基于夜間音頻信號(hào)的睡眠分期算法：特征提取、模型構(gòu)建與應(yīng)用優(yōu)化一、引言1.1研究背景與意義睡眠，作為人類(lèi)生命活動(dòng)中不可或缺的一部分，對(duì)個(gè)體的身心健康起著舉足輕重的作用。睡眠過(guò)程不僅是身體恢復(fù)和修復(fù)的關(guān)鍵時(shí)期，還在記憶鞏固、情緒調(diào)節(jié)、新陳代謝以及免疫系統(tǒng)功能維持等方面發(fā)揮著至關(guān)重要的作用。從身體機(jī)能的角度來(lái)看，在睡眠期間，身體會(huì)進(jìn)行一系列復(fù)雜的生理活動(dòng)，如細(xì)胞再生、組織修復(fù)、激素分泌調(diào)節(jié)等，這些過(guò)程有助于維持身體的正常功能和健康狀態(tài)。若長(zhǎng)期睡眠不足或睡眠質(zhì)量不佳，會(huì)導(dǎo)致身體疲勞、免疫力下降、心血管疾病風(fēng)險(xiǎn)增加等一系列健康問(wèn)題。研究表明，睡眠不足會(huì)削弱免疫系統(tǒng)，使人更容易感染疾病，長(zhǎng)期睡眠不足還會(huì)增加患心臟病、高血壓和中風(fēng)的風(fēng)險(xiǎn)。睡眠對(duì)心理健康同樣至關(guān)重要。充足的睡眠有助于維持良好的心理狀態(tài)和情緒穩(wěn)定，睡眠不足會(huì)導(dǎo)致情緒波動(dòng)、焦慮和抑郁等心理問(wèn)題，還與認(rèn)知功能下降和注意力不集中有關(guān)。良好的睡眠能促進(jìn)學(xué)習(xí)和記憶能力的提升，激發(fā)創(chuàng)造力和解決問(wèn)題的能力，對(duì)心理健康問(wèn)題的治療和預(yù)防也具有重要作用。睡眠不足會(huì)加重焦慮和抑郁癥狀，而充足的睡眠可以幫助人們更好地應(yīng)對(duì)壓力和情緒困擾。由此可見(jiàn)，睡眠質(zhì)量的優(yōu)劣直接關(guān)系到人們的生活質(zhì)量和健康水平。為了深入了解睡眠的本質(zhì)和機(jī)制，準(zhǔn)確評(píng)估睡眠質(zhì)量，睡眠分期的研究應(yīng)運(yùn)而生。睡眠分期是指根據(jù)睡眠過(guò)程中腦電圖（EEG）、眼電圖（EOG）、肌電圖（EMG）等生理信號(hào)的變化特征，將睡眠劃分為不同的階段。目前，國(guó)際上通用的睡眠分期標(biāo)準(zhǔn)主要有Rechtschaffen和Kales（R&K）標(biāo)準(zhǔn)以及美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)（AASM）標(biāo)準(zhǔn)。R&K標(biāo)準(zhǔn)將睡眠分為非快速眼動(dòng)睡眠（NREM）的四個(gè)階段（N1、N2、N3、N4期）和快速眼動(dòng)睡眠（REM）階段；AASM標(biāo)準(zhǔn)則將NREM睡眠的N3和N4期合并為N3期，即睡眠分為N1、N2、N3期和REM期。不同的睡眠階段具有不同的生理特征和功能意義，通過(guò)對(duì)睡眠分期的研究，可以更深入地了解睡眠的過(guò)程和機(jī)制，為睡眠障礙的診斷、治療以及睡眠質(zhì)量的改善提供科學(xué)依據(jù)。例如，睡眠呼吸暫停低通氣綜合征患者在睡眠過(guò)程中會(huì)出現(xiàn)頻繁的呼吸暫停和低通氣事件，導(dǎo)致睡眠結(jié)構(gòu)紊亂，淺睡眠期增多，深睡眠期和REM期減少，通過(guò)睡眠分期的分析可以準(zhǔn)確評(píng)估病情的嚴(yán)重程度，為制定合理的治療方案提供參考。傳統(tǒng)的睡眠分期方法主要依賴(lài)于多導(dǎo)睡眠圖（PSG）監(jiān)測(cè)技術(shù)，PSG通過(guò)在人體表面放置多個(gè)電極，同步記錄腦電圖、眼電圖、肌電圖、心電圖、呼吸氣流、血氧飽和度等多種生理信號(hào)，然后由專(zhuān)業(yè)的睡眠專(zhuān)家根據(jù)這些信號(hào)的特征，依據(jù)R&K或AASM標(biāo)準(zhǔn)進(jìn)行人工睡眠分期。PSG監(jiān)測(cè)技術(shù)雖然被認(rèn)為是睡眠分期的“金標(biāo)準(zhǔn)”，但其存在諸多局限性。PSG設(shè)備價(jià)格昂貴，操作復(fù)雜，需要專(zhuān)業(yè)人員進(jìn)行安裝和調(diào)試，這限制了其在大規(guī)模人群中的應(yīng)用；PSG監(jiān)測(cè)需要受試者在睡眠實(shí)驗(yàn)室中進(jìn)行，睡眠環(huán)境與受試者的日常生活環(huán)境存在差異，可能會(huì)影響受試者的睡眠質(zhì)量和睡眠結(jié)構(gòu)，導(dǎo)致監(jiān)測(cè)結(jié)果不能真實(shí)反映受試者在自然狀態(tài)下的睡眠情況；PSG監(jiān)測(cè)過(guò)程中，受試者需要連接大量的導(dǎo)線和傳感器，這會(huì)給受試者帶來(lái)身體上的不適和心理上的壓力，進(jìn)一步干擾睡眠，影響監(jiān)測(cè)結(jié)果的準(zhǔn)確性；人工睡眠分期依賴(lài)于專(zhuān)家的經(jīng)驗(yàn)和判斷，存在主觀性強(qiáng)、效率低、耗時(shí)費(fèi)力等問(wèn)題，不同專(zhuān)家之間的分期結(jié)果可能存在一定的差異。隨著科技的不斷進(jìn)步和人們對(duì)睡眠健康關(guān)注度的日益提高，開(kāi)發(fā)一種簡(jiǎn)單、便捷、準(zhǔn)確且能在日常生活中進(jìn)行的睡眠監(jiān)測(cè)方法成為了研究的熱點(diǎn)?；谝归g音頻信號(hào)的睡眠分期算法應(yīng)運(yùn)而生，這種方法利用音頻傳感器采集睡眠過(guò)程中的聲音信號(hào)，如呼吸聲、鼾聲、翻身聲、夢(mèng)囈聲等，通過(guò)對(duì)這些音頻信號(hào)進(jìn)行分析和處理，提取與睡眠分期相關(guān)的特征，進(jìn)而實(shí)現(xiàn)睡眠分期的自動(dòng)識(shí)別。相較于傳統(tǒng)的PSG監(jiān)測(cè)技術(shù)，基于夜間音頻信號(hào)的睡眠分期算法具有諸多優(yōu)勢(shì)。音頻監(jiān)測(cè)設(shè)備成本低、體積小、便于攜帶，用戶(hù)可以在家中或其他自然睡眠環(huán)境中進(jìn)行睡眠監(jiān)測(cè)，無(wú)需在睡眠實(shí)驗(yàn)室中進(jìn)行，避免了環(huán)境因素對(duì)睡眠的干擾，能夠更真實(shí)地反映用戶(hù)的日常睡眠情況；音頻監(jiān)測(cè)是非接觸式的，不會(huì)給用戶(hù)帶來(lái)身體上的不適和心理上的壓力，用戶(hù)可以在自然、放松的狀態(tài)下進(jìn)行睡眠監(jiān)測(cè)，提高了監(jiān)測(cè)的可行性和用戶(hù)的接受度；音頻信號(hào)的采集和處理相對(duì)簡(jiǎn)單，通過(guò)自動(dòng)化的算法可以實(shí)現(xiàn)睡眠分期的快速、準(zhǔn)確識(shí)別，大大提高了睡眠監(jiān)測(cè)的效率，降低了人工成本?；谝归g音頻信號(hào)的睡眠分期算法在睡眠健康監(jiān)測(cè)、睡眠障礙篩查以及智能家居等領(lǐng)域具有廣闊的應(yīng)用前景。在睡眠健康監(jiān)測(cè)方面，用戶(hù)可以通過(guò)使用基于音頻監(jiān)測(cè)的睡眠設(shè)備，實(shí)時(shí)了解自己的睡眠質(zhì)量和睡眠分期情況，及時(shí)發(fā)現(xiàn)潛在的睡眠問(wèn)題，并采取相應(yīng)的措施進(jìn)行調(diào)整和改善；在睡眠障礙篩查方面，該算法可以作為一種初步的篩查工具，對(duì)大量人群進(jìn)行睡眠障礙的快速篩查，提高篩查效率，降低醫(yī)療成本；在智能家居領(lǐng)域，結(jié)合音頻睡眠監(jiān)測(cè)技術(shù)，智能家居系統(tǒng)可以根據(jù)用戶(hù)的睡眠狀態(tài)自動(dòng)調(diào)整環(huán)境參數(shù)，如溫度、濕度、燈光等，為用戶(hù)創(chuàng)造一個(gè)更加舒適的睡眠環(huán)境，提高睡眠質(zhì)量。然而，基于夜間音頻信號(hào)的睡眠分期算法在實(shí)際應(yīng)用中仍面臨一些挑戰(zhàn)。睡眠過(guò)程中的音頻信號(hào)容易受到多種因素的干擾，如環(huán)境噪聲、用戶(hù)自身的活動(dòng)以及其他非睡眠相關(guān)的聲音事件等，這些干擾會(huì)影響音頻信號(hào)的質(zhì)量和特征提取的準(zhǔn)確性，進(jìn)而降低睡眠分期的準(zhǔn)確率。睡眠音頻信號(hào)的特征提取和分類(lèi)算法還需要進(jìn)一步優(yōu)化和改進(jìn)，以提高算法對(duì)不同睡眠狀態(tài)的識(shí)別能力和適應(yīng)性。不同個(gè)體之間的睡眠音頻信號(hào)特征存在差異，如何建立通用的睡眠分期模型，以適應(yīng)不同人群的睡眠監(jiān)測(cè)需求，也是需要解決的問(wèn)題之一。綜上所述，研究基于夜間音頻信號(hào)的睡眠分期算法具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。本研究旨在深入探討睡眠音頻信號(hào)的特征提取和分類(lèi)方法，提出一種高效、準(zhǔn)確的睡眠分期算法，以克服現(xiàn)有方法的不足，為實(shí)現(xiàn)便捷、可靠的日常睡眠監(jiān)測(cè)提供技術(shù)支持，促進(jìn)睡眠健康領(lǐng)域的發(fā)展。1.2睡眠分期的基本概念與分類(lèi)睡眠是一個(gè)復(fù)雜的生理過(guò)程，睡眠分期則是對(duì)睡眠過(guò)程中不同階段的劃分。睡眠主要分為兩大狀態(tài)：非快速眼動(dòng)睡眠（Non-RapidEyeMovementSleep，NREM）和快速眼動(dòng)睡眠（RapidEyeMovementSleep，REM）。非快速眼動(dòng)睡眠（NREM）通常又可細(xì)分為多個(gè)階段，按照美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)（AASM）的標(biāo)準(zhǔn)，分為N1、N2、N3期。N1期是睡眠的起始階段，也被稱(chēng)為入睡期，此階段持續(xù)時(shí)間較短，一般為1-7分鐘。在這個(gè)階段，人體開(kāi)始從清醒狀態(tài)逐漸進(jìn)入睡眠，腦電圖（EEG）表現(xiàn)為低波幅混合頻率波，α波減少50%以上，肌肉張力開(kāi)始下降，身體輕度放松，呼吸和心率開(kāi)始變慢，大腦部分清醒，部分處于睡眠狀態(tài)，很容易被喚醒，若在此階段被喚醒，人們可能會(huì)感覺(jué)自己并未真正睡著，只是有些迷糊。N2期是淺睡眠階段，此時(shí)身體進(jìn)一步放松，肌肉松弛程度加深，呼吸和心率繼續(xù)減慢，體溫和血壓略為降低。腦電圖特征為出現(xiàn)睡眠紡錘波和K復(fù)合波，δ波少于20%，這個(gè)階段大腦活動(dòng)進(jìn)一步減少，但仍能對(duì)一些外界刺激做出反應(yīng)，若被喚醒，大多數(shù)人會(huì)認(rèn)為自己已經(jīng)睡著了。N3期屬于深睡眠階段，肌肉充分松弛，肌張力消失，呼吸、心率、體溫、血壓和感覺(jué)功能均進(jìn)一步降低，腦電圖以高波幅低頻的δ波為主，δ波占比20%以上，此階段睡眠者很難被喚醒，即使被喚醒，也會(huì)感到昏昏沉沉，需要一定時(shí)間才能完全清醒，深睡眠對(duì)于身體的恢復(fù)和修復(fù)至關(guān)重要，在這個(gè)階段，身體會(huì)進(jìn)行一系列重要的生理過(guò)程，如細(xì)胞修復(fù)、激素分泌調(diào)節(jié)等。快速眼動(dòng)睡眠（REM）階段則具有與NREM階段截然不同的特征。REM階段通常在入睡后約90分鐘出現(xiàn)，其最顯著的特點(diǎn)是眼球快速運(yùn)動(dòng)，同時(shí)伴有面部及四肢肌肉的多次發(fā)作性小抽動(dòng)，有時(shí)還會(huì)出現(xiàn)嘴唇的吸吮動(dòng)作、喉部發(fā)出短促聲音等。