基于SVM 的鼾声识别算法.7z 使用SVM分类算法对鼾声进行识别 数据集采用Snoring Data Set 特征提取采用librosa中的Mel Spectrogram计算方法，C++版LibrosaCpp实现 数据集 数据集包含1000个样本，其中包含500个鼾声样本和500个非鼾声样本 特征提取 使用librosa库中的Mel Spectrogram计算方法和短时傅里叶变换（Short-Time Fourier Transform）构造出35维特征向量进行训练 频率：对能量的取值进行分段，取其中的众数作为频率的估计值 平均响度： 首先，你需要获取音频数据的每个样本值 对每个样本值进行平方，得到其能量 对所有样本的能量求平均值，然后取平方根，即为均方根（RMS）值 RMS值可以作为该段音频的平均声音响度的估计。 单次持续时间：单次鼾声持续时间 时域能量：在时域中，音频的能量可以通过信号的振幅平方来表示。对于每个时间窗口，将窗口内的每个样本的振幅平方求和，即可得到该时间窗口的能量值。这可以用来表示音频信号随时间的能量分布 短时傅里叶变换（Short-Time Fourie

目的研究阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea-hypopnea syndrome,OS-AHS)和单纯鼾症(simple snoring,SS)者鼾声的基频和共振峰特点,探讨其可能的临床应用价值。方法对50例OSAHS患者(OSAHS组,轻度16例,中度15例,重度19例)和20例SS者(单纯鼾症组)行同步多导睡眠监测和鼾声监测,截取每例患者不同睡眠时段的10次鼾声,使用Prrat语音分析软件对鼾声的基频和共振峰进行分析。结果 SS组有明显的基频,在100Hz段以下分布聚集,而OSAHS组鼾声基频无规律;SS组鼾声的第一共振峰值(F1)明显小于OSAH...

matlab鼾声分析的main函数.txt

使用智能手机连接外置麦克风收集鼾声样本，用相关软件对样本进行处理，通过对比两种滤波方法，寻找合适的滤波方法对样本进行去噪。之后对鼾声进行检测，计算出平均的鼾声大小从而进一步得出样本的扰人程度。计算出呼吸暂停低通气指数，对样本的呼吸暂停程度进行分级。