治愈呼噜娃!自适应算法“吸音”抱枕,不同鼾声一网打尽

2019 年 7 月 7 日 大数据文摘

大数据文摘出品

编译:武帅、小七


无论你多爱你的伴侣,同居前,还是有一个重要的问题需要考虑,他是不是一位严重打鼾者。


这个问题或许决定着你下半生的睡眠质量


据估计,大约有350万人(通常是女性)经常被他们的伴侣的鼾声惊醒。他们平均每晚要丧失四分之一的睡眠时间。英国最大的社区医药公司劳伊德药房利用萨里大学实施的研究进行推算,认为在一位打鼾的人旁边睡觉的人,每年损失超过15天的睡眠时间。


35分贝左右的噪音足以破坏一个人的睡眠质量,而中度的打鼾一般都有50-60分贝(英国的一位祖母创下了116分贝的鼾声记录,相当于男中音的水平)。睡眠的质量和时长受到损害,不仅仅会造成打鼾者伴侣的偏执,还会直接影响其精力,注意力以及警觉性。


可喜的是,北伊利诺伊大学的一位研究者刚刚发布了一个新的内嵌在打鼾者伴侣的枕头内的降噪系统。


该系统使用了自适应算法,从而可以根据每个打鼾者的呼噜声进行调节,并减小噪声的影响。


有关该设计的一份研究报告已于1月3日刊登在IEEE/CAA Journal of Automatica Sinica上。


相关链接:

https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=6570654


可携带的“噪音吸收“抱枕


用仪器抵消掉原始噪音的尝试并不是全新的尝试。


为了抵消掉一个声波,必须引入一个振幅相等但相位相反的声波。因此,降噪系统必须要检测出原始噪音,并考虑到残留噪音(即误差),然后产生抵消掉原始噪音的声波。


因为这套系统本就是为了“呼噜娃”而生的,因此大多数都被设计为用于安装在床头板上的形式。


研究人员在消声室中进行了关于这个降噪系统的实时测验。该实验就是为了测试其放在床头板上的效果。


来自北伊利诺伊大学的Lichuan Liu说将设备安装在床头板内的方法有一个重大的缺陷。“安静的区域处于中央位置,离打鼾者的床伴的耳朵较远。因此对于打鼾者的床伴来说,降噪效果并不好,”她说道。“此外,床头板太笨重了,携带不方便。”


于是,她的团队设计了一个嵌入到伴侣的枕头的系统。它包括一个自适应滤波器,用来采集两种输入信号:鼾声信号和残留噪声(误差信号)。其中鼾声信号由一个参考麦克风检测得到,误差信号由两个误差麦克风检测得到。然后自适应滤波器基于这些输入信息产生合适的抗噪声信号,而这些信号由其伴侣枕头内的两个扬声器发出。


自适应LMS算法,鼾声不同,效果最佳


此外,传统的针对鼾声的降噪系统采用最小均方(Least mean square,LMS)算法来生成抗噪声。(译者注:LMS算法是1959年由Widrow和Hoff提出的一种计算简单、稳定性好的自适应滤波算法,基于维纳滤波理论,并借助于最速下降法进行结果优化,是自适应滤波器中最为常用的算法)而在这套系统中,Liu和她的同事们采用的是一种自适应LMS算法。


“由于每个打呼噜的人的鼾声都有其独特的时频特征,因此必须设计一种自适应LMS算法,使得即便鼾声不尽相同,其消除性能都是最佳的。”多亏了自适应LMS算法,这套系统的滤波器可以根据每位“呼噜娃”的鼾声的声波长度进行调整,并且能够响应其声学特性的细微变化。


测试表明降噪系统内嵌在枕头内的效果比安置在床头板内要好得多。


在实验中,当一个噪音感知假人被放置在床上,并暴露在有记录的鼾声中时,Liu和她的同事所设计的系统在假人的右耳和左耳分别实现了31分贝和30分贝的降噪。相比之下,将系统放置在床头板上的方法仅能实现22分贝和21分贝的降噪。这意味着,仅仅是通过把这个系统放置在枕头里,而不是床头板上,假人所感知到的鼾声的响度就减少近2倍。