在這個(gè)階段，腦電圖呈現(xiàn)出混合頻率的去同步化低波幅腦電波，與清醒時(shí)的腦電圖波形有些相似，但此時(shí)人體的各種感覺(jué)功能進(jìn)一步減退，運(yùn)動(dòng)功能也受到抑制，肌肉幾乎完全松弛，然而，內(nèi)臟活動(dòng)卻高度不穩(wěn)定，呼吸不規(guī)則，心率經(jīng)常變動(dòng)，胃酸分泌增加，男性還可能出現(xiàn)陰莖勃起現(xiàn)象。此外，REM階段與夢(mèng)境密切相關(guān)，若在此階段被喚醒，74%-95%的人會(huì)訴說(shuō)正在做夢(mèng)并能記起夢(mèng)境內(nèi)容，REM睡眠對(duì)于大腦的發(fā)育、記憶鞏固和情緒調(diào)節(jié)等方面起著重要作用。在一個(gè)完整的睡眠周期中，通常首先進(jìn)入NREM睡眠的N1期，然后依次經(jīng)過(guò)N2期、N3期，再?gòu)腘3期回到N2期，之后進(jìn)入REM睡眠階段。完成一次這樣的循環(huán)大約需要90-120分鐘，一夜的睡眠過(guò)程中，通常會(huì)經(jīng)歷4-6個(gè)這樣的睡眠周期，且隨著睡眠進(jìn)程，NREM睡眠中的深睡眠期（N3期）會(huì)逐漸縮短，REM睡眠階段的時(shí)間則會(huì)逐漸延長(zhǎng)。不同年齡階段的人群，睡眠分期的時(shí)間占比和睡眠結(jié)構(gòu)也會(huì)有所差異。例如，新生兒的REM睡眠占比較高，約為50%左右，隨著年齡的增長(zhǎng)，REM睡眠和NREM睡眠中的深睡眠期（N3期）占比逐漸減少，到60歲以后，N3期睡眠基本消失，夜間醒轉(zhuǎn)的次數(shù)也會(huì)相應(yīng)增加。常見(jiàn)的睡眠分期分類(lèi)模式除了上述AASM標(biāo)準(zhǔn)外，還有Rechtschaffen和Kales（R&K）標(biāo)準(zhǔn)。R&K標(biāo)準(zhǔn)將NREM睡眠分為四個(gè)階段（N1、N2、N3、N4期）和REM階段，其中N3和N4期主要依據(jù)δ波的占比來(lái)區(qū)分，N3期δ波占比為20%-50%，N4期δ波占比50%以上。后來(lái)AASM標(biāo)準(zhǔn)將N3和N4期合并為N3期，使得睡眠分期更加簡(jiǎn)潔明了，也更符合現(xiàn)代睡眠研究的認(rèn)知，目前AASM標(biāo)準(zhǔn)在睡眠領(lǐng)域的應(yīng)用更為廣泛。不同的睡眠分期模式雖然在具體的階段劃分和定義上存在一些差異，但總體上都是基于睡眠過(guò)程中腦電圖、眼電圖、肌電圖等生理信號(hào)的變化特征來(lái)進(jìn)行劃分的，這些睡眠分期模式為睡眠研究和睡眠障礙的診斷提供了重要的依據(jù)。準(zhǔn)確理解睡眠分期的基本概念與分類(lèi)，是深入研究睡眠生理機(jī)制以及基于夜間音頻信號(hào)進(jìn)行睡眠分期算法研究的基礎(chǔ)。通過(guò)對(duì)不同睡眠階段特征的分析，可以尋找與睡眠分期相關(guān)的音頻信號(hào)特征，從而為實(shí)現(xiàn)基于音頻信號(hào)的準(zhǔn)確睡眠分期提供理論支持。1.3研究現(xiàn)狀綜述睡眠監(jiān)測(cè)技術(shù)的發(fā)展經(jīng)歷了從傳統(tǒng)接觸式到非接觸式的演變，每種方式都在不斷探索中尋求更準(zhǔn)確、便捷的睡眠分期方法。傳統(tǒng)接觸式睡眠監(jiān)測(cè)設(shè)備以多導(dǎo)睡眠圖（PSG）為代表，通過(guò)在人體表面粘貼多個(gè)電極，同步記錄腦電圖（EEG）、眼電圖（EOG）、肌電圖（EMG）等多種生理信號(hào)，進(jìn)而依據(jù)專(zhuān)業(yè)標(biāo)準(zhǔn)進(jìn)行睡眠分期。PSG技術(shù)在睡眠研究和臨床診斷中具有極高的權(quán)威性，被視為睡眠分期的“金標(biāo)準(zhǔn)”，能夠精準(zhǔn)地捕捉到睡眠過(guò)程中各種生理信號(hào)的細(xì)微變化，為睡眠分期提供了全面且準(zhǔn)確的依據(jù)。例如，通過(guò)EEG信號(hào)可以清晰地分辨出不同睡眠階段的腦電波特征，如NREM睡眠中的α波、睡眠紡錘波、K復(fù)合波以及REM睡眠中的快速眼動(dòng)相關(guān)腦電波等；EOG信號(hào)則能準(zhǔn)確反映眼球運(yùn)動(dòng)情況，用于區(qū)分REM睡眠和NREM睡眠；EMG信號(hào)可監(jiān)測(cè)肌肉活動(dòng)，輔助判斷睡眠階段和睡眠中的異常運(yùn)動(dòng)。PSG技術(shù)也存在明顯的局限性。其設(shè)備成本高昂，需要配備專(zhuān)業(yè)的監(jiān)測(cè)儀器和電極，這使得大規(guī)模應(yīng)用受到限制；操作過(guò)程復(fù)雜，需要專(zhuān)業(yè)人員進(jìn)行安裝、調(diào)試和信號(hào)解讀，對(duì)操作人員的專(zhuān)業(yè)知識(shí)和技能要求較高；監(jiān)測(cè)環(huán)境要求嚴(yán)格，受試者需在睡眠實(shí)驗(yàn)室中進(jìn)行監(jiān)測(cè)，與日常生活環(huán)境差異較大，容易產(chǎn)生“首夜效應(yīng)”，影響睡眠質(zhì)量和監(jiān)測(cè)結(jié)果的真實(shí)性；監(jiān)測(cè)過(guò)程中，受試者身上連接的大量導(dǎo)線和傳感器會(huì)帶來(lái)身體不適，干擾正常睡眠，降低受試者的依從性。這些因素促使研究人員不斷探索更加便捷、舒適的睡眠監(jiān)測(cè)方法。隨著科技的進(jìn)步，非接觸式睡眠監(jiān)測(cè)設(shè)備應(yīng)運(yùn)而生，逐漸成為研究的熱點(diǎn)。非接觸式睡眠監(jiān)測(cè)技術(shù)主要包括基于圖像、雷達(dá)、音頻等多種方式。基于圖像的睡眠監(jiān)測(cè)技術(shù)利用攝像頭采集睡眠過(guò)程中的面部表情、肢體動(dòng)作等信息，通過(guò)圖像識(shí)別算法分析睡眠狀態(tài)。這類(lèi)技術(shù)能夠直觀地獲取睡眠者的行為信息，如睡眠中的翻身次數(shù)、面部表情變化等，為睡眠分期提供了一定的參考。其易受光線、遮擋等因素的影響，隱私保護(hù)問(wèn)題也較為突出。基于雷達(dá)的睡眠監(jiān)測(cè)技術(shù)通過(guò)發(fā)射和接收雷達(dá)信號(hào)，感知睡眠者的呼吸、心跳、體動(dòng)等生理參數(shù)，實(shí)現(xiàn)睡眠監(jiān)測(cè)。該技術(shù)具有非接觸、穿透性強(qiáng)等優(yōu)點(diǎn)，能夠在一定距離外對(duì)睡眠者進(jìn)行監(jiān)測(cè)，不受光線和遮擋的影響。雷達(dá)信號(hào)容易受到環(huán)境干擾，對(duì)睡眠者的體位和姿勢(shì)要求較高，在復(fù)雜環(huán)境下的監(jiān)測(cè)準(zhǔn)確性有待提高。基于音頻信號(hào)的睡眠分期算法作為非接觸式睡眠監(jiān)測(cè)的一種重要方式，近年來(lái)受到了廣泛關(guān)注。睡眠過(guò)程中會(huì)產(chǎn)生各種音頻信號(hào)，如呼吸聲、鼾聲、翻身聲、夢(mèng)囈聲等，這些聲音信號(hào)蘊(yùn)含著豐富的睡眠生理信息。通過(guò)對(duì)音頻信號(hào)的分析和處理，可以提取與睡眠分期相關(guān)的特征，實(shí)現(xiàn)睡眠分期的自動(dòng)識(shí)別。例如，呼吸聲的頻率、節(jié)律和強(qiáng)度變化與睡眠深度密切相關(guān)，在NREM睡眠的深睡眠階段，呼吸通常變得更加平穩(wěn)、緩慢，而在REM睡眠階段，呼吸可能會(huì)出現(xiàn)不規(guī)則的波動(dòng)；鼾聲的出現(xiàn)頻率和強(qiáng)度也能反映睡眠狀態(tài)，打鼾往往在淺睡眠階段更為頻繁，且鼾聲的強(qiáng)度可能與睡眠呼吸暫停等睡眠障礙有關(guān)；翻身聲和夢(mèng)囈聲則可以作為判斷睡眠中體動(dòng)和大腦活動(dòng)的指標(biāo)，頻繁的翻身和夢(mèng)囈可能提示睡眠質(zhì)量不佳或處于淺睡眠階段。在基于音頻信號(hào)的睡眠分期算法研究中，許多學(xué)者進(jìn)行了有益的探索。一些研究采用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如支持向量機(jī)（SVM）、K最近鄰（KNN）、決策樹(shù)等，對(duì)音頻信號(hào)的特征進(jìn)行分類(lèi)，實(shí)現(xiàn)睡眠分期。這些方法在一定程度上取得了較好的效果，但對(duì)于復(fù)雜多變的睡眠音頻信號(hào)，其特征提取和分類(lèi)能力存在局限性。為了提高睡眠分期的準(zhǔn)確性，一些研究引入了深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）等。CNN能夠自動(dòng)提取音頻信號(hào)的局部特征，在處理音頻信號(hào)的時(shí)頻特征方面具有優(yōu)勢(shì)；RNN和LSTM則擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)，能夠捕捉音頻信號(hào)中的時(shí)序信息，對(duì)于睡眠分期這樣具有時(shí)間序列特性的任務(wù)表現(xiàn)出更好的適應(yīng)性。通過(guò)將音頻信號(hào)轉(zhuǎn)換為時(shí)頻圖等形式，輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練和分類(lèi)，可以有效提高睡眠分期的準(zhǔn)確率。盡管基于音頻信號(hào)的睡眠分期算法取得了一定的進(jìn)展，但仍面臨諸多挑戰(zhàn)。睡眠音頻信號(hào)易受環(huán)境噪聲干擾，如外界的交通噪音、電器設(shè)備噪音等，這些噪聲會(huì)掩蓋睡眠相關(guān)的音頻信號(hào)，影響特征提取的準(zhǔn)確性。睡眠過(guò)程中的個(gè)體差異較大，不同人的睡眠音頻信號(hào)特征存在明顯差異，如呼吸聲的頻率、鼾聲的音色等，這給建立通用的睡眠分期模型帶來(lái)了困難。睡眠音頻信號(hào)中的特征與睡眠分期之間的關(guān)系并非完全線性，存在復(fù)雜的非線性關(guān)系，現(xiàn)有的算法在處理這種非線性關(guān)系時(shí)還存在不足，導(dǎo)致睡眠分期的準(zhǔn)確率有待進(jìn)一步提高。1.4研究?jī)?nèi)容與創(chuàng)新點(diǎn)本研究旨在深入挖掘睡眠音頻信號(hào)中的關(guān)鍵信息，通過(guò)多維度特征提取與優(yōu)化的分類(lèi)模型，實(shí)現(xiàn)高精度的睡眠分期識(shí)別，為睡眠健康監(jiān)測(cè)提供更有效的技術(shù)手段。具體研究?jī)?nèi)容如下：睡眠音頻信號(hào)特征提?。簩?duì)睡眠過(guò)程中的音頻信號(hào)進(jìn)行深入分析，全面提取多種類(lèi)型的特征。在時(shí)域方面，重點(diǎn)分析呼吸聲、鼾聲等音頻信號(hào)的時(shí)長(zhǎng)、周期、幅度等特征。例如，通過(guò)對(duì)呼吸聲的時(shí)長(zhǎng)和周期進(jìn)行統(tǒng)計(jì)分析，可獲取睡眠過(guò)程中呼吸的穩(wěn)定性和頻率變化信息，在NREM睡眠的深睡眠階段，呼吸周期通常較為穩(wěn)定且頻率較低；鼾聲的幅度特征可以反映睡眠呼吸的通暢程度，鼾聲幅度較大可能與睡眠呼吸暫停等睡眠障礙有關(guān)。在頻域方面，利用傅里葉變換、小波變換等方法，提取音頻信號(hào)的頻率成分和能量分布特征，不同睡眠階段的音頻信號(hào)在頻域上具有不同的特征，REM睡眠階段的音頻信號(hào)可能包含更多高頻成分。此外，還將探索音頻信號(hào)的非線性特征，如分形維數(shù)、Lyapunov指數(shù)等，這些非線性特征能夠反映音頻信號(hào)的復(fù)雜性和混沌特性，有助于進(jìn)一步提高睡眠分期的準(zhǔn)確性。睡眠分期分類(lèi)模型構(gòu)建：綜合運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，構(gòu)建高效準(zhǔn)確的睡眠分期分類(lèi)模型。