在模板匹配方法中使用歐式距離或馬氏距離;

　　(2)參數模型法：隱馬爾可夫模型和高斯混合模型，這二種方法都是為對應語音內容的鼾聲相關特性建模,識別時，將測試語句中的鼾聲聲學特性和特定鼾聲的包含相同鼾聲內容的模型相比較，這種比較主要體現的是鼾聲差異。

　　所述鼾聲識別裝置是裝有鼾聲識別軟件的手機。

　　當聲音傳感器接收睡眠者的鼾聲時，通過電路控制器、連接線將該鼾聲送至鼾聲識別裝置;

　　如果識別為鼾聲，則通過雙向連接線向電路控制器發出使能信號，電路控制器收到該使能信號后，根據睡眠者接觸的位置不同，啟動充氣泵裝置工作，對相應位置的氣囊充放氣，籍此改變枕具的外形，達到自動調節睡眠者睡姿的目的。

　　本發明結構合理，不對睡眠者施加電、機械刺激或附加器具的限制，保證了睡眠者的自然睡眠姿勢和深度，更有利于健康睡眠。

　　附圖說明

　　下面結合附圖和實施例對本發明作進一步說明。

　　圖1是本發明一個實施例的結構示意圖。
 

 

　　具體實施方式

　　一種智能止鼾枕，包括枕芯1，枕芯內設置位于枕芯不同部位的多個氣囊2，各氣囊與位置傳感器3連接，各氣囊與充氣泵裝置4連接，枕芯內設置收集聲音的聲音傳感器5，所述聲音傳感器、位置傳感器、充氣泵裝置與電路控制器6連接，電路控制器與電源電路7連接;電路控制器與鼾聲識別裝置8通過雙向連接線連接。

　　在對采集到的鼾聲信號進行識別的處理之前，為了使采集到語音信號在后續操作中處理起來更方便，必須要對其進行相關的預處理操作。

　　(1)預加重：由于語音信號幅度在高于800HZ的時候會按照每倍頻6dB的速度下降，預加重為了使語音信號中損失的高頻部分得到補償，以真實地反映出語音信號實際的時域特征，防止其重要信息的丟失，同時也為了使整個語音信號的頻譜變得更加平坦，以方便后續的相關處理，使方便在其整個頻帶的范圍內，能夠以相同的信噪比對進行分析。

　　(2)分幀和加窗：鼾聲信號為一個典型的時變模擬信號，在任意時刻，其幅值各不相同。對時變的信號進行處理通常用短時分析技術，將那些非常復雜的時變信號分成許多個小段，而將每一個小段看成是平穩的信號。在鼾聲信號中，這些分成的小段被稱為幀，語音信號的短時分析就是對鼾聲信號進行分幀，在分幀時，為了使每一幀鼾聲信號之間連續且平滑過渡，不許使相鄰幀之間有一小部分重疊。一般通過加窗的方式來對鼾聲信號進行分幀，常用的基本窗函數有矩形窗、漢明窗和漢寧窗等。

　　(3)端點檢測：通過使用數字處理技術以達到找出鼾聲信號中各段落起點及終點位置的目的。通常在鼾聲處理中引進端點檢測，這樣可以降低系統的運算量，提高系統性能。在鼾聲識別中，端點檢測的主要目的是找到鼾聲的端點。采用的參數有短時能量和過零率。

　　短時能量序列反映了語音振幅或能量隨著時間緩慢變化的規律。 從原始信號圖中可以看到信號幅度隨時間有相當的變化，信號的短時能量給出了反映這些幅度變化的一個合適的描述方法。

　　信號s(n)短時能量定義為:

　　在高信噪比的信號中，無信號的噪聲能量很小，而有信號時短時能量值顯著地增大到某一數值，由此可以區分信號的開始點和終止點。

　　短時平均過零率，過零就是信號通過零值。對于離散時間信號，如果相鄰的取樣值改變符號則稱為過零，過零數就是樣本改變符號的次數。單位時間內的過零數稱為平均過零數。對于窄帶信號，平均過零數作為信號頻率的一種簡單度量是很精確的。鼾聲信號序列是寬帶信號，仍然可用短時平均過零數來得到頻譜的粗略估計。信號s(n)的短時平均過零率定義為：

