本發(fā)明涉及呼吸頻率檢測方法，尤其涉及一種利用智能手機的人體呼吸頻率檢測方法。

背景技術：

現(xiàn)有呼吸檢測技術主要在醫(yī)療器械領域應用。呼吸檢測方法大多需要借助于比較精良的醫(yī)療設備，但是由于醫(yī)療設備造價高昂，此類技術很難被普通用戶大范圍的使用。而且，基于醫(yī)療器械的呼吸監(jiān)測技術，主要用于監(jiān)測呼吸是否停止和判斷呼吸的強度等指標是否存在病理特征，這種呼吸檢測技術并不適用于普通的健康人群。

現(xiàn)有技術中，申請?zhí)枮?00580032171.1的專利“使用非接觸型麥克風進行呼吸型式測定的裝置和方法”提供了一種用于分析用戶呼吸的方法。該方法使用標準的非接觸式麥克風產生表示呼吸的氣流聲音的原始信號，通過分析該原始信號以測定第一亞組的一個或者多個呼吸參數(shù)，并導出通常在原始信號中不能直接檢測的第二亞組的一個或者多個估計呼吸參數(shù)。其中：第一亞組參數(shù)包括主動呼吸時間(主動呼氣的持續(xù)時間)和呼吸期(相繼呼吸之間的時間)，第二亞組參數(shù)包括吸氣時間。通常，由于背景噪聲的存在，麥克風無法直接檢測出第二亞組的參數(shù)。

隨著時代的發(fā)展，人們在享受科技的便利的同時，也越來越注重自身的健康。為了保持健康的身體，運動健身，越來越成為人們生活中必不可少的一部分。喜愛運動健身又不想去健身房的人們，對于可以隨時監(jiān)測自己運動，甚至給自己運動提供指導的軟件有極高的需求。移動互聯(lián)網時代的到來，讓用戶可以隨時接入網絡去分享自己的運動狀態(tài)，并且可以與他人交流運動感受，這無疑極大的加速了這個領域發(fā)展，誕生出了不少的應用。因此，以智能手機為平臺的運動監(jiān)測軟件，正成為移動設備應用的一個重要方面。

呼吸頻率是衡量運動強度和量化運動量的一個重要指標。熱愛運動的人們不需要對呼吸頻率的檢測精度達到醫(yī)療設備那樣的程度，僅需要知道自己在運動時呼吸頻率的大致情況。而現(xiàn)有技術中存在的不足主要有：(一)需借助設備來檢測用戶的呼吸頻率，多使用醫(yī)療設備，這些設備造價昂貴；(二)主要針對病理特征，對普通人群不適合。目前，尚缺乏不需借助理療設備而只需通過智能手機就可以檢測用戶的呼吸頻率的方法。

技術實現(xiàn)要素：

為了克服上述現(xiàn)有技術的不足，本發(fā)明提供一種利用智能手機基于傅里葉變換的人體呼吸頻率檢測方法，通過智能手機采集聲音信號來感應人體的呼吸動作，通過計算得到人體的呼吸頻率，為用戶提供一種可以度量有氧運動強度的檢測方法，簡單易行。

本發(fā)明的原理是：用戶的呼吸行為本身具有一定的聲音，本發(fā)明采用音頻處理的方式，來識別用戶的呼吸信號?，F(xiàn)有最常用的音頻處理技術是通過傅里葉變換進行音頻的頻譜分析，通過頻域分析得到音頻分量。即通過離散傅里葉變換可利用計算機系統(tǒng)處理分析時域信號的頻域特性。但是，離散傅里葉變換算法的時間復雜度是O(N^2)，時間復雜度會隨著計算量的增大而顯著增大，當進行大數(shù)據量的運算時，會有較大時延。而本發(fā)明的呼吸監(jiān)測對于實時性具有極高的要求，因此，本發(fā)明根據離散傅里葉變換的對稱性等特性，得到離散傅里葉變換的等效形式——快速傅里葉變換(fast Fourier transform，F(xiàn)FT)。采用FFT算法能使計算機計算離散傅里葉變換所需要的乘法次數(shù)大為減少，特別是被變換的抽樣點數(shù)N越多，F(xiàn)FT算法計算量的節(jié)省就越顯著?？焖俑道锶~變換FFT可以將離散傅里葉變換計算的時間復雜度優(yōu)化到O(NlogN)。本發(fā)明提供了在可變背景噪音存在的情況下檢測呼吸信號的方法。該方法通過引導使用者經過多個生物節(jié)律活動，來獲得信號檢測參數(shù)，該參數(shù)包括信噪比和濾波器的過濾特征，該參數(shù)用于從麥克風檢測到的信號中，過濾背景噪聲。將麥克風采集到的模擬信號數(shù)字化后，對數(shù)字信號進行頻譜分析，得到呼氣頻譜和吸氣頻譜。從呼氣頻譜中減去吸氣頻譜以得到凈頻譜。分析凈頻譜來測定第一頻率和第二頻率，第一頻率和第二頻率所確定的范圍之外，就是數(shù)字濾波器要濾除的范圍。濾波器的范圍(本發(fā)明為0-20)通過大量的實驗觀察得出，數(shù)字濾波器所得到結果作為目標頻域數(shù)據，是最能代表呼吸情況的頻率區(qū)域，通過濾波器濾出這一段頻率數(shù)據，對人體呼吸頻率進行分析檢測。