首先，選擇支持向量機(jī)（SVM）、隨機(jī)森林（RF）等傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行睡眠分期實(shí)驗(yàn)，這些算法在處理小樣本數(shù)據(jù)和簡(jiǎn)單特征時(shí)具有一定的優(yōu)勢(shì)。通過(guò)對(duì)不同機(jī)器學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化和調(diào)整，如SVM的核函數(shù)選擇和參數(shù)調(diào)整、RF的決策樹(shù)數(shù)量和特征選擇等，提高模型的分類(lèi)性能。在此基礎(chǔ)上，引入深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）等，CNN能夠自動(dòng)提取音頻信號(hào)的局部特征，對(duì)于處理音頻信號(hào)的時(shí)頻圖等具有優(yōu)勢(shì)；RNN和LSTM則擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)，能夠捕捉音頻信號(hào)中的時(shí)序信息。通過(guò)將音頻信號(hào)轉(zhuǎn)換為時(shí)頻圖等形式，輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練和分類(lèi)，利用深度學(xué)習(xí)模型強(qiáng)大的特征學(xué)習(xí)能力，提高睡眠分期的準(zhǔn)確率。還將嘗試對(duì)不同模型進(jìn)行融合，結(jié)合多種模型的優(yōu)勢(shì)，進(jìn)一步提升睡眠分期的性能。算法優(yōu)化與性能評(píng)估：針對(duì)睡眠音頻信號(hào)易受干擾的問(wèn)題，對(duì)算法進(jìn)行優(yōu)化，提高其抗干擾能力。采用降噪技術(shù)對(duì)音頻信號(hào)進(jìn)行預(yù)處理，去除環(huán)境噪聲和其他干擾信號(hào)，如采用譜減法、維納濾波等方法對(duì)音頻信號(hào)進(jìn)行降噪處理，提高音頻信號(hào)的質(zhì)量。在模型訓(xùn)練過(guò)程中，采用數(shù)據(jù)增強(qiáng)技術(shù)，增加訓(xùn)練數(shù)據(jù)的多樣性，提高模型的泛化能力，如對(duì)音頻信號(hào)進(jìn)行隨機(jī)裁剪、添加噪聲、改變速度等操作，生成更多的訓(xùn)練樣本。此外，建立科學(xué)合理的性能評(píng)估指標(biāo)體系，全面評(píng)估算法的性能，除了常用的準(zhǔn)確率、召回率、F1值等指標(biāo)外，還將考慮睡眠分期的臨床意義，如對(duì)不同睡眠階段的正確識(shí)別率等，通過(guò)交叉驗(yàn)證、留一法等方法對(duì)算法進(jìn)行嚴(yán)格的性能評(píng)估，確保算法的可靠性和有效性。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)方面：多類(lèi)型特征融合：創(chuàng)新性地將時(shí)域、頻域和非線性特征進(jìn)行融合，全面挖掘睡眠音頻信號(hào)中的信息。以往的研究往往只側(cè)重于某一類(lèi)特征的提取和分析，而本研究通過(guò)多類(lèi)型特征的融合，能夠更全面地反映睡眠音頻信號(hào)的特性，為睡眠分期提供更豐富的特征信息，提高睡眠分期的準(zhǔn)確性。深度學(xué)習(xí)模型優(yōu)化：對(duì)深度學(xué)習(xí)模型進(jìn)行優(yōu)化和改進(jìn)，提出適合睡眠音頻信號(hào)處理的模型結(jié)構(gòu)。在傳統(tǒng)的CNN和LSTM模型基礎(chǔ)上，結(jié)合睡眠音頻信號(hào)的特點(diǎn)，對(duì)模型的網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)設(shè)置等進(jìn)行優(yōu)化，如增加卷積層的數(shù)量和卷積核的大小，以更好地提取音頻信號(hào)的局部特征；調(diào)整LSTM單元的參數(shù)，提高模型對(duì)時(shí)序信息的處理能力，從而提高模型對(duì)睡眠音頻信號(hào)的特征學(xué)習(xí)能力和分類(lèi)性能?？垢蓴_算法設(shè)計(jì)：設(shè)計(jì)了針對(duì)性的抗干擾算法，有效提高了算法在復(fù)雜環(huán)境下的魯棒性。通過(guò)對(duì)睡眠音頻信號(hào)干擾源的分析，采用自適應(yīng)降噪、特征選擇等方法，減少環(huán)境噪聲和其他干擾因素對(duì)睡眠分期的影響，使算法能夠在不同的睡眠環(huán)境中準(zhǔn)確地進(jìn)行睡眠分期，提高了算法的實(shí)用性和可靠性。二、睡眠音頻信號(hào)采集與預(yù)處理2.1音頻采集設(shè)備與環(huán)境在睡眠音頻信號(hào)采集實(shí)驗(yàn)中，本研究選用了[具體型號(hào)]的高靈敏度數(shù)字麥克風(fēng)作為音頻采集設(shè)備。該麥克風(fēng)具備20Hz-20kHz的寬頻率響應(yīng)范圍，能夠精準(zhǔn)捕捉睡眠過(guò)程中呼吸聲、鼾聲、翻身聲等各類(lèi)音頻信號(hào)的豐富頻率成分。其靈敏度可達(dá)[具體靈敏度數(shù)值]dBV/Pa，這使得它對(duì)微弱的聲音信號(hào)也能做出敏銳響應(yīng)，確保了睡眠音頻信號(hào)采集的完整性和準(zhǔn)確性。該麥克風(fēng)支持48kHz的采樣率和16位的采樣精度，高采樣率能夠更精確地還原音頻信號(hào)的細(xì)節(jié)，而16位的采樣精度則有效保證了音頻信號(hào)量化的準(zhǔn)確性，減少量化誤差對(duì)信號(hào)分析的影響。同時(shí)，它采用USB接口與計(jì)算機(jī)連接，方便數(shù)據(jù)的傳輸和實(shí)時(shí)采集，且體積小巧，便于安裝和布置在睡眠環(huán)境中，不會(huì)對(duì)受試者的睡眠造成明顯干擾。為了獲取真實(shí)可靠的睡眠音頻信號(hào)，采集實(shí)驗(yàn)在安靜、舒適且光線可調(diào)節(jié)的睡眠實(shí)驗(yàn)室中進(jìn)行。實(shí)驗(yàn)室內(nèi)部采用了隔音材料進(jìn)行裝修，有效降低了外界交通噪聲、環(huán)境嘈雜聲等干擾，確保睡眠音頻信號(hào)的純凈度。房間內(nèi)配備了舒適的床鋪和床上用品，盡量模擬受試者日常生活中的睡眠環(huán)境，以減少環(huán)境因素對(duì)睡眠質(zhì)量和睡眠音頻信號(hào)的影響。在實(shí)驗(yàn)前，對(duì)睡眠實(shí)驗(yàn)室的環(huán)境噪聲進(jìn)行了測(cè)量，確保背景噪聲在40dB(A)以下，滿(mǎn)足睡眠音頻信號(hào)采集對(duì)低噪聲環(huán)境的要求。在進(jìn)行睡眠音頻信號(hào)采集時(shí)，需要注意以下事項(xiàng)：首先，在實(shí)驗(yàn)開(kāi)始前，向受試者詳細(xì)介紹實(shí)驗(yàn)流程和注意事項(xiàng)，消除其緊張情緒，使其能夠在自然、放松的狀態(tài)下入睡。告知受試者在睡眠過(guò)程中盡量保持正常的睡眠習(xí)慣，不要刻意改變睡眠姿勢(shì)或行為。其次，麥克風(fēng)的安裝位置至關(guān)重要。將麥克風(fēng)放置在距離受試者頭部約30cm的床側(cè)，確保其能夠清晰地采集到呼吸聲、鼾聲等睡眠音頻信號(hào)，同時(shí)避免因麥克風(fēng)距離過(guò)近或位置不當(dāng)導(dǎo)致聲音信號(hào)失真或受到干擾。用固定裝置將麥克風(fēng)穩(wěn)固地固定在床架上，防止在睡眠過(guò)程中因受試者的翻身、動(dòng)作等導(dǎo)致麥克風(fēng)位置發(fā)生移動(dòng)，影響信號(hào)采集質(zhì)量。再者，在實(shí)驗(yàn)過(guò)程中，保持睡眠實(shí)驗(yàn)室的環(huán)境穩(wěn)定。關(guān)閉不必要的電器設(shè)備，避免產(chǎn)生額外的電磁干擾和噪聲干擾?？刂剖覂?nèi)的溫度在25℃左右，相對(duì)濕度在50%左右，為受試者創(chuàng)造一個(gè)舒適的睡眠環(huán)境。最后，實(shí)驗(yàn)過(guò)程中安排專(zhuān)人對(duì)采集設(shè)備進(jìn)行實(shí)時(shí)監(jiān)控，確保音頻信號(hào)采集的連續(xù)性和穩(wěn)定性。若發(fā)現(xiàn)采集設(shè)備出現(xiàn)故障或信號(hào)異常，及時(shí)進(jìn)行調(diào)整和處理，確保采集到的數(shù)據(jù)完整、準(zhǔn)確。通過(guò)合理選擇音頻采集設(shè)備，精心營(yíng)造適宜的采集環(huán)境，并嚴(yán)格遵循采集注意事項(xiàng)，為后續(xù)的睡眠音頻信號(hào)分析和睡眠分期算法研究提供了高質(zhì)量的原始數(shù)據(jù)基礎(chǔ)。2.2音頻信號(hào)降噪處理睡眠過(guò)程中的音頻信號(hào)極易受到環(huán)境噪聲的干擾，如外界的交通噪聲、電器設(shè)備運(yùn)行產(chǎn)生的噪聲以及其他突發(fā)的環(huán)境聲響等。這些噪聲會(huì)嚴(yán)重影響音頻信號(hào)的質(zhì)量，干擾與睡眠分期相關(guān)的特征提取，進(jìn)而降低睡眠分期算法的準(zhǔn)確性。因此，對(duì)采集到的睡眠音頻信號(hào)進(jìn)行有效的降噪處理至關(guān)重要。本部分將詳細(xì)介紹譜減法和維納濾波法這兩種常用的降噪方法在睡眠音頻信號(hào)處理中的原理、應(yīng)用及效果。通過(guò)對(duì)這兩種降噪方法的深入研究，旨在為睡眠音頻信號(hào)的預(yù)處理提供有效的技術(shù)手段，提高睡眠音頻信號(hào)的質(zhì)量，為后續(xù)的睡眠分期算法研究奠定良好的基礎(chǔ)。2.2.1譜減法降噪原理與應(yīng)用譜減法是一種經(jīng)典的頻域降噪技術(shù)，最早由Boll提出，其基本原理基于噪聲與語(yǔ)音信號(hào)在頻域上存在差異。在睡眠音頻信號(hào)處理中，我們可將采集到的含噪音頻信號(hào)視為睡眠相關(guān)的有用信號(hào)與環(huán)境噪聲的疊加。譜減法通過(guò)估計(jì)噪聲的功率譜，從原始含噪信號(hào)的功率譜中減去噪聲成分，從而達(dá)到降噪的目的。具體實(shí)現(xiàn)步驟如下：首先，對(duì)含噪睡眠音頻信號(hào)進(jìn)行分幀處理，將連續(xù)的音頻信號(hào)劃分為多個(gè)短時(shí)幀，每幀長(zhǎng)度通常在20-30ms左右，這樣可以使每幀內(nèi)的音頻信號(hào)近似看作平穩(wěn)信號(hào)。然后，對(duì)每幀信號(hào)進(jìn)行快速傅里葉變換（FFT），將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，得到信號(hào)的頻譜。接下來(lái)，需要估計(jì)噪聲的功率譜。一般選取音頻信號(hào)中無(wú)聲段（即認(rèn)為只有噪聲存在的時(shí)間段）來(lái)估計(jì)噪聲功率譜，通過(guò)對(duì)多個(gè)無(wú)聲段的頻譜進(jìn)行平均等處理，得到較為準(zhǔn)確的噪聲功率譜估計(jì)。在實(shí)際應(yīng)用中，由于噪聲可能具有一定的時(shí)變特性，因此需要?jiǎng)討B(tài)地更新噪聲功率譜估計(jì)。得到噪聲功率譜后，從含噪信號(hào)的頻譜中減去噪聲功率譜，即得到初步降噪后的頻譜。為了減少過(guò)度減法引起的音樂(lè)噪聲（musicalnoise）問(wèn)題，通常會(huì)引入一個(gè)增益因子來(lái)調(diào)整減法后信號(hào)的幅度。對(duì)初步降噪后的頻譜進(jìn)行逆快速傅里葉變換（IFFT），將其轉(zhuǎn)換回時(shí)域，得到降噪后的睡眠音頻信號(hào)。以在某睡眠實(shí)驗(yàn)室采集到的一段含噪睡眠音頻信號(hào)為例，該音頻信號(hào)受到了實(shí)驗(yàn)室附近交通噪聲的干擾。