一种多级融合检测睡眠声音进行睡眠分期的方法及系统与流程

本技术涉及信息，尤其涉及一种多级融合检测睡眠声音进行睡眠分期方法及系统。

背景技术：

1、随着人们对睡眠质量的关注，发现呼吸问题、情绪、呼吸不规则、营养消化问题、梦都会对睡眠质量产生不利影响，导致许多健康问题，而睡眠呼吸暂停、心血管问题、胰岛素抵抗和心理问题是最常见的睡眠相关问题，它还会对睡眠伴侣、社会环境和工作生活产生负面影响，睡眠障碍或疾病影响日常生活并可能扰乱理智，导致人们的生活质量下降。

2、现有技术中，睡眠问题的检测是通过睡眠诊断中心进行的测试来确定的，当前这种检测方式，需要用户进入实验室环境或医疗诊室中进入睡眠状态，需在身体各处连接电极和传感器，测量众多参数，如脑电图，鼻腔和口腔气流，肌电图，心电图，血氧饱和度和眼球运动等；不但价格昂贵需要众多设备和医务人员，还需耗费大量精力，效率低下。

技术实现思路

1、鉴于以上内容，本技术提出一种多级融合检测睡眠声音进行睡眠分期方法及系统，解决了现有技术中睡眠检测成本高昂且效率低下的问题，能够降低睡眠检测的使用成本，提升睡眠检测的效率。