本發(fā)明提供的技術方案是：

一種利用智能手機檢測人體呼吸頻率的方法，該方法基于傅里葉變換，通過智能手機采集聲音信號來感應人體的呼吸動作，通過計算得到人體的呼吸頻率，包括如下步驟：

1)通過智能手機采集聲音信號，用于感應人體的呼吸動作；所述聲音信號包括呼吸氣流震蕩產生的聲音信號；

2)通過基于傅里葉變換的音頻數(shù)據處理方法，對采集到的聲音信號從時域信號轉換為頻域信號，并識別出一次完整的呼吸動作，包括：

2.1)在目標頻域中找出最能代表呼吸分量的頻域特征的頻點組合，識別采集到的聲音信號中是否存在呼吸分量；

具體地，需要找到呼吸分量所對應的頻譜范圍；在呼吸分量的頻域范圍內，確定目標頻域；在目標頻域中找出最能代表呼吸分量的頻域特征的頻點組合；從而識別采集到的聲音信號中是否存在呼吸分量；

2.2)通過上述頻點組合設定頻域信號的上限閾值和下限閾值，識別出一次完整的呼吸動作；

3)對完整的呼吸動作進行計數(shù)，得到完整的呼吸動作的次數(shù)，作為當前的呼吸次數(shù)；

4)通過呼吸頻率計算方法，根據當前的呼吸次數(shù)和一段時間以前的呼吸次數(shù)，計算得到用戶的呼吸頻率。

針對上述利用智能手機檢測人體呼吸頻率的方法，進一步地：

步驟1)通過手機自帶的麥克風，或者插在手機3.5mm音頻接口的耳機的麥克風，采集呼吸氣流震蕩產生的聲音信號，從而完成對人體呼吸動作的感知。

步驟2.1)中，識別采集到的聲音信號中是否存在呼吸分量的方法具體包括如下步驟：

2.1.1)將采集到的聲音信號通過快速傅里葉變換FFT方法從時域轉換到頻域，分析該聲音信號的頻域特性，得到采集到的聲音信號的頻域序列，找出能夠代表呼吸分量的頻譜范圍，作為呼吸頻率分量所對應的目標頻域；

2.1.2)通過實驗在呼吸分量所對應的頻譜范圍內，找出能夠代表呼吸分量的頻域特征的頻點(組合)，該頻點(組合)即代表了呼吸分量的存在。

步驟2.2)中識別出一次完整的呼吸動作，具體是：檢查目標頻域數(shù)據中的頻點的能量值，如果呼吸未開始，而且目標頻域中的頻點能量值有大于設定的上限閾值的，則判斷為呼吸已開始，設為呼吸開始狀態(tài)；如果呼吸已開始，而且目標頻域中的頻點能量值全部小于設定的下限閾值，則判斷呼吸已結束，設為呼吸結束狀態(tài)。如果連續(xù)經歷了呼吸開始狀態(tài)和呼吸結束狀態(tài)，則記錄為一次完整的呼吸。

步驟2.2)設定上限閾值和下限閾值，具體是基于識別呼吸分量的頻點組合來設定的，上限閾值為該組頻點組合的平均能量峰值的80％；下限閾值為該組頻點組合的平均能量峰值的20％