在未進(jìn)行降噪處理時(shí)，從音頻信號(hào)的時(shí)域波形中可以明顯看到噪聲的干擾，波形雜亂無(wú)章。通過(guò)譜減法進(jìn)行降噪處理后，時(shí)域波形變得更加平滑，噪聲干擾明顯減少。從頻域角度來(lái)看，降噪前的頻譜中，在交通噪聲的主要頻率成分處存在明顯的尖峰，而降噪后的頻譜中，這些尖峰得到了有效抑制，睡眠相關(guān)的音頻信號(hào)特征更加突出。經(jīng)過(guò)譜減法降噪處理后，音頻信號(hào)的信噪比得到了顯著提升，從原來(lái)的[具體數(shù)值1]dB提高到了[具體數(shù)值2]dB，為后續(xù)的睡眠音頻信號(hào)特征提取和睡眠分期分析提供了更優(yōu)質(zhì)的數(shù)據(jù)基礎(chǔ)。然而，譜減法也存在一定的局限性。當(dāng)噪聲估計(jì)不準(zhǔn)確時(shí)，尤其是在非平穩(wěn)噪聲環(huán)境下，可能會(huì)導(dǎo)致降噪效果不佳，出現(xiàn)殘留噪聲或音樂(lè)噪聲等問(wèn)題。如果睡眠音頻信號(hào)中的有用信號(hào)與噪聲頻譜重疊度較高，譜減法在去除噪聲的同時(shí)，也可能會(huì)對(duì)有用信號(hào)造成一定的損傷，影響信號(hào)的完整性和準(zhǔn)確性。在實(shí)際應(yīng)用中，需要根據(jù)具體的睡眠音頻信號(hào)特點(diǎn)和噪聲環(huán)境，合理調(diào)整譜減法的參數(shù)，如噪聲估計(jì)的時(shí)長(zhǎng)、增益因子的取值等，以?xún)?yōu)化降噪效果。還可以結(jié)合其他降噪方法或技術(shù)，如與小波變換相結(jié)合，進(jìn)一步提高睡眠音頻信號(hào)的降噪性能。2.2.2維納濾波法降噪原理與應(yīng)用維納濾波是一種基于最小均方誤差準(zhǔn)則的線性濾波器，旨在從含有噪聲的信號(hào)中分離出有用信號(hào)，在語(yǔ)音增強(qiáng)、圖像處理、通信信號(hào)降噪等多個(gè)領(lǐng)域有著廣泛應(yīng)用，在睡眠音頻信號(hào)降噪中也發(fā)揮著重要作用。其基本原理是利用信號(hào)和噪聲的統(tǒng)計(jì)特性，通過(guò)估計(jì)信號(hào)和噪聲的功率譜密度來(lái)設(shè)計(jì)濾波器的參數(shù)，以最小化期望的誤差功率，即原始信號(hào)和濾波后信號(hào)之間差的平方的期望值。在睡眠音頻信號(hào)處理中，維納濾波法的具體實(shí)現(xiàn)步驟如下：首先，對(duì)采集到的含噪睡眠音頻信號(hào)進(jìn)行預(yù)處理，包括分幀和加窗操作。分幀是將連續(xù)的音頻信號(hào)劃分為一系列短時(shí)幀，每幀長(zhǎng)度一般在20-30ms，使得每幀內(nèi)的音頻信號(hào)近似滿(mǎn)足平穩(wěn)性假設(shè)。加窗操作則是為了減少頻譜泄露，常用的窗函數(shù)有漢寧窗、漢明窗等。通過(guò)加窗處理后，每幀信號(hào)在時(shí)域上被截?cái)啵缓髮?duì)每幀信號(hào)進(jìn)行快速傅里葉變換（FFT），將其轉(zhuǎn)換到頻域，得到每幀信號(hào)的頻譜。接下來(lái)，需要估計(jì)信號(hào)的功率譜和噪聲的功率譜。對(duì)于噪聲功率譜的估計(jì)，可以采用類(lèi)似于譜減法中的方法，選取音頻信號(hào)中的無(wú)聲段來(lái)估計(jì)噪聲功率譜，并根據(jù)噪聲的時(shí)變特性進(jìn)行動(dòng)態(tài)更新。對(duì)于信號(hào)功率譜的估計(jì)，可以通過(guò)對(duì)含噪信號(hào)功率譜減去噪聲功率譜得到一個(gè)初步估計(jì)，再結(jié)合信號(hào)的先驗(yàn)知識(shí)或其他統(tǒng)計(jì)方法進(jìn)行優(yōu)化。根據(jù)估計(jì)出的信號(hào)功率譜和噪聲功率譜，計(jì)算維納濾波器的頻率響應(yīng)，即濾波器的系數(shù)。維納濾波器的頻率響應(yīng)函數(shù)為：H(f)=\frac{S_{xx}(f)}{S_{xx}(f)+S_{nn}(f)}，其中H(f)是維納濾波器的頻率響應(yīng)，S_{xx}(f)是信號(hào)的功率譜密度，S_{nn}(f)是噪聲的功率譜密度。將設(shè)計(jì)好的維納濾波器應(yīng)用于每幀含噪信號(hào)的頻譜，通過(guò)頻譜相乘的方式進(jìn)行濾波處理，即得到降噪后的頻譜。對(duì)降噪后的頻譜進(jìn)行逆快速傅里葉變換（IFFT），將其轉(zhuǎn)換回時(shí)域，再將各幀處理后的信號(hào)進(jìn)行重疊相加，得到最終降噪后的睡眠音頻信號(hào)。以一段在實(shí)際睡眠環(huán)境中采集到的受電器設(shè)備噪聲干擾的睡眠音頻信號(hào)為例，在未使用維納濾波法降噪前，音頻信號(hào)中充滿(mǎn)了明顯的電器設(shè)備噪聲，從時(shí)域波形上可以看到噪聲的不規(guī)則波動(dòng)。經(jīng)過(guò)維納濾波法降噪后，時(shí)域波形變得更加規(guī)則，噪聲干擾大幅減少。從頻域角度分析，降噪前的頻譜在電器設(shè)備噪聲的特征頻率處有明顯的峰值，而降噪后的頻譜中，這些峰值被有效抑制，睡眠音頻信號(hào)的特征更加清晰。通過(guò)對(duì)降噪前后音頻信號(hào)的客觀指標(biāo)評(píng)估，如信噪比（SNR）、分段信噪比（SegSNR）等，發(fā)現(xiàn)使用維納濾波法降噪后，音頻信號(hào)的信噪比從原來(lái)的[具體數(shù)值3]dB提升到了[具體數(shù)值4]dB，分段信噪比也有顯著提高，表明維納濾波法在該睡眠音頻信號(hào)降噪中取得了良好的效果，有效提升了音頻信號(hào)的質(zhì)量，有利于后續(xù)睡眠分期相關(guān)特征的準(zhǔn)確提取。維納濾波法在睡眠音頻信號(hào)降噪中具有較好的適應(yīng)性，能夠在一定程度上克服傳統(tǒng)濾波器的局限性，對(duì)非平穩(wěn)噪聲也有一定的處理能力。其性能高度依賴(lài)于對(duì)信號(hào)和噪聲統(tǒng)計(jì)特性的準(zhǔn)確估計(jì)。在實(shí)際睡眠環(huán)境中，噪聲的統(tǒng)計(jì)特性可能會(huì)隨著時(shí)間、環(huán)境等因素發(fā)生復(fù)雜變化，若對(duì)噪聲統(tǒng)計(jì)特性估計(jì)不準(zhǔn)確，會(huì)導(dǎo)致維納濾波器的設(shè)計(jì)偏差，從而影響降噪效果。維納濾波法的計(jì)算復(fù)雜度相對(duì)較高，尤其是在處理長(zhǎng)時(shí)長(zhǎng)的睡眠音頻信號(hào)時(shí)，計(jì)算量較大，可能會(huì)對(duì)實(shí)時(shí)性產(chǎn)生一定影響。為了進(jìn)一步提高維納濾波法在睡眠音頻信號(hào)降噪中的性能和效率，可以結(jié)合機(jī)器學(xué)習(xí)等技術(shù)，自適應(yīng)地估計(jì)信號(hào)和噪聲的統(tǒng)計(jì)特性，優(yōu)化維納濾波器的設(shè)計(jì)；也可以采用并行計(jì)算等方法，降低計(jì)算時(shí)間，滿(mǎn)足實(shí)時(shí)睡眠監(jiān)測(cè)的需求。2.3預(yù)加重、加窗和分幀在睡眠音頻信號(hào)處理過(guò)程中，預(yù)加重、加窗和分幀是至關(guān)重要的預(yù)處理步驟，它們能夠有效提升音頻信號(hào)的質(zhì)量，為后續(xù)的特征提取和睡眠分期分析奠定堅(jiān)實(shí)基礎(chǔ)。本部分將深入探討預(yù)加重的作用與實(shí)現(xiàn)方法，以及加窗和分幀的原理與參數(shù)選擇。通過(guò)對(duì)這些關(guān)鍵步驟的詳細(xì)研究，旨在優(yōu)化睡眠音頻信號(hào)的處理流程，提高睡眠分期算法的準(zhǔn)確性和可靠性。2.3.1預(yù)加重的作用與實(shí)現(xiàn)方法在睡眠音頻信號(hào)中，高頻成分通常較弱且容易受到傳輸過(guò)程和環(huán)境噪聲的影響而衰減。預(yù)加重作為一種重要的信號(hào)處理技術(shù)，其核心作用是提升音頻信號(hào)中的高頻成分，以補(bǔ)償高頻信號(hào)在傳輸鏈路中的衰減，從而改善音頻信號(hào)的整體質(zhì)量，使信號(hào)中的高頻信息更易于提取和分析。從信號(hào)傳輸?shù)慕嵌葋?lái)看，音頻信號(hào)在傳播過(guò)程中，高頻分量的衰減往往比低頻分量更為顯著。這是因?yàn)楦哳l信號(hào)的能量相對(duì)較低，且更容易受到介質(zhì)損耗、電磁干擾等因素的影響。在睡眠監(jiān)測(cè)環(huán)境中，即使采取了一定的降噪措施，仍可能存在一些細(xì)微的環(huán)境噪聲，這些噪聲在高頻段的干擾會(huì)進(jìn)一步削弱音頻信號(hào)中的高頻成分。如果不進(jìn)行預(yù)加重處理，在后續(xù)的特征提取過(guò)程中，高頻特征可能會(huì)被噪聲掩蓋或因信號(hào)過(guò)弱而無(wú)法準(zhǔn)確提取，從而影響睡眠分期算法對(duì)睡眠狀態(tài)的準(zhǔn)確判斷。預(yù)加重的實(shí)現(xiàn)方法主要是通過(guò)一個(gè)高通濾波器對(duì)音頻信號(hào)進(jìn)行處理。其原理基于數(shù)字信號(hào)處理中的差分運(yùn)算，常見(jiàn)的預(yù)加重濾波器的傳遞函數(shù)為：H(z)=1-\alphaz^{-1}，其中\(zhòng)alpha是預(yù)加重系數(shù)，取值范圍通常在0.9-0.97之間，z^{-1}表示單位延遲。在實(shí)際應(yīng)用中，該濾波器通過(guò)對(duì)音頻信號(hào)的當(dāng)前樣本與前一個(gè)樣本進(jìn)行加權(quán)差分運(yùn)算，實(shí)現(xiàn)對(duì)高頻成分的增強(qiáng)。具體計(jì)算過(guò)程為：y(n)=x(n)-\alphax(n-1)，其中x(n)是原始音頻信號(hào)的第n個(gè)樣本，y(n)是預(yù)加重后的音頻信號(hào)的第n個(gè)樣本。當(dāng)音頻信號(hào)中存在高頻成分時(shí)，由于高頻信號(hào)的變化速度較快，相鄰樣本之間的差值較大，通過(guò)上述差分運(yùn)算，高頻成分的幅度得到相對(duì)增強(qiáng)。而對(duì)于低頻成分，由于其變化較為緩慢，相鄰樣本之間的差值較小，經(jīng)過(guò)預(yù)加重濾波器后，低頻成分的幅度基本保持不變。這樣就實(shí)現(xiàn)了對(duì)音頻信號(hào)高頻成分的提升。以一段實(shí)際采集的睡眠音頻信號(hào)為例，在未進(jìn)行預(yù)加重處理時(shí)，從其頻譜圖中可以看出，高頻部分的能量相對(duì)較低，在1000Hz以上的頻率范圍內(nèi)，信號(hào)的幅度譜線較為平緩，且幅度值較小。經(jīng)過(guò)預(yù)加重處理后，高頻部分的能量明顯提升，在相同頻率范圍內(nèi)，幅度譜線出現(xiàn)了明顯的上升趨勢(shì)，高頻成分的特征更加突出。通過(guò)對(duì)預(yù)加重前后音頻信號(hào)的功率譜分析可知，預(yù)加重處理后，高頻段的功率譜密度有了顯著增加，如在2000Hz頻率處，功率譜密度從原來(lái)的[具體數(shù)值5]提升到了[具體數(shù)值6]，有效增強(qiáng)了音頻信號(hào)中的高頻信息，為后續(xù)的睡眠分期分析提供了更豐富的特征。需要注意的是，預(yù)加重系數(shù)\alpha的選擇對(duì)預(yù)加重效果有著重要影響。如果\alpha取值過(guò)小，對(duì)高頻成分的提升效果不明顯，無(wú)法有效補(bǔ)償高頻信號(hào)的衰減；如果\alpha取值過(guò)大，雖然能夠顯著增強(qiáng)高頻成分，但可能會(huì)引入過(guò)多的噪聲，甚至導(dǎo)致信號(hào)失真。在實(shí)際應(yīng)用中，需要根據(jù)具體的睡眠音頻信號(hào)特點(diǎn)和后續(xù)處理需求，通過(guò)實(shí)驗(yàn)和分析來(lái)確定合適的預(yù)加重系數(shù)\alpha。