　　鼾聲特征提取

　　鼾聲發聲器官的差異主要表現在鼾聲的頻率結構上，鼾聲的短時譜中包含有激勵源和聲道的特性，可以反映人的生理差別。能夠表征鼾聲性特征的參數目前主要有2種主要的特征參數用在鼾聲識別領域：線性預測倒譜系數(Liner Prediction Cepstrum Coefficients，LPCC)，梅爾倒譜系數(Mel-Frequency Cepstrum Coefficients，MFCC)。

　　Mel頻率倒譜系數(MFCC)是信號的FFT譜取對數后的逆FFT 變換，它可將信息量較小的峰值信息和更重要的聲道形狀信息相分離。是目前普遍采用的特征參數。MFCC參數能仿真基于不同頻率帶寬上的不同精準水平人耳捕獲和處理聲音的過程，而且沒有任何前提假設，具有良好的識別性能和抗噪能力。

　　在鼾聲識別處理信號過程中，MFCC參數是按照幀計算的。
 

 

　　其計算步驟如下：

　　(1)對輸入的鼾聲信號進行分幀、加窗，然后作離散傅立葉變換，獲得頻譜分布信息。幀長取為256個采樣點，其中未重疊部分為100點。窗函數的選擇很重要，雖說矩形窗平滑比較好，但是容易丟失波形細節，并有可能造成泄漏現象，而Hamming窗可以有效的克服泄漏現象，所以本次課題采用Hamming窗。設語音信號的DFT為：

　　式中x(n)為輸入的語音信號，N表示傅立葉變換的點數。

　　(2)端點檢測。對每一段鼾聲求頻譜幅度的平方，得到能量譜。

　　(3)將能量譜通過一組Mel尺度的三角形濾波器組。定義一個有M個濾波器的濾波器組(濾波器的個數和臨界帶的個數相近)，本文采用的濾波器為三角濾波器，中心頻率為f(m)，m=1，2，3，···。調用voicebox中的melfb函數完成濾波操作。

　　(4)計算每個濾波器組輸出的對數能量：

　　其中Hm(k)為三角濾波器的頻率響應。

　　(5)經過離散弦變換(DCT)得到MFCC系數：

　　MFCC系數的個數一般取12～16個左右，本次課題取為15個。

　　3.3鼾聲識別

　　鼾聲識別主要有以下兩種方法：

　　(1)非參數模型法：模板匹配方法用語音信號某些特征的長時間的均值來辨認鼾聲，這一均值我們也稱為統計平均。使用模板匹配方法，就是對待識鼾聲計算平均值，并與已經儲存的每一鼾聲訓練平均值進行比較對文本無關的鼾聲辨認，理想的情況是應用數秒或數分鐘的鼾聲以保證鼾聲的模型由各種語音的平均特征而不是某一特殊音的平均特征產生。在模板匹配方法中可使用多種距離尺度，歐式距離、馬氏距離是經常使用的兩種。歐氏距離(Euclidean distance)是一個通常采用的距離定義，可以看作信號的相似程度。

　　兩個n維向量a(x11,x12,…,x1n)與b(x21,x22,…,x2n)間的歐氏距離：

　　向量Xi與Xj之間的馬氏距離定義為：

　　(2)參數模型法：典型使用的參數模型為隱馬爾可夫模型(HMM)和高斯混合模型(GMM)。HMM方法和GMM方法都是為對應語音內容的鼾聲相關特性建模,識別時，將測試語句中的鼾聲聲學特性和特定鼾聲的包含相同鼾聲內容的模型相比較，這種比較主要體現的是鼾聲差異。

　　所述鼾聲識別裝置是裝有鼾聲識別軟件的手機。

　　當聲音傳感器接收睡眠者的鼾聲時，通過電路控制器、連接線將該鼾聲送至鼾聲識別裝置;

　　如果識別為鼾聲，則通過雙向連接線向電路控制器發出使能信號，電路控制器收到該使能信號后，根據睡眠者接觸的位置不同，啟動充氣泵裝置工作，對相應位置的氣囊充放氣，籍此改變枕具的外形，達到自動調節睡眠者睡姿的目的。如果未能識別為鼾聲，則不發送使能信號。

　　雙向連接線和手機的音頻接口相連接，聲音傳感器的信號由手機音頻接口中的MIC接入手機的，使能信號利用手機音頻接口中的左右聲道傳輸。