本解决方案涉及一种智能止鼾枕头。智能止鼾枕由枕头、控制盒、APP构成一套睡眠止鼾系统。

　　背景技术：

　　目前现有的改善睡眠呼吸质量，缓解打鼾症状的产品有：
 

 

　　2015年大朴智能止鼾枕的表面是全棉材质，枕头两侧是声音传感器，有多个气囊在枕头里，用户在打呼噜时发出的声音，会被声音传感器捕捉到并传给一个枕边的外部控制设备，然后再由其发出指令给气囊，通过增减气囊中的空气来调整用户睡姿。一般的轻微鼾声是不会对其激活的，只有达到噪音的级别它才会开始工作。

　　2014年英国《每日电讯报》报道，一款神奇的“止鼾枕”横空出世，它能够识别鼾声声波，然后通过调整睡眠者的睡姿来止鼾。这种枕头的内部安装有麦克风和气囊。一旦麦克风识别了鼾声声波，气囊就会膨胀，将枕头的高度增加3英寸(约7.6厘米)，睡眠者的头部或身体就会相应地移动，从而停止打鼾。这种声控气囊也可以通过手动充气膨胀到4英寸(约10厘米)至7英寸(约18厘米)。气囊不论是在膨胀还是收缩时，都会确保睡眠者呼吸道的畅通。枕头里还安装了延迟装置，以便气囊在使用者入睡30分钟之后再膨胀。使用者还可以通过枕头上的按钮来开关或调节麦克风。若睡眠者鼾声较轻，可以提高麦克风的敏感度，若鼾声较重，则降低麦克风敏感度。

　　2016年苏宁众筹上线了一款SINKY静极智能止鼾枕，该产品可 随时调节打鼾用户的头颈姿态，以达到止鼾及缓解颈椎疲劳的目的。通过改变打鼾者的头颈姿态是较为养生的止鼾手段。SINKY静极智能止鼾枕内含自主研发的ASD芯片，搭载智能鼾声鉴别系统，可有效识别鼾声特征，从而调节枕头高度，改变打鼾者头颈姿态，进而达到止鼾的效果。此外，该产品采用双层曲线设计，能够牵引颈椎恢复正常曲度，有效缓解颈椎的疲劳。

　　技术实现要素：

　　本发明的目的在于提供一种结构合理，工作效果好的智能止鼾枕。

　　本发明的技术解决方案是：

　　一种智能止鼾枕，包括枕芯，其特征是：枕芯内设置位于枕芯不同部位的多个气囊，各气囊与位置传感器连接，各气囊与充气泵装置连接，枕芯内设置收集声音的声音传感器，所述声音传感器、位置传感器、充气泵装置与电路控制器连接，电路控制器与电源电路连接;电路控制器与鼾声识别装置通过双向连接线连接;

　　鼾声识别装置计算步骤如下：

　　(1)对输入的鼾声信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息;帧长取为256个采样点，其中未重叠部分为100点;窗函数的选择采用Hamming窗;设语音信号的DFT为：

　　式中x(n)为输入的语音信号，N表示傅立叶变换的点数;

　　(2)端点检测：对每一段鼾声求频谱幅度的平方，得到能量谱;

　　(3)将能量谱通过一组Mel尺度的三角形滤波器组;定义一个有M个滤波器的滤波器组，滤波器的个数和临界带的个数相近，采用的滤波器为三角滤波器，中心频率为f(m)，m=1，2，3，···;调用voicebox中的melfb函数完成滤波操作;

　　(4)计算每个滤波器组输出的对数能量：

　　其中Hm(k)为三角滤波器的频率响应;

　　M为三角滤波器的个数;

　　(5)经过离散弦变换(DCT)得到MFCC系数：

　　MFCC系数的个数取12～16个;

　　鼾声识别采用以下两种方法之一：

　　(1)非参数模型法：使用模板匹配方法;就是对待识鼾声计算平均值，并与已经储存的每一鼾声训练平均值进行比较对文本无关的鼾声辨认，应用数秒或数分钟的鼾声以保证鼾声的模型由各种语音的平均特征而不是某一特殊音的平均特征产生;在模板匹配方法中使用欧式距离或马氏距离;