還可以結(jié)合其他信號(hào)處理技術(shù)，如降噪、濾波等，進(jìn)一步優(yōu)化睡眠音頻信號(hào)的質(zhì)量，提高睡眠分期算法的性能。2.3.2加窗和分幀的原理與參數(shù)選擇在睡眠音頻信號(hào)處理中，由于音頻信號(hào)是連續(xù)的時(shí)間序列，且具有非平穩(wěn)性，直接對(duì)整個(gè)音頻信號(hào)進(jìn)行分析和處理較為困難。加窗和分幀技術(shù)則是解決這一問(wèn)題的有效手段。分幀的原理是將連續(xù)的音頻信號(hào)分割成一系列短時(shí)段的幀，每幀長(zhǎng)度通常在20-30ms之間。這樣做的目的是使每幀內(nèi)的音頻信號(hào)近似滿(mǎn)足平穩(wěn)性假設(shè)，以便于后續(xù)采用各種基于平穩(wěn)信號(hào)分析的方法進(jìn)行處理。在分幀過(guò)程中，相鄰幀之間通常會(huì)有一定的重疊部分，重疊率一般在50%-75%。通過(guò)設(shè)置重疊部分，可以避免因幀邊界的突然變化而導(dǎo)致的頻譜泄露等問(wèn)題，確保信號(hào)分析的準(zhǔn)確性和連續(xù)性。例如，對(duì)于一段長(zhǎng)度為10s的睡眠音頻信號(hào)，若采用25ms的幀長(zhǎng)和50%的重疊率進(jìn)行分幀，則可以得到大約760幀，每幀包含的音頻信號(hào)在短時(shí)間內(nèi)可視為平穩(wěn)信號(hào)，為后續(xù)的頻譜分析、特征提取等操作提供了穩(wěn)定的數(shù)據(jù)基礎(chǔ)。加窗是在分幀的基礎(chǔ)上，對(duì)每一幀信號(hào)乘以一個(gè)窗函數(shù)。窗函數(shù)的作用是對(duì)幀信號(hào)進(jìn)行加權(quán)處理，使幀兩端的信號(hào)平滑過(guò)渡到零，從而減少頻譜泄露現(xiàn)象。常見(jiàn)的窗函數(shù)有漢寧窗（HanningWindow）、漢明窗（HammingWindow）、布萊克曼窗（BlackmanWindow）等。不同的窗函數(shù)具有不同的頻譜特性。漢寧窗的主瓣寬度適中，旁瓣衰減較快，能夠在一定程度上平衡頻率分辨率和頻譜泄露的問(wèn)題，在睡眠音頻信號(hào)處理中應(yīng)用較為廣泛。其數(shù)學(xué)表達(dá)式為：w(n)=0.5(1-\cos(\frac{2\pin}{N-1}))，其中n=0,1,\cdots,N-1，N為窗函數(shù)的長(zhǎng)度。漢明窗的旁瓣衰減比漢寧窗更快，但主瓣寬度略寬，在對(duì)旁瓣抑制要求較高的場(chǎng)景下可能更為適用。布萊克曼窗的主瓣寬度較寬，但旁瓣衰減非常快，適用于對(duì)頻譜泄露要求極為嚴(yán)格的情況。在選擇窗函數(shù)時(shí)，需要綜合考慮睡眠音頻信號(hào)的特點(diǎn)和后續(xù)分析的需求。如果希望在保持一定頻率分辨率的同時(shí)，盡量減少頻譜泄露對(duì)特征提取的影響，漢寧窗通常是一個(gè)較好的選擇。若對(duì)信號(hào)的低頻部分分析較為關(guān)注，而低頻信號(hào)對(duì)旁瓣泄露更為敏感，則漢明窗可能更合適。幀長(zhǎng)和幀移（相鄰兩幀起始位置之間的時(shí)間差）是分幀過(guò)程中的重要參數(shù)，它們的選擇對(duì)音頻信號(hào)處理效果有著顯著影響。較長(zhǎng)的幀長(zhǎng)可以提供更高的頻率分辨率，因?yàn)樵谳^長(zhǎng)的時(shí)間段內(nèi)，信號(hào)的頻率成分能夠更準(zhǔn)確地被分析。過(guò)長(zhǎng)的幀長(zhǎng)會(huì)導(dǎo)致時(shí)間分辨率降低，無(wú)法及時(shí)捕捉到音頻信號(hào)中的快速變化信息，在睡眠音頻信號(hào)中，呼吸聲、鼾聲等的變化可能在短時(shí)間內(nèi)發(fā)生，若幀長(zhǎng)過(guò)長(zhǎng)，可能會(huì)錯(cuò)過(guò)這些關(guān)鍵信息。較短的幀長(zhǎng)可以提高時(shí)間分辨率，能夠更好地跟蹤信號(hào)的快速變化，但會(huì)降低頻率分辨率，使得信號(hào)的頻譜變得模糊，難以準(zhǔn)確分辨不同的頻率成分。幀移的選擇也會(huì)影響處理效果。較小的幀移意味著相鄰幀之間的重疊部分較大，這可以在一定程度上提高信號(hào)處理的連續(xù)性和準(zhǔn)確性，但會(huì)增加計(jì)算量。較大的幀移則會(huì)減少計(jì)算量，但可能會(huì)導(dǎo)致部分信息丟失，尤其是在信號(hào)變化較快的區(qū)域。在實(shí)際應(yīng)用中，需要根據(jù)睡眠音頻信號(hào)的特性和具體的處理任務(wù)，通過(guò)實(shí)驗(yàn)和分析來(lái)確定合適的幀長(zhǎng)和幀移參數(shù)。對(duì)于以分析呼吸聲和鼾聲等相對(duì)穩(wěn)定的音頻特征為主的睡眠分期任務(wù)，可以選擇稍長(zhǎng)的幀長(zhǎng)（如30ms）和適中的幀移（如15ms），以在保證頻率分辨率的同時(shí)，兼顧時(shí)間分辨率和計(jì)算效率。若需要關(guān)注睡眠音頻信號(hào)中的快速變化信息，如突然的翻身聲或夢(mèng)囈聲等，則可以適當(dāng)縮短幀長(zhǎng)（如20ms），減小幀移（如10ms），以提高對(duì)這些瞬態(tài)信息的捕捉能力。2.4聲音事件端點(diǎn)檢測(cè)算法聲音事件端點(diǎn)檢測(cè)在睡眠音頻信號(hào)分析中起著關(guān)鍵作用，準(zhǔn)確識(shí)別睡眠過(guò)程中各種聲音事件（如呼吸聲、鼾聲、翻身聲等）的起始和結(jié)束位置，對(duì)于提取有效的睡眠特征、實(shí)現(xiàn)精準(zhǔn)的睡眠分期具有重要意義。本部分將詳細(xì)介紹基于短時(shí)能量和過(guò)零率的雙門(mén)限法、基于相關(guān)系數(shù)的雙門(mén)限法以及AV_Box端點(diǎn)檢測(cè)法這三種常見(jiàn)的聲音事件端點(diǎn)檢測(cè)算法的原理，并通過(guò)實(shí)驗(yàn)數(shù)據(jù)和對(duì)比分析展示它們?cè)谒咭纛l信號(hào)處理中的效果和特點(diǎn)。2.4.1基于短時(shí)能量和過(guò)零率的雙門(mén)限法基于短時(shí)能量和過(guò)零率的雙門(mén)限法是一種經(jīng)典的聲音事件端點(diǎn)檢測(cè)方法，其原理基于睡眠音頻信號(hào)在時(shí)域上的特征變化。短時(shí)能量反映了音頻信號(hào)在短時(shí)間內(nèi)的能量分布情況，對(duì)于睡眠音頻信號(hào)中的呼吸聲、鼾聲等聲音事件，其能量水平通常會(huì)高于背景噪聲。在呼吸過(guò)程中，呼吸聲會(huì)引起音頻信號(hào)能量的周期性變化，而鼾聲的出現(xiàn)則會(huì)使能量顯著增加。過(guò)零率則描述了音頻信號(hào)在單位時(shí)間內(nèi)過(guò)零（即信號(hào)值從正變?yōu)樨?fù)或從負(fù)變?yōu)檎┑拇螖?shù)，不同類(lèi)型的睡眠音頻信號(hào)具有不同的過(guò)零率特征。呼吸聲的過(guò)零率相對(duì)較為穩(wěn)定，而翻身聲等突發(fā)聲音事件的過(guò)零率可能會(huì)在短時(shí)間內(nèi)急劇變化。該方法通過(guò)設(shè)置兩個(gè)門(mén)限，即高門(mén)限和低門(mén)限，來(lái)判斷聲音事件的端點(diǎn)。在檢測(cè)過(guò)程中，首先計(jì)算音頻信號(hào)的短時(shí)能量和過(guò)零率。當(dāng)短時(shí)能量或過(guò)零率超過(guò)高門(mén)限時(shí)，認(rèn)為可能檢測(cè)到了聲音事件的起始點(diǎn)。為了避免誤判，通常會(huì)設(shè)置一個(gè)持續(xù)時(shí)間閾值。若短時(shí)能量或過(guò)零率超過(guò)高門(mén)限的狀態(tài)持續(xù)時(shí)間超過(guò)該閾值，則確定為聲音事件的起始點(diǎn)。在聲音事件持續(xù)過(guò)程中，當(dāng)短時(shí)能量或過(guò)零率低于低門(mén)限時(shí)，認(rèn)為聲音事件可能即將結(jié)束。同樣，若低于低門(mén)限的狀態(tài)持續(xù)時(shí)間超過(guò)一定閾值，則確定為聲音事件的結(jié)束點(diǎn)。為了驗(yàn)證該方法在睡眠音頻信號(hào)中檢測(cè)聲音事件端點(diǎn)的效果，進(jìn)行了相關(guān)實(shí)驗(yàn)。實(shí)驗(yàn)選取了[具體數(shù)量]段不同受試者的睡眠音頻信號(hào)，這些音頻信號(hào)涵蓋了多種睡眠狀態(tài)和聲音事件。通過(guò)人工標(biāo)注的方式確定了聲音事件的真實(shí)端點(diǎn)，作為對(duì)比的基準(zhǔn)。將基于短時(shí)能量和過(guò)零率的雙門(mén)限法應(yīng)用于這些音頻信號(hào)進(jìn)行端點(diǎn)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，對(duì)于呼吸聲的端點(diǎn)檢測(cè)，該方法的準(zhǔn)確率達(dá)到了[具體數(shù)值7]%，召回率為[具體數(shù)值8]%。在一段包含呼吸聲的睡眠音頻信號(hào)中，該方法能夠準(zhǔn)確地識(shí)別出呼吸聲的起始和結(jié)束位置，與人工標(biāo)注結(jié)果基本一致。對(duì)于鼾聲的端點(diǎn)檢測(cè)，準(zhǔn)確率為[具體數(shù)值9]%，召回率為[具體數(shù)值10]%。然而，在檢測(cè)一些較為微弱或與背景噪聲特征較為相似的聲音事件（如輕微的翻身聲）時(shí)，該方法的準(zhǔn)確率和召回率會(huì)有所下降，分別為[具體數(shù)值11]%和[具體數(shù)值12]%。這是因?yàn)檫@些微弱聲音事件的能量和過(guò)零率變化不夠明顯，容易受到背景噪聲的干擾，導(dǎo)致誤判?？傮w而言，基于短時(shí)能量和過(guò)零率的雙門(mén)限法在睡眠音頻信號(hào)中檢測(cè)常見(jiàn)聲音事件（如呼吸聲、鼾聲）端點(diǎn)時(shí)具有較好的效果，但對(duì)于微弱聲音事件的檢測(cè)性能還有待提高。2.4.2基于相關(guān)系數(shù)的雙門(mén)限法基于相關(guān)系數(shù)的雙門(mén)限法是另一種用于聲音事件端點(diǎn)檢測(cè)的方法，其原理基于音頻信號(hào)之間的相關(guān)性分析。在睡眠音頻信號(hào)處理中，假設(shè)當(dāng)前分析的音頻幀與前一音頻幀之間存在一定的相關(guān)性。對(duì)于連續(xù)的睡眠音頻信號(hào)，在沒(méi)有聲音事件發(fā)生時(shí)，相鄰音頻幀的特征變化相對(duì)較小，它們之間的相關(guān)系數(shù)較高。當(dāng)有聲音事件（如鼾聲、翻身聲）出現(xiàn)時(shí)，音頻信號(hào)的特征會(huì)發(fā)生明顯改變，導(dǎo)致相鄰音頻幀之間的相關(guān)系數(shù)降低。該方法通過(guò)計(jì)算當(dāng)前音頻幀與前一音頻幀的相關(guān)系數(shù)來(lái)判斷聲音事件的端點(diǎn)。同樣設(shè)置高門(mén)限和低門(mén)限，當(dāng)相關(guān)系數(shù)低于低門(mén)限時(shí)，認(rèn)為可能出現(xiàn)了聲音事件的起始點(diǎn)。若低于低門(mén)限的狀態(tài)持續(xù)一定時(shí)間（超過(guò)設(shè)定的持續(xù)時(shí)間閾值），則確定為聲音事件的起始點(diǎn)。在聲音事件持續(xù)過(guò)程中，當(dāng)相關(guān)系數(shù)高于高門(mén)限時(shí)，認(rèn)為聲音事件可能即將結(jié)束。若高于高門(mén)限的狀態(tài)持續(xù)時(shí)間超過(guò)相應(yīng)閾值，則確定為聲音事件的結(jié)束點(diǎn)。將基于相關(guān)系數(shù)的雙門(mén)限法與基于短時(shí)能量和過(guò)零率的雙門(mén)限法進(jìn)行對(duì)比分析。