“我们还可以从模拟实验中看出,自适应LMS算法比传统的LMS算法的效果要好得多。”Liu说到。她们的仿真数据显示自适应LMS算法可以使一个睡眠者的左耳和右耳分别实现19分贝和20分贝的降噪效果,而传统的LMS算法仅能实现16分贝和12分贝的降噪效果。


接下来,Liu和她的同事打算使用机器学习技术来识别睡眠障碍的鼾声信号,以便更好地进行筛查和检测。


相关报道:

https://spectrum.ieee.org/the-human-os/consumer-electronics/gadgets/new-noisecanceling-system-for-snoring-could-help-partners-sleep-better



实习/全职编辑记者招聘ing

加入我们,亲身体验一家专业科技媒体采写的每个细节,在最有前景的行业,和一群遍布全球最优秀的人一起成长。坐标北京·清华东门,在大数据文摘主页对话页回复“招聘”了解详情。简历请直接发送至zz@bigdatadigest.cn


志愿者介绍

后台回复志愿者”加入我们

点「在看」的人都变好看了哦
登录查看更多
0

相关内容

【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
60+阅读 · 2020年5月25日
【伯克利-滴滴出行】深度学习多源领域自适应综述论文
专知会员服务
53+阅读 · 2020年2月28日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
从十篇热门学术论文看计算机视觉的未来
计算机视觉life
6+阅读 · 2019年9月11日
近期声学领域前沿论文(No. 4)
深度学习每日摘要
7+阅读 · 2019年5月1日
深度学习优化算法总结(SGD,AdaGrad,Adam等)
极市平台
33+阅读 · 2019年4月30日
AI换脸朱茵变杨幂,技术背后细思极恐
大数据技术
7+阅读 · 2019年3月1日
数字图像处理中的噪声过滤
AI研习社
8+阅读 · 2018年9月12日
用OpenCV实现八种不同的目标跟踪算法
极市平台
6+阅读 · 2018年8月13日
干货!一文读懂行人检测算法
全球人工智能
11+阅读 · 2018年5月31日
【重磅】自适应无监督学习的特征提取方法
中国自动化学会
7+阅读 · 2018年2月6日
机器学习算法比较
我爱机器学习
4+阅读 · 2016年12月11日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
Arxiv
100+阅读 · 2020年3月4日
Arxiv
6+阅读 · 2019年7月11日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
3+阅读 · 2018年10月18日
Arxiv
11+阅读 · 2018年4月25日
Arxiv
4+阅读 · 2017年7月25日
VIP会员
相关资讯
从十篇热门学术论文看计算机视觉的未来
计算机视觉life
6+阅读 · 2019年9月11日
近期声学领域前沿论文(No. 4)
深度学习每日摘要
7+阅读 · 2019年5月1日
深度学习优化算法总结(SGD,AdaGrad,Adam等)
极市平台
33+阅读 · 2019年4月30日
AI换脸朱茵变杨幂,技术背后细思极恐
大数据技术
7+阅读 · 2019年3月1日
数字图像处理中的噪声过滤
AI研习社
8+阅读 · 2018年9月12日
用OpenCV实现八种不同的目标跟踪算法
极市平台
6+阅读 · 2018年8月13日
干货!一文读懂行人检测算法
全球人工智能
11+阅读 · 2018年5月31日
【重磅】自适应无监督学习的特征提取方法
中国自动化学会
7+阅读 · 2018年2月6日
机器学习算法比较
我爱机器学习
4+阅读 · 2016年12月11日
相关论文
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
Arxiv
100+阅读 · 2020年3月4日
Arxiv
6+阅读 · 2019年7月11日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
3+阅读 · 2018年10月18日
Arxiv
11+阅读 · 2018年4月25日
Arxiv
4+阅读 · 2017年7月25日
Top
微信扫码咨询专知VIP会员