　　(2)参数模型法：隐马尔可夫模型和高斯混合模型，这二种方法都是为对应语音内容的鼾声相关特性建模,识别时，将测试语句中的鼾声声学特性和特定鼾声的包含相同鼾声内容的模型相比较，这种比较主要体现的是鼾声差异。

　　所述鼾声识别装置是装有鼾声识别软件的手机。

　　当声音传感器接收睡眠者的鼾声时，通过电路控制器、连接线将该鼾声送至鼾声识别装置;

　　如果识别为鼾声，则通过双向连接线向电路控制器发出使能信号，电路控制器收到该使能信号后，根据睡眠者接触的位置不同，启动充气泵装置工作，对相应位置的气囊充放气，籍此改变枕具的外形，达到自动调节睡眠者睡姿的目的。

　　本发明结构合理，不对睡眠者施加电、机械刺激或附加器具的限制，保证了睡眠者的自然睡眠姿势和深度，更有利于健康睡眠。

　　附图说明

　　下面结合附图和实施例对本发明作进一步说明。

　　图1是本发明一个实施例的结构示意图。
 

 

　　具体实施方式

　　一种智能止鼾枕，包括枕芯1，枕芯内设置位于枕芯不同部位的多个气囊2，各气囊与位置传感器3连接，各气囊与充气泵装置4连接，枕芯内设置收集声音的声音传感器5，所述声音传感器、位置传感器、充气泵装置与电路控制器6连接，电路控制器与电源电路7连接;电路控制器与鼾声识别装置8通过双向连接线连接。

　　在对采集到的鼾声信号进行识别的处理之前，为了使采集到语音信号在后续操作中处理起来更方便，必须要对其进行相关的预处理操作。

　　(1)预加重：由于语音信号幅度在高于800HZ的时候会按照每倍频6dB的速度下降，预加重为了使语音信号中损失的高频部分得到补偿，以真实地反映出语音信号实际的时域特征，防止其重要信息的丢失，同时也为了使整个语音信号的频谱变得更加平坦，以方便后续的相关处理，使方便在其整个频带的范围内，能够以相同的信噪比对进行分析。

　　(2)分帧和加窗：鼾声信号为一个典型的时变模拟信号，在任意时刻，其幅值各不相同。对时变的信号进行处理通常用短时分析技术，将那些非常复杂的时变信号分成许多个小段，而将每一个小段看成是平稳的信号。在鼾声信号中，这些分成的小段被称为帧，语音信号的短时分析就是对鼾声信号进行分帧，在分帧时，为了使每一帧鼾声信号之间连续且平滑过渡，不许使相邻帧之间有一小部分重叠。一般通过加窗的方式来对鼾声信号进行分帧，常用的基本窗函数有矩形窗、汉明窗和汉宁窗等。

　　(3)端点检测：通过使用数字处理技术以达到找出鼾声信号中各段落起点及终点位置的目的。通常在鼾声处理中引进端点检测，这样可以降低系统的运算量，提高系统性能。在鼾声识别中，端点检测的主要目的是找到鼾声的端点。采用的参数有短时能量和过零率。

　　短时能量序列反映了语音振幅或能量随着时间缓慢变化的规律。 从原始信号图中可以看到信号幅度随时间有相当的变化，信号的短时能量给出了反映这些幅度变化的一个合适的描述方法。

　　信号s(n)短时能量定义为:

　　在高信噪比的信号中，无信号的噪声能量很小，而有信号时短时能量值显著地增大到某一数值，由此可以区分信号的开始点和终止点。

　　短时平均过零率，过零就是信号通过零值。对于离散时间信号，如果相邻的取样值改变符号则称为过零，过零数就是样本改变符号的次数。单位时间内的过零数称为平均过零数。对于窄带信号，平均过零数作为信号频率的一种简单度量是很精确的。鼾声信号序列是宽带信号，仍然可用短时平均过零数来得到频谱的粗略估计。信号s(n)的短时平均过零率定义为：