2、本技术实施例提供一种多级融合检测睡眠声音进行睡眠分期的方法，所述方法包括：

3、采集用户睡眠期间的音频数据；

4、对采集到的所述音频数据进行过滤，并将过滤后的所述音频数据进行多级分解；

5、使用多级融合特征分类的方法提取多个音频特征；

6、基于提取的所述多个音频特征，使用迭代和混合特征选择器rfinca选择其中最优音频特征子集；

7、将所述最优音频特征子集发送至融合的分类器进行分类；

8、基于分类结果，与睡眠分期特征数据库进行匹配，以便判断所述用户的睡眠阶段和对应的异常情况。

9、在一些实施例中，使用迭代和混合特征选择器rfinca选择其中最优音频特征，包括：

10、使用relieff算法对所述多个音频特征进行筛选，获得第一特征子集；

11、使用近邻成分分析nca对所述第一特征子集进行优化，获得第二特征子集；

12、迭代上述筛选和优化过程，直至获得所述最优音频特征子集。

13、在一些实施例中，使用relieff算法对所述多个音频特征进行筛选，获得第一特征子集，包括：

14、在所述多个音频特征中随机选择一个样本ri，找到ri在特征空间中的k个最近邻样本；

15、对每个特征f，计算ri与其同类最近邻在f上的距离差值diff(f,ri,h),以及与其异类最近邻在f上的距离差值diff(f,ri,m)；

16、更新每个特征f的权重：

17、

18、其中，

19、ri为随机选择的一个训练样本，i为第i个自然数，j为第j个自然数；

20、k为在特征空间中寻找的最近邻样本的数量；

21、f表示一个特定的特征；

22、diff(f,ri,h)为ri与其同类(相同标签的)最近邻在特征f上的距离差值；

23、diff(f,ri,m)为ri与其异类(不同标签的)最近邻在特征f上的距离差值；

24、w[f]为特征f的权重；

25、m为总的样本数量；

26、hj为与ri同类的第j个最近邻样本；

27、mj(c)为与ri异类的第j个最近邻样本，其中c表示一个与ri不同的类别；

28、p(c)为类别c的先验概率；

29、class(ri)为ri的类别；

30、遍历所有训练样本；

31、根据特征权重w从高到低排序，选出权重最高的ns个特征形成第一特征子集s。

32、在一些实施例中，使用近邻成分分析nca对所述第一特征子集进行优化，获得第二特征子集，包括：

33、根据所述第一特征子集s计算样本i和j之间的加权距离：

34、

35、根据所述加权距离计算样本i和j的相似度：

36、

37、计算每个样本的期望概率

38、计算目标函数f(w)＝∑ipi；

39、求出特征权重w的最优解，得到优化后的所述第二特征子集；

40、其中，

41、s为经过relieff算法筛选后的特征子集；

42、wf为特征f在s中的权重；

43、xif为样本i在特征f上的值；

44、xjf为样本j在特征f上的值；

45、dijs为样本i和j在特征子集s下的加权欧氏距离；

46、pij为在特征子集s下，样本j被样本i选为最近邻的概率；

47、pi为样本i被其同类样本选为最近邻的期望概率；

48、f(w)为目标函数，表示所有样本被其同类样本选为最近邻的概率之和，目标是通过调整特征权重w来最大化这个概率。

49、在一些实施例中，将过滤后的所述音频数据进行多级分解，包括：

50、对原始睡眠音频t1进行第一级离散小波变换dwt分解；得到第一低频分量low1和第一高频分量high1；

51、将低频分量low1进行第二级dwt分解，得到第二低频分量low2和第二高频分量high2；

52、第二低频分量low2进行下一级dwt分解，以完成多级分解的迭代操作。

53、在一些实施例中，对原始睡眠音频t1进行第一级离散小波变换dwt分解；得到第一低频分量low1和第一高频分量high1，包括：

54、构建dwt滤波器和分解层数，将t1输入到所述dwt滤波器中；

55、利用所述dwt滤波器对t1进行低通和高通滤波，分别得到低频分量low1和高频分量high1；

56、对low1进行降采样,得到尺度系数,对high1进行降采样,得到小波系数。

57、在一些实施例中，使用多级融合特征分类的方法提取多个音频特征，包括：

58、使用低通滤波器提取多个低频分量的纹理特征；

59、基于提取的所述纹理特征,使用局部二进制模型lbp和局部三元模式ltp提取多个音频特征。

60、在一些实施例中，使用低通滤波器提取多个低频分量的纹理特征，包括：

61、对第一级dwt分解得到的低频分量low1使用低通滤波器提取纹理特征tpf1；

62、对第2至第n级dwt分解得到的低频分量lowi(i＝2,3,...,n)使用低通滤波器提取纹理特征tpfi；

63、则使用局部二进制模型lbp和局部三元模式ltp提取多个音频特征，包括：

64、对第一级提取的所述纹理特征tpf1使用lbp算子提取局部二进制模式特征lbpf1；

65、对第一级提取的所述纹理特征tpf1使用ltp算子提取局部三元模式特征ltpf1；

66、对第2至第n级提取的纹理特征tpfi(i＝2,3,...,8)提取lbp和ltp特征,得到lbpfi和ltpfi；

67、将n个级别提取的lbp特征lbpf1,lbpf2,...,lbpfn和ltp特征ltpf1,ltpf2,...,ltpfn级联,形成多级lbp特征向量和多级ltp特征向量，所述多级lbp特征向量和多级ltp特征向量共同组成了所述多个音频特征。

68、本技术实施例还提供一种多级融合检测睡眠声音进行睡眠分期的系统，包括：

69、采集模块，用于采集用户睡眠期间的音频数据；

70、分解模块，用于对采集到的所述音频数据进行过滤，并将过滤后的所述音频数据进行多级分解；

71、提取模块，用于使用多级融合特征分类的方法提取多个音频特征；

72、选择模块，用于基于提取的所述多个音频特征，使用迭代和混合特征选择器rfinca选择其中最优音频特征子集；

73、分类模块，用于将所述最优音频特征子集发送至融合的分类器进行分类；

74、判断模块，用于基于分类结果，与睡眠分期特征数据库进行匹配，以便判断所述用户的睡眠阶段和对应的异常情况。

75、本技术实施例还提供一种多级融合检测睡眠声音进行睡眠分期的系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。

76、本技术中，仅仅通过移动智能设备麦克风，采集睡眠期间的音频，通过数据库数据匹配即可轻量化达到对睡眠分期的评估；多级dwt过滤融合多种融合方式提取非平稳语音活动的特征，通过多种分类器融合分类方式最终数据匹配得出结果，达到实现检测夜间睡眠分期的效果，更轻量化，效率更高，成本更低；同时可以辅助检测睡眠问题，方便用户对睡眠健康进行及时的状态关注，及早发现潜在的睡眠问题。