在相同的實(shí)驗(yàn)數(shù)據(jù)集上，對(duì)兩種方法的檢測(cè)性能進(jìn)行評(píng)估。對(duì)于呼吸聲的端點(diǎn)檢測(cè)，基于相關(guān)系數(shù)的雙門(mén)限法準(zhǔn)確率為[具體數(shù)值13]%，召回率為[具體數(shù)值14]%，略低于基于短時(shí)能量和過(guò)零率的雙門(mén)限法。這是因?yàn)楹粑暤奶卣髯兓鄬?duì)較為平穩(wěn)，基于短時(shí)能量和過(guò)零率的雙門(mén)限法能夠更好地捕捉到其能量和過(guò)零率的周期性變化。在檢測(cè)鼾聲時(shí)，基于相關(guān)系數(shù)的雙門(mén)限法準(zhǔn)確率為[具體數(shù)值15]%，召回率為[具體數(shù)值16]%，與基于短時(shí)能量和過(guò)零率的雙門(mén)限法相近。但在檢測(cè)突發(fā)的翻身聲等聲音事件時(shí)，基于相關(guān)系數(shù)的雙門(mén)限法表現(xiàn)出一定的優(yōu)勢(shì)。由于翻身聲會(huì)使音頻信號(hào)的特征發(fā)生快速且明顯的改變，基于相關(guān)系數(shù)的雙門(mén)限法能夠更敏銳地捕捉到這種變化，其準(zhǔn)確率達(dá)到了[具體數(shù)值17]%，召回率為[具體數(shù)值18]%，明顯高于基于短時(shí)能量和過(guò)零率的雙門(mén)限法。基于相關(guān)系數(shù)的雙門(mén)限法在檢測(cè)具有明顯特征突變的聲音事件端點(diǎn)時(shí)具有優(yōu)勢(shì)，但在檢測(cè)特征變化相對(duì)平穩(wěn)的聲音事件時(shí)，性能稍遜于基于短時(shí)能量和過(guò)零率的雙門(mén)限法。在實(shí)際應(yīng)用中，可以根據(jù)睡眠音頻信號(hào)中聲音事件的特點(diǎn)，選擇合適的端點(diǎn)檢測(cè)方法，以提高檢測(cè)的準(zhǔn)確性。2.4.3AV_Box端點(diǎn)檢測(cè)法AV_Box端點(diǎn)檢測(cè)法是一種基于音頻信號(hào)和視覺(jué)信息融合的端點(diǎn)檢測(cè)方法，最初應(yīng)用于多媒體內(nèi)容分析領(lǐng)域，近年來(lái)在睡眠音頻信號(hào)處理中也得到了一定的應(yīng)用。其原理是通過(guò)對(duì)音頻信號(hào)和與之對(duì)應(yīng)的視覺(jué)信息（如睡眠過(guò)程中的視頻圖像）進(jìn)行聯(lián)合分析，利用兩者之間的互補(bǔ)信息來(lái)更準(zhǔn)確地檢測(cè)聲音事件的端點(diǎn)。在睡眠監(jiān)測(cè)場(chǎng)景中，AV_Box端點(diǎn)檢測(cè)法可以利用音頻信號(hào)中的聲音特征和視頻圖像中的人體動(dòng)作、睡眠環(huán)境變化等視覺(jué)特征來(lái)判斷聲音事件。當(dāng)音頻信號(hào)中出現(xiàn)鼾聲時(shí)，視頻圖像中可能會(huì)觀察到受試者的呼吸動(dòng)作變化以及身體的輕微抖動(dòng)。通過(guò)將音頻信號(hào)的能量、頻率等特征與視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)、圖像紋理變化等特征進(jìn)行融合分析，可以更全面地了解睡眠過(guò)程中的聲音事件。具體實(shí)現(xiàn)過(guò)程中，首先對(duì)音頻信號(hào)進(jìn)行分幀處理，提取每幀的音頻特征，如短時(shí)能量、過(guò)零率、頻譜特征等。對(duì)同步采集的視頻圖像進(jìn)行分析，提取視覺(jué)特征，如人體姿態(tài)估計(jì)、面部表情分析、環(huán)境光變化等。然后，將音頻特征和視覺(jué)特征進(jìn)行融合，采用機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等）對(duì)融合后的特征進(jìn)行訓(xùn)練和分類(lèi)，判斷是否存在聲音事件以及聲音事件的端點(diǎn)。以一個(gè)實(shí)際的睡眠監(jiān)測(cè)實(shí)驗(yàn)為例，使用AV_Box端點(diǎn)檢測(cè)法對(duì)睡眠音頻信號(hào)和視頻圖像進(jìn)行處理。在檢測(cè)呼吸聲端點(diǎn)時(shí)，通過(guò)音頻信號(hào)的能量變化和視頻圖像中受試者胸部的起伏動(dòng)作相結(jié)合，能夠更準(zhǔn)確地確定呼吸聲的起始和結(jié)束位置。實(shí)驗(yàn)結(jié)果表明，AV_Box端點(diǎn)檢測(cè)法在呼吸聲端點(diǎn)檢測(cè)的準(zhǔn)確率達(dá)到了[具體數(shù)值19]%，召回率為[具體數(shù)值20]%，相比單獨(dú)使用音頻信號(hào)的端點(diǎn)檢測(cè)方法有了一定的提升。在檢測(cè)鼾聲時(shí)，結(jié)合視頻圖像中受試者睡眠姿勢(shì)的變化以及面部表情的反應(yīng)，能夠有效減少誤判，其準(zhǔn)確率為[具體數(shù)值21]%，召回率為[具體數(shù)值22]%。對(duì)于翻身聲等聲音事件，AV_Box端點(diǎn)檢測(cè)法利用視頻圖像中人體動(dòng)作的快速變化信息，與音頻信號(hào)的特征變化相互印證，檢測(cè)的準(zhǔn)確率達(dá)到了[具體數(shù)值23]%，召回率為[具體數(shù)值24]%，展現(xiàn)出較好的性能。AV_Box端點(diǎn)檢測(cè)法通過(guò)融合音頻和視覺(jué)信息，在睡眠音頻信號(hào)處理中能夠更準(zhǔn)確地檢測(cè)聲音事件的端點(diǎn)，提高了檢測(cè)的可靠性和準(zhǔn)確性。但該方法需要同步采集音頻和視頻數(shù)據(jù)，對(duì)設(shè)備和數(shù)據(jù)處理的要求較高，在實(shí)際應(yīng)用中受到一定的限制。2.5本章小結(jié)本章圍繞睡眠音頻信號(hào)采集與預(yù)處理展開(kāi)，通過(guò)選用高靈敏度數(shù)字麥克風(fēng)，在安靜舒適的睡眠實(shí)驗(yàn)室中采集睡眠音頻信號(hào)，為后續(xù)分析提供了原始數(shù)據(jù)基礎(chǔ)。針對(duì)采集到的音頻信號(hào)易受環(huán)境噪聲干擾的問(wèn)題，詳細(xì)介紹了譜減法和維納濾波法這兩種降噪方法。譜減法基于噪聲與語(yǔ)音信號(hào)在頻域上的差異，通過(guò)估計(jì)噪聲功率譜并從原始信號(hào)中減去噪聲成分實(shí)現(xiàn)降噪，能有效提升音頻信號(hào)的信噪比，但在噪聲估計(jì)不準(zhǔn)確或信號(hào)與噪聲頻譜重疊度高時(shí)存在局限性。維納濾波法則是基于最小均方誤差準(zhǔn)則，利用信號(hào)和噪聲的統(tǒng)計(jì)特性設(shè)計(jì)濾波器，對(duì)非平穩(wěn)噪聲也有一定處理能力，但性能高度依賴(lài)于對(duì)信號(hào)和噪聲統(tǒng)計(jì)特性的準(zhǔn)確估計(jì)，計(jì)算復(fù)雜度相對(duì)較高。在信號(hào)處理階段，預(yù)加重通過(guò)提升音頻信號(hào)中的高頻成分，補(bǔ)償了高頻信號(hào)在傳輸鏈路中的衰減，增強(qiáng)了音頻信號(hào)的高頻信息。加窗和分幀技術(shù)將連續(xù)的非平穩(wěn)音頻信號(hào)分割成短時(shí)段的平穩(wěn)幀，并通過(guò)窗函數(shù)減少頻譜泄露。幀長(zhǎng)和幀移的合理選擇對(duì)音頻信號(hào)處理效果至關(guān)重要，需根據(jù)睡眠音頻信號(hào)的特性和具體處理任務(wù)進(jìn)行優(yōu)化。在聲音事件端點(diǎn)檢測(cè)方面，介紹了基于短時(shí)能量和過(guò)零率的雙門(mén)限法、基于相關(guān)系數(shù)的雙門(mén)限法以及AV_Box端點(diǎn)檢測(cè)法。基于短時(shí)能量和過(guò)零率的雙門(mén)限法在檢測(cè)常見(jiàn)聲音事件端點(diǎn)時(shí)效果較好，但對(duì)微弱聲音事件檢測(cè)性能有待提高；基于相關(guān)系數(shù)的雙門(mén)限法在檢測(cè)具有明顯特征突變的聲音事件端點(diǎn)時(shí)具有優(yōu)勢(shì)；AV_Box端點(diǎn)檢測(cè)法通過(guò)融合音頻和視覺(jué)信息，能更準(zhǔn)確地檢測(cè)聲音事件端點(diǎn)，但對(duì)設(shè)備和數(shù)據(jù)處理要求較高。睡眠音頻信號(hào)采集與預(yù)處理的各個(gè)步驟緊密相關(guān)，對(duì)后續(xù)睡眠音頻信號(hào)的特征提取和睡眠分期分析起著關(guān)鍵作用。雖然目前在這些方面取得了一定成果，但仍存在一些問(wèn)題，如降噪方法對(duì)復(fù)雜多變的噪聲環(huán)境適應(yīng)性有待進(jìn)一步提高，端點(diǎn)檢測(cè)算法在處理微弱聲音事件和復(fù)雜睡眠場(chǎng)景時(shí)的準(zhǔn)確性還需優(yōu)化。未來(lái)研究可致力于開(kāi)發(fā)更高效的降噪算法和端點(diǎn)檢測(cè)方法，結(jié)合多模態(tài)信息進(jìn)一步提升睡眠音頻信號(hào)處理的質(zhì)量和準(zhǔn)確性，為基于夜間音頻信號(hào)的睡眠分期算法研究奠定更堅(jiān)實(shí)的基礎(chǔ)。三、呼吸聲音的聲學(xué)特征分析3.1時(shí)域聲學(xué)特性分析3.1.1呼吸周期及其方差呼吸周期指的是一次完整的吸氣和呼氣過(guò)程所經(jīng)歷的時(shí)間。在睡眠音頻信號(hào)處理中，準(zhǔn)確計(jì)算呼吸周期對(duì)于睡眠分期分析具有重要意義。計(jì)算呼吸周期通?；谝纛l信號(hào)的端點(diǎn)檢測(cè)結(jié)果。通過(guò)聲音事件端點(diǎn)檢測(cè)算法，識(shí)別出呼吸聲的起始和結(jié)束位置，進(jìn)而確定每個(gè)呼吸周期的時(shí)長(zhǎng)。在一段睡眠音頻信號(hào)中，利用基于短時(shí)能量和過(guò)零率的雙門(mén)限法進(jìn)行端點(diǎn)檢測(cè)，當(dāng)短時(shí)能量或過(guò)零率超過(guò)設(shè)定的高門(mén)限時(shí)，標(biāo)記為呼吸聲的起始點(diǎn)；當(dāng)?shù)陀谠O(shè)定的低門(mén)限時(shí)，標(biāo)記為呼吸聲的結(jié)束點(diǎn)。相鄰起始點(diǎn)之間的時(shí)間間隔即為呼吸周期。呼吸周期的方差則用于衡量呼吸周期的穩(wěn)定性。方差較小表示呼吸周期較為穩(wěn)定，呼吸節(jié)奏規(guī)律；方差較大則意味著呼吸周期波動(dòng)較大，呼吸節(jié)奏不規(guī)律。其計(jì)算方法是先計(jì)算所有呼吸周期的平均值\overline{T}，然后對(duì)每個(gè)呼吸周期T_i與平均值的差值的平方進(jìn)行求和，再除以呼吸周期的總數(shù)n，即方差Var(T)=\frac{1}{n}\sum_{i=1}^{n}(T_i-\overline{T})^2。不同睡眠階段，呼吸周期及其方差呈現(xiàn)出不同的變化規(guī)律。在非快速眼動(dòng)睡眠（NREM）的淺睡眠階段（N1、N2期），人體的生理活動(dòng)相對(duì)較為活躍，呼吸周期相對(duì)較短且不太穩(wěn)定，方差較大。這是因?yàn)樵跍\睡眠階段，大腦仍保持一定的警覺(jué)性，外界的輕微刺激或身體的微小動(dòng)作都可能影響呼吸節(jié)奏。在N1期，呼吸周期可能在2-4秒之間波動(dòng)，方差可達(dá)0.5-1.0；在N2期，呼吸周期大致在3-5秒，方差約為0.4-0.8。隨著睡眠逐漸進(jìn)入深睡眠階段（N3期），人體的生理活動(dòng)進(jìn)一步減緩，呼吸變得更加平穩(wěn)、深沉，呼吸周期延長(zhǎng)且穩(wěn)定性增強(qiáng)，方差明顯減小。在N3期，呼吸周期通常穩(wěn)定在5-7秒，方差可降至0.1-0.3。在快速眼動(dòng)睡眠（REM）階段，雖然大腦活動(dòng)較為活躍，但呼吸肌處于松弛狀態(tài)，呼吸主要由腦干的呼吸中樞控制，呼吸周期表現(xiàn)出一定的不規(guī)則性，方差相對(duì)較大。