　　鼾声特征提取

　　鼾声发声器官的差异主要表现在鼾声的频率结构上，鼾声的短时谱中包含有激励源和声道的特性，可以反映人的生理差别。能够表征鼾声性特征的参数目前主要有2种主要的特征参数用在鼾声识别领域：线性预测倒谱系数(Liner Prediction Cepstrum Coefficients，LPCC)，梅尔倒谱系数(Mel-Frequency Cepstrum Coefficients，MFCC)。

　　Mel频率倒谱系数(MFCC)是信号的FFT谱取对数后的逆FFT 变换，它可将信息量较小的峰值信息和更重要的声道形状信息相分离。是目前普遍采用的特征参数。MFCC参数能仿真基于不同频率带宽上的不同精准水平人耳捕获和处理声音的过程，而且没有任何前提假设，具有良好的识别性能和抗噪能力。

　　在鼾声识别处理信号过程中，MFCC参数是按照帧计算的。
 

 

　　其计算步骤如下：

　　(1)对输入的鼾声信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息。帧长取为256个采样点，其中未重叠部分为100点。窗函数的选择很重要，虽说矩形窗平滑比较好，但是容易丢失波形细节，并有可能造成泄漏现象，而Hamming窗可以有效的克服泄漏现象，所以本次课题采用Hamming窗。设语音信号的DFT为：

　　式中x(n)为输入的语音信号，N表示傅立叶变换的点数。

　　(2)端点检测。对每一段鼾声求频谱幅度的平方，得到能量谱。

　　(3)将能量谱通过一组Mel尺度的三角形滤波器组。定义一个有M个滤波器的滤波器组(滤波器的个数和临界带的个数相近)，本文采用的滤波器为三角滤波器，中心频率为f(m)，m=1，2，3，···。调用voicebox中的melfb函数完成滤波操作。

　　(4)计算每个滤波器组输出的对数能量：

　　其中Hm(k)为三角滤波器的频率响应。

　　(5)经过离散弦变换(DCT)得到MFCC系数：

　　MFCC系数的个数一般取12～16个左右，本次课题取为15个。

　　3.3鼾声识别

　　鼾声识别主要有以下两种方法：

　　(1)非参数模型法：模板匹配方法用语音信号某些特征的长时间的均值来辨认鼾声，这一均值我们也称为统计平均。使用模板匹配方法，就是对待识鼾声计算平均值，并与已经储存的每一鼾声训练平均值进行比较对文本无关的鼾声辨认，理想的情况是应用数秒或数分钟的鼾声以保证鼾声的模型由各种语音的平均特征而不是某一特殊音的平均特征产生。在模板匹配方法中可使用多种距离尺度，欧式距离、马氏距离是经常使用的两种。欧氏距离(Euclidean distance)是一个通常采用的距离定义，可以看作信号的相似程度。

　　两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离：

　　向量Xi与Xj之间的马氏距离定义为：

　　(2)参数模型法：典型使用的参数模型为隐马尔可夫模型(HMM)和高斯混合模型(GMM)。HMM方法和GMM方法都是为对应语音内容的鼾声相关特性建模,识别时，将测试语句中的鼾声声学特性和特定鼾声的包含相同鼾声内容的模型相比较，这种比较主要体现的是鼾声差异。

　　所述鼾声识别装置是装有鼾声识别软件的手机。

　　当声音传感器接收睡眠者的鼾声时，通过电路控制器、连接线将该鼾声送至鼾声识别装置;

　　如果识别为鼾声，则通过双向连接线向电路控制器发出使能信号，电路控制器收到该使能信号后，根据睡眠者接触的位置不同，启动充气泵装置工作，对相应位置的气囊充放气，籍此改变枕具的外形，达到自动调节睡眠者睡姿的目的。如果未能识别为鼾声，则不发送使能信号。

　　双向连接线和手机的音频接口相连接，声音传感器的信号由手机音频接口中的MIC接入手机的，使能信号利用手机音频接口中的左右声道传输。