步驟4)中，呼吸頻率計算方法具體包括如下步驟：

4.1)通過一個累加器，把每次檢測到的完整呼吸動作記錄下來，進行呼吸次數(shù)的累加；

4.2)通過一個長度設為L的隊列緩存當前的呼吸次數(shù)，從隊尾進入隊列，此時隊首是在一段時間之前的呼吸次數(shù)；

4.3)通過一個計時器，以秒為單位進行出隊入隊的操作，每次入隊的同時，進行出隊；

4.4)計算隊首元素和隊尾元素的差值，就是L秒內的呼吸次數(shù)，從而得到L秒時間內的平均的呼吸頻率。

與現(xiàn)有技術相比，本發(fā)明的有益效果是：

本發(fā)明提供一種利用智能手機基于傅里葉變換的人體呼吸頻率檢測方法，通過使用智能手機完成對用戶呼吸頻率的測量，無需使用任何昂貴的醫(yī)療設備，也不用借助任何的電子器材。本發(fā)明關注的是用戶在運動中的呼吸頻率，即給用戶提供了一種可以度量有氧運動強度的衡量依據，而不是關注呼吸信號的病理特征?；谝苿踊ヂ?lián)網的發(fā)展和智能手機的普及，通過本發(fā)明提供的技術方案，任何用戶都可以在任何時候對自己的呼吸頻率進行測量，而無需投入高價的設備成本。本發(fā)明簡單易行，可被普通用戶大范圍使用。

附圖說明

圖1為本發(fā)明提供的通過智能手機獲得用戶呼吸頻率的檢測方法的流程框圖。

圖2為本發(fā)明實施例中音頻數(shù)據處理方法的流程框圖。

圖3為本發(fā)明實施例中呼吸記錄模塊的流程框圖。

圖4為本發(fā)明實施例中呼吸頻率計算模塊的流程框圖。

圖5為本發(fā)明實施例中通過MatLab的FFT函數(shù)得到的安靜環(huán)境下音頻信號的頻譜圖；

圖6為本發(fā)明實施例中通過MatLab的FFT函數(shù)得到的安靜環(huán)境下用戶有較強呼吸時的音頻信號的頻譜圖；

圖7為本發(fā)明實施例中通過MatLab的FFT函數(shù)得到的嘈雜環(huán)境下的音頻信號的頻譜圖；

圖8為本發(fā)明實施例中通過MatLab的FFT函數(shù)得到的嘈雜環(huán)境下用戶有較強呼吸時的音頻信號的頻譜圖；

圖9為本發(fā)明實施例中通過MatLab的FFT函數(shù)得到的嘈雜環(huán)境下有無呼吸分量時的音頻信號頻域的對比圖；

圖5～圖9中，采樣點數(shù)為N(實施例中N＝256)；FFT之后得到的變換結果為采樣點的模值，縱坐標為橫坐標相應采樣點的頻率值下的幅度特性。

具體實施方式

下面結合附圖，通過實施例進一步描述本發(fā)明，但不以任何方式限制本發(fā)明的范圍。

本發(fā)明提供一種利用智能手機基于傅里葉變換的人體呼吸頻率檢測方法，包括如下步驟：

1)通過智能手機采集聲音信號，用于感應人體的呼吸動作；所述聲音信號包括呼吸氣流震蕩產生的聲音信號；

2)對采集到的聲音信號，通過音頻數(shù)據處理方法識別出一次完整的呼吸動作，包括：

2.1)識別采集到的聲音信號中是否存在呼吸分量；

具體地，需要找到呼吸分量所對應的頻譜范圍；在呼吸分量的頻域范圍內，確定目標頻域；在目標頻域中找出最能代表呼吸分量的頻域特征的頻點組合；從而識別采集到的聲音信號中是否存在呼吸分量；

2.2)基于上述可以從混合音頻信號中識別呼吸分量的頻點組合，通過給該組頻點組合設定上限閾值和下限閾值，來識別出一次完整的呼吸動作；

3)對完整的呼吸動作進行計數(shù)，得到完整的呼吸動作的次數(shù)，作為當前的呼吸次數(shù)；

4)通過呼吸頻率計算方法，根據當前的呼吸次數(shù)和一段時間以前的呼吸次數(shù)，計算得到用戶的呼吸頻率。

本實施例中，首先通過手機感應人體的呼吸動作?，F(xiàn)有智能手機支持許多的可以感知周邊環(huán)境信息的傳感器，比如加速度傳感器、陀螺儀傳感器、磁力傳感器、光線傳感器等，但硬件上并不存在可以直接感知人體呼吸的呼吸傳感器。因此不能直接利用現(xiàn)有的手機硬件去感應人體的呼吸動作。一次完整的呼吸包括兩個部分：呼氣和吸氣。其中呼吸的時候會有氣流從人體口鼻處噴出，于是可以通過感知呼氣時的氣流，來間接的感知人體的呼吸動作。從而用