REM期的呼吸周期可能在4-6秒之間波動(dòng)，方差約為0.4-0.6，且會(huì)出現(xiàn)呼吸頻率的突然變化和短暫的呼吸暫?，F(xiàn)象。對(duì)呼吸周期及其方差的分析，為睡眠分期提供了重要的時(shí)域特征依據(jù)。通過(guò)監(jiān)測(cè)呼吸周期的變化，可以初步判斷睡眠所處的階段，為進(jìn)一步的睡眠分期算法研究奠定基礎(chǔ)。3.1.2呼吸次數(shù)及呼吸變化參數(shù)呼吸次數(shù)是指單位時(shí)間內(nèi)呼吸的周期數(shù)，通常以每分鐘的呼吸次數(shù)來(lái)衡量，即呼吸頻率。在睡眠音頻信號(hào)分析中，計(jì)算呼吸次數(shù)的方法是基于呼吸周期的計(jì)算結(jié)果。通過(guò)統(tǒng)計(jì)一段時(shí)間內(nèi)（如1分鐘）呼吸周期的數(shù)量，即可得到呼吸次數(shù)。假設(shè)在1分鐘的睡眠音頻信號(hào)中，檢測(cè)到了20個(gè)完整的呼吸周期，那么該時(shí)間段內(nèi)的呼吸次數(shù)即為20次/分鐘。正常成年人在安靜睡眠狀態(tài)下，呼吸頻率一般在12-20次/分鐘之間。呼吸變化參數(shù)則用于描述呼吸頻率在睡眠過(guò)程中的動(dòng)態(tài)變化情況。常見(jiàn)的呼吸變化參數(shù)包括呼吸頻率的標(biāo)準(zhǔn)差、呼吸頻率的變異系數(shù)等。呼吸頻率的標(biāo)準(zhǔn)差反映了呼吸頻率圍繞平均值的離散程度，標(biāo)準(zhǔn)差越大，說(shuō)明呼吸頻率的波動(dòng)越大；呼吸頻率的變異系數(shù)是標(biāo)準(zhǔn)差與平均值的比值，它消除了平均值對(duì)離散程度的影響，更能準(zhǔn)確地反映呼吸頻率的相對(duì)變化情況。以呼吸頻率的標(biāo)準(zhǔn)差計(jì)算為例，首先計(jì)算一段時(shí)間內(nèi)呼吸頻率的平均值\overline{f}，然后對(duì)每個(gè)時(shí)刻的呼吸頻率f_i與平均值的差值的平方進(jìn)行求和，再除以呼吸頻率的總數(shù)n，最后取平方根得到標(biāo)準(zhǔn)差\sigma=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(f_i-\overline{f})^2}。呼吸次數(shù)及呼吸變化參數(shù)與睡眠階段存在密切關(guān)聯(lián)。在NREM睡眠的淺睡眠階段，由于大腦的警覺(jué)性相對(duì)較高，身體的一些輕微活動(dòng)可能導(dǎo)致呼吸頻率的波動(dòng)。呼吸次數(shù)可能會(huì)相對(duì)較多，且呼吸頻率的標(biāo)準(zhǔn)差和變異系數(shù)較大。在N1期，呼吸次數(shù)可能在16-20次/分鐘，呼吸頻率的標(biāo)準(zhǔn)差可達(dá)2-3次/分鐘，變異系數(shù)約為0.12-0.15；在N2期，呼吸次數(shù)大致在14-18次/分鐘，標(biāo)準(zhǔn)差為1.5-2.5次/分鐘，變異系數(shù)為0.1-0.14。進(jìn)入深睡眠階段（N3期），呼吸頻率趨于穩(wěn)定，呼吸次數(shù)減少，呼吸頻率的標(biāo)準(zhǔn)差和變異系數(shù)顯著降低。在N3期，呼吸次數(shù)一般在12-14次/分鐘，標(biāo)準(zhǔn)差可降至0.5-1.0次/分鐘，變異系數(shù)約為0.04-0.07。在REM睡眠階段，呼吸頻率的變化較為復(fù)雜，雖然呼吸次數(shù)總體上與淺睡眠階段相近，但由于呼吸的不規(guī)則性，呼吸頻率的標(biāo)準(zhǔn)差和變異系數(shù)相對(duì)較大。REM期的呼吸次數(shù)可能在14-18次/分鐘，標(biāo)準(zhǔn)差為1.5-2.5次/分鐘，變異系數(shù)為0.1-0.14，且可能出現(xiàn)呼吸頻率的突然增加或減少。對(duì)呼吸次數(shù)及呼吸變化參數(shù)的分析，有助于更準(zhǔn)確地判斷睡眠階段，為基于音頻信號(hào)的睡眠分期提供了重要的參考依據(jù)。通過(guò)監(jiān)測(cè)這些參數(shù)的變化，可以及時(shí)發(fā)現(xiàn)睡眠中的異常呼吸情況，為睡眠障礙的診斷和治療提供線索。3.1.3能量及能量差值累積在睡眠音頻信號(hào)中，能量是指音頻信號(hào)在一定時(shí)間內(nèi)的強(qiáng)度總和。能量的計(jì)算通?；谝纛l信號(hào)的幅值。對(duì)于離散的音頻信號(hào)x(n)，在一個(gè)分析幀內(nèi)，能量E的計(jì)算公式為E=\sum_{n=1}^{N}x^2(n)，其中N為分析幀內(nèi)的樣本點(diǎn)數(shù)。能量反映了音頻信號(hào)的強(qiáng)度大小，對(duì)于呼吸聲音，能量的變化可以反映呼吸的深度和力度。在深睡眠階段，呼吸通常較為深沉，呼吸聲音的能量相對(duì)較高；而在淺睡眠階段，呼吸相對(duì)較淺，能量相對(duì)較低。能量差值累積是指相鄰分析幀之間能量差值的累加和。通過(guò)計(jì)算能量差值累積，可以進(jìn)一步分析呼吸聲音能量的動(dòng)態(tài)變化情況。設(shè)第i幀的能量為E_i，則能量差值累積D的計(jì)算公式為D=\sum_{i=2}^{M}|E_i-E_{i-1}|，其中M為分析的總幀數(shù)。能量差值累積越大，說(shuō)明呼吸聲音能量的變化越劇烈；反之，則說(shuō)明能量變化較為平穩(wěn)。以實(shí)際的睡眠音頻信號(hào)分析為例，在一段包含不同睡眠階段的音頻數(shù)據(jù)中，通過(guò)對(duì)呼吸聲音能量及能量差值累積的計(jì)算，得到了以下結(jié)果。在淺睡眠階段（N1、N2期），呼吸聲音的能量相對(duì)較低，且能量差值累積較大。在N1期，平均能量約為[具體數(shù)值25]，能量差值累積可達(dá)[具體數(shù)值26]。這是因?yàn)樵跍\睡眠階段，呼吸不夠穩(wěn)定，呼吸深度和力度的變化較為頻繁，導(dǎo)致能量波動(dòng)較大。進(jìn)入深睡眠階段（N3期），呼吸聲音的能量明顯增加，平均能量提升至[具體數(shù)值27]，而能量差值累積顯著減小，僅為[具體數(shù)值28]。這表明在深睡眠階段，呼吸變得更加平穩(wěn)、深沉，呼吸能量相對(duì)穩(wěn)定，變化較小。在快速眼動(dòng)睡眠（REM）階段，呼吸聲音的能量和能量差值累積呈現(xiàn)出與淺睡眠階段相似的特征。能量水平與淺睡眠階段相近，平均能量約為[具體數(shù)值29]，能量差值累積為[具體數(shù)值30]。這是由于REM階段呼吸的不規(guī)則性，使得呼吸能量波動(dòng)較大。通過(guò)對(duì)能量及能量差值累積的分析，可以有效地提取與睡眠分期相關(guān)的特征。在睡眠分期算法中，可以將這些特征作為分類(lèi)的依據(jù)之一。利用支持向量機(jī)（SVM）算法進(jìn)行睡眠分期實(shí)驗(yàn)，將能量及能量差值累積作為輸入特征，結(jié)果表明，該算法在區(qū)分不同睡眠階段時(shí)取得了較好的準(zhǔn)確率。對(duì)于淺睡眠階段的識(shí)別準(zhǔn)確率達(dá)到了[具體數(shù)值31]%，深睡眠階段的識(shí)別準(zhǔn)確率為[具體數(shù)值32]%，REM睡眠階段的識(shí)別準(zhǔn)確率為[具體數(shù)值33]%。能量及能量差值累積在睡眠分期分析中具有重要的應(yīng)用價(jià)值，能夠?yàn)樗叻制谒惴ㄌ峁┯行У奶卣髦С郑兄谔岣咚叻制诘臏?zhǔn)確性。三、呼吸聲音的聲學(xué)特征分析3.2線性聲學(xué)特性分析3.2.1短時(shí)過(guò)零率短時(shí)過(guò)零率是指在短時(shí)間內(nèi)音頻信號(hào)穿越零電平的次數(shù)，它能夠反映音頻信號(hào)的頻率特性。對(duì)于睡眠音頻信號(hào)中的呼吸聲，短時(shí)過(guò)零率具有重要的分析價(jià)值。在語(yǔ)音信號(hào)處理中，濁音的短時(shí)過(guò)零率較低，因?yàn)闈嵋羰怯陕晭д駝?dòng)產(chǎn)生的準(zhǔn)周期信號(hào)，其波形變化相對(duì)較為緩慢，在短時(shí)間內(nèi)穿越零電平的次數(shù)較少；而清音的短時(shí)過(guò)零率較高，清音通常是由氣流通過(guò)口腔或鼻腔時(shí)的摩擦產(chǎn)生，其波形變化較為劇烈，在短時(shí)間內(nèi)穿越零電平的次數(shù)較多。在睡眠音頻信號(hào)中，呼吸聲類(lèi)似于一種周期性的準(zhǔn)穩(wěn)態(tài)信號(hào)。在正常呼吸過(guò)程中，吸氣和呼氣動(dòng)作會(huì)引起音頻信號(hào)的周期性變化。當(dāng)吸氣時(shí)，氣流進(jìn)入肺部，會(huì)產(chǎn)生一定頻率的聲音信號(hào)；呼氣時(shí)，氣流排出，也會(huì)產(chǎn)生相應(yīng)的聲音信號(hào)。在一個(gè)呼吸周期內(nèi)，音頻信號(hào)的波形會(huì)呈現(xiàn)出一定的規(guī)律性。在不同睡眠階段，呼吸聲音的短時(shí)過(guò)零率存在明顯差異。在淺睡眠階段，由于人體的生理活動(dòng)相對(duì)較為活躍，呼吸節(jié)奏可能會(huì)受到一些因素的影響，如輕微的身體動(dòng)作、外界的聲音刺激等。呼吸聲音的短時(shí)過(guò)零率可能會(huì)出現(xiàn)一定的波動(dòng)。當(dāng)受試者在淺睡眠階段受到外界輕微聲音干擾時(shí)，呼吸節(jié)奏可能會(huì)短暫加快，導(dǎo)致呼吸聲音的短時(shí)過(guò)零率升高。在深睡眠階段，人體的生理活動(dòng)趨于平穩(wěn)，呼吸變得更加深沉、緩慢且規(guī)律。呼吸聲音的短時(shí)過(guò)零率相對(duì)較為穩(wěn)定，且數(shù)值通常較低。這是因?yàn)樵谏钏唠A段，呼吸的頻率和深度變化較小，呼吸聲音的波形更加平穩(wěn)，在短時(shí)間內(nèi)穿越零電平的次數(shù)也相應(yīng)減少。在快速眼動(dòng)睡眠階段，雖然大腦活動(dòng)較為活躍，但呼吸肌處于松弛狀態(tài)，呼吸主要由腦干的呼吸中樞控制，呼吸節(jié)奏呈現(xiàn)出一定的不規(guī)則性。呼吸聲音的短時(shí)過(guò)零率可能會(huì)出現(xiàn)較大的波動(dòng)，且整體數(shù)值可能介于淺睡眠和深睡眠階段之間。在快速眼動(dòng)睡眠階段，可能會(huì)出現(xiàn)呼吸頻率突然加快或減慢的情況，導(dǎo)致短時(shí)過(guò)零率的波動(dòng)。通過(guò)對(duì)呼吸聲音短時(shí)過(guò)零率的分析，可以獲取與睡眠分期相關(guān)的重要信息。在睡眠分期算法中，可以將短時(shí)過(guò)零率作為一個(gè)特征參數(shù)，結(jié)合其他特征，如呼吸周期、能量等，來(lái)判斷睡眠所處的階段。利用支持向量機(jī)（SVM）算法進(jìn)行睡眠分期實(shí)驗(yàn)，將短時(shí)過(guò)零率作為輸入特征之一，結(jié)果表明，該特征能夠有效提高算法對(duì)不同睡眠階段的識(shí)別準(zhǔn)確率。對(duì)于淺睡眠階段的識(shí)別準(zhǔn)確率提高了[具體數(shù)值34]%，深睡眠階段的識(shí)別準(zhǔn)確率提高了[具體數(shù)值35]%，REM睡眠階段的識(shí)別準(zhǔn)確率提高了[具體數(shù)值36]%。短時(shí)過(guò)零率在睡眠音頻信號(hào)分析中具有重要的應(yīng)用價(jià)值，能夠?yàn)樗叻制谔峁┯行У奶卣髦С帧?.2.2共振峰共振峰是指在聲音的頻譜中能量相對(duì)集中的一些區(qū)域，它反映了聲道的諧振特性，是語(yǔ)音信號(hào)處理中非常重要的特征參數(shù)，在睡眠音頻信號(hào)分析中也具有重要意義。對(duì)于呼吸聲音，共振峰能夠提供關(guān)于呼吸生理狀態(tài)和睡眠分期的關(guān)鍵信息。共振峰的產(chǎn)生源于聲道的共鳴作用。在呼吸過(guò)程中，氣流通過(guò)呼吸道，呼吸道的形狀和尺寸會(huì)對(duì)氣流產(chǎn)生影響，從而形成特定的共振頻率。這些共振頻率對(duì)應(yīng)的能量集中區(qū)域就是共振峰。呼吸道的長(zhǎng)度、直徑以及聲帶、鼻腔、口腔等部位的狀態(tài)都會(huì)影響共振峰的頻率和強(qiáng)度。當(dāng)呼吸道較為通暢時(shí)，共振峰的頻率和強(qiáng)度相對(duì)較為穩(wěn)定；而當(dāng)呼吸道存在阻塞或狹窄時(shí)，共振峰的特征會(huì)發(fā)生改變。共振峰的提取方法主要有基于線性預(yù)測(cè)（LPC）的方法和倒譜法等?；贚PC的方法是一種有效的頻譜包絡(luò)估計(jì)方法，通過(guò)從線性預(yù)測(cè)分析角度推導(dǎo)出聲道濾波器，根據(jù)這個(gè)聲道濾波器找出共振峰。具體步驟如下：首先對(duì)呼吸音頻信號(hào)進(jìn)行分幀處理，每幀長(zhǎng)度通常在20-30ms左右，使每幀內(nèi)的信號(hào)近似平穩(wěn)。然后對(duì)每幀信號(hào)進(jìn)行預(yù)加重處理，提升高頻部分的能量，補(bǔ)償高頻信號(hào)在傳輸過(guò)程中的衰減。接著計(jì)算每幀信號(hào)的自相關(guān)函數(shù)，通過(guò)自相關(guān)函數(shù)求解線性預(yù)測(cè)系數(shù)。根據(jù)線性預(yù)測(cè)系數(shù)得到聲道濾波器的傳遞函數(shù)，對(duì)傳遞函數(shù)進(jìn)行分析，找出其極點(diǎn)，極點(diǎn)對(duì)應(yīng)的頻率即為共振峰頻率。還可以通過(guò)計(jì)算聲道濾波器的頻率響應(yīng)，找出頻率響應(yīng)中的峰值，這些峰值對(duì)應(yīng)的頻率也是共振峰頻率。倒譜法是另一種常用的共振峰提取方法。該方法利用卷積同態(tài)系統(tǒng)將語(yǔ)音信號(hào)從時(shí)域轉(zhuǎn)換到倒譜域，在倒譜域中，聲道響應(yīng)的倒譜衰減很快。通過(guò)構(gòu)造一個(gè)相應(yīng)的倒譜濾波器，將聲道的倒譜分離出來(lái)。對(duì)分離出來(lái)的倒譜做相應(yīng)的反變換，就可以得到聲道函數(shù)的對(duì)數(shù)譜，對(duì)對(duì)數(shù)譜進(jìn)行進(jìn)一步處理，如求導(dǎo)、峰值檢測(cè)等，即可求得所需的各個(gè)共振峰。共振峰特征與睡眠分期之間存在著密切的關(guān)系。在不同睡眠階段，由于人體生理狀態(tài)的變化，呼吸聲音的共振峰特征也會(huì)發(fā)生相應(yīng)的改變。在淺睡眠階段，人體的肌肉緊張度相對(duì)較高，呼吸道的狀態(tài)可能會(huì)受到一定影響，導(dǎo)致共振峰的頻率和強(qiáng)度出現(xiàn)波動(dòng)。在淺睡眠階段，呼吸道可能會(huì)因?yàn)檩p微的肌肉收縮而變窄，從而使共振峰的頻率發(fā)生變化，強(qiáng)度也可能會(huì)有所增強(qiáng)或減弱。在深睡眠階段，人體的肌肉充分放松，呼吸道相對(duì)通暢，共振峰的頻率和強(qiáng)度相對(duì)較為穩(wěn)定。此時(shí)，呼吸聲音的共振峰特征能夠反映出較為穩(wěn)定的呼吸生理狀態(tài)。在快速眼動(dòng)睡眠階段，雖然呼吸肌處于松弛狀態(tài)，但大腦活動(dòng)的變化可能會(huì)導(dǎo)致呼吸節(jié)律的改變，進(jìn)而影響共振峰的特征?？焖傺蹌?dòng)睡眠階段可能會(huì)出現(xiàn)呼吸頻率的突然變化，這會(huì)導(dǎo)致共振峰的頻率和強(qiáng)度也隨之發(fā)生變化。通過(guò)對(duì)共振峰特征的分析，可以為睡眠分期提供重要的依據(jù)。在睡眠分期算法中，將共振峰頻率、強(qiáng)度等特征作為輸入?yún)?shù)，能夠提高算法對(duì)不同睡眠階段的識(shí)別準(zhǔn)確率。利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)睡眠音頻信號(hào)進(jìn)行睡眠分期實(shí)驗(yàn)，將共振峰特征作為輸入特征之一，結(jié)果顯示，該算法對(duì)淺睡眠階段的識(shí)別準(zhǔn)確率達(dá)到了[具體數(shù)值37]%，深睡眠階段的識(shí)別準(zhǔn)確率為[具體數(shù)值38]%，REM睡眠階段的識(shí)別準(zhǔn)確率為[具體數(shù)值39]%。共振峰特征在睡眠分期中具有重要的應(yīng)用價(jià)值，能夠?yàn)樗叻制谒惴ㄌ峁┯行У奶卣髦С帧?.2.3梅爾倒譜系數(shù)梅爾倒譜系數(shù)（Mel-FrequencyCepstralCoefficients，MFCCs）是在聲音處理領(lǐng)域中，基于聲音頻率的非線性梅爾刻度（melscale）的對(duì)數(shù)能量頻譜的線性變換。它在睡眠音頻信號(hào)特征提取中具有重要作用，能夠有效反映睡眠音頻信號(hào)的特征，為睡眠分期提供有力支持。梅爾倒譜系數(shù)的計(jì)算基于人耳的聽(tīng)覺(jué)特性。人耳對(duì)不同頻率聲音的感知是非線性的，梅爾刻度正是基于這種非線性特性建立的。在梅爾刻度中，頻率與梅爾頻率之間的關(guān)系可通過(guò)公式f_{mel}=2595\times\log_{10}(1+\frac{f}{700})表示，其中f是實(shí)際頻率（Hz），f_{mel}是梅爾頻率。梅爾頻率更符合人耳對(duì)聲音頻率的感知規(guī)律。在低頻段，梅爾頻率與實(shí)際頻率的變化較為接近，人耳對(duì)低頻聲音的頻率變化較為敏感；而在高頻段，梅爾頻率的變化相對(duì)較慢，人耳對(duì)高頻聲音的頻率變化相對(duì)不敏感。通過(guò)將音頻信號(hào)的頻率轉(zhuǎn)換為梅爾頻率，可以更好地模擬人耳的聽(tīng)覺(jué)過(guò)程，提取出更符合人耳感知的音頻特征。計(jì)算梅爾倒譜系數(shù)的步驟如下：首先對(duì)睡眠音頻信號(hào)進(jìn)行分幀處理，將連續(xù)的音頻信號(hào)分割成一系列短時(shí)段的幀，每幀長(zhǎng)度一般在20-30ms，并進(jìn)行加窗操作，常用的窗函數(shù)有漢寧窗、漢明窗等，以減少頻譜泄露。然后對(duì)每幀信號(hào)進(jìn)行預(yù)加重處理，通過(guò)一個(gè)高通濾波器，如y(n)=x(n)-\alphax(n-1)，其中\(zhòng)alpha一般取值在0.9-0.97之間，提升音頻信號(hào)中的高頻成分，補(bǔ)償高頻信號(hào)在傳輸過(guò)程中的衰減。接著對(duì)預(yù)加重后的每幀信號(hào)進(jìn)行快速傅里葉變換（FFT），將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，得到信號(hào)的頻譜。將每個(gè)幀獲得的頻譜通過(guò)梅爾濾波器組（一組20-40個(gè)非線性分布的三角帶通濾波器），這些濾波器在梅爾刻度上等距分布。每個(gè)梅爾濾波器對(duì)頻譜進(jìn)行濾波，得到每個(gè)濾波器輸出的能量，將這些能量相加并取對(duì)數(shù)，得到對(duì)數(shù)能量。對(duì)對(duì)數(shù)能量進(jìn)行離散余弦變換（DCT），通常保留DCT系數(shù)的第2-13個(gè)系數(shù)，這些系數(shù)就是梅爾倒譜系數(shù)。有時(shí)還會(huì)將幀能量附加到每個(gè)特征向量上，并且通常會(huì)附加Delta和Delta-Delta特征，以進(jìn)一步描述音頻信號(hào)的動(dòng)態(tài)變化。在睡眠音頻信號(hào)特征提取中，梅爾倒譜系數(shù)展現(xiàn)出了良好的效果。以實(shí)際睡眠音頻信號(hào)分析為例，在一段包含不同睡眠階段的音頻數(shù)據(jù)中，通過(guò)計(jì)算梅爾倒譜系數(shù)，并將其作為特征輸入到支持向量機(jī)（SVM）分類(lèi)器中進(jìn)行睡眠分期實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，梅爾倒譜系數(shù)能夠有效區(qū)分不同睡眠階段的音頻信號(hào)。對(duì)于淺睡眠階段，梅爾倒譜系數(shù)的特征分布具有一定的特點(diǎn)，某些系數(shù)的值相對(duì)較大，反映了淺睡眠階段呼吸音頻信號(hào)的特定頻率成分和能量分布。在深睡眠階段，梅爾倒譜系數(shù)的分布與淺睡眠階段有明顯差異，部分系數(shù)的值更加穩(wěn)定，且在不同深睡眠時(shí)段的變化較小，這與深睡眠階段呼吸的平穩(wěn)性相對(duì)應(yīng)。在快速眼動(dòng)睡眠階段，梅爾倒譜系數(shù)呈現(xiàn)出獨(dú)特的分布模式，一些系數(shù)的波動(dòng)較大，反映了該階段呼吸的不規(guī)則性。通過(guò)對(duì)梅爾倒譜系數(shù)的分析，SVM分類(lèi)器對(duì)淺睡眠階段的識(shí)別準(zhǔn)確率達(dá)到了[具體數(shù)值40]%，深睡眠階段的識(shí)別準(zhǔn)確率為[具體數(shù)值41]%，REM睡眠階段的識(shí)別準(zhǔn)確率為[具體數(shù)值42]%。梅爾倒譜系數(shù)在睡眠音頻信號(hào)特征提取中具有重要的應(yīng)用價(jià)值，能夠?yàn)樗叻制谒惴ㄌ峁┯行У奶卣髦С郑兄谔岣咚叻制诘臏?zhǔn)確性。三、呼吸聲音的聲學(xué)特征分析3.3非線性聲學(xué)特性分析3.3.1相空間重構(gòu)及Lyapunov指數(shù)相空間重構(gòu)是一種將時(shí)間序列轉(zhuǎn)化為高維空間中的點(diǎn)集的技術(shù)，其目的是揭示時(shí)間序列中隱藏的動(dòng)力學(xué)特性。在睡眠音頻信號(hào)處理中，呼吸聲音作為一種時(shí)間序列信號(hào)，相空間重構(gòu)能夠幫助我們從更高維度的角度理解呼吸聲音的內(nèi)在規(guī)律。相空間重構(gòu)的理論基礎(chǔ)是Takens定理。該定理表明，對(duì)于一個(gè)由m維動(dòng)力學(xué)系統(tǒng)產(chǎn)生的時(shí)間序列\(zhòng){x(t)\}，通過(guò)延遲坐標(biāo)法，可以將其重構(gòu)到d維相空間中，其中d\geq2m+1。在實(shí)際應(yīng)用中，通常選擇合適的嵌入維數(shù)d和延遲時(shí)間\tau來(lái)進(jìn)行相空間重構(gòu)。嵌入維數(shù)d決定了相空間的維度，它需要足夠大，以確保能夠完全捕捉到時(shí)間序列的動(dòng)力學(xué)信息；延遲時(shí)間\tau則決定了相空間中各坐標(biāo)之間的時(shí)間間隔，它的選擇會(huì)影響重構(gòu)相空間中軌跡的分布和可辨識(shí)度。具體的重構(gòu)過(guò)程如下：假設(shè)呼吸聲音的時(shí)間序列為x(1),x(2),\cdots,x(N)，選擇嵌入維數(shù)d和延遲時(shí)間\tau，則重構(gòu)后的相空間向量為：\mathbf{X}_i=[x(i),x(i+\tau),x(i+2\tau),\cdots,x(i+(d-1)\tau)]，其中i=1,2,\cdots,N-(d-1)\tau。通過(guò)這種方式，將一維的呼吸聲音時(shí)間序列映射到d維相空間中，形成一系列的相空間點(diǎn)。Lyapunov指數(shù)是衡量動(dòng)力系統(tǒng)中初始條件敏感性的一個(gè)重要指標(biāo)。在相空間重構(gòu)的基礎(chǔ)上，計(jì)算Lyapunov指數(shù)可以幫助我們判斷呼吸聲音信號(hào)的混沌特性。對(duì)于一個(gè)d維相空間中的軌跡\{\mathbf{X}_i\}，Lyapunov指數(shù)的計(jì)算步驟如下：首先，對(duì)于每個(gè)相空間點(diǎn)\mathbf{X}_i，找到與之最近鄰的點(diǎn)\mathbf{X}_j（j\neqi），計(jì)算它們之間的初始距離d_0(\mathbf{X}_i,\mathbf{X}_j)。然后，隨著時(shí)間的演化，計(jì)算經(jīng)過(guò)k步迭代后這兩個(gè)點(diǎn)之間的距離d_k(\mathbf{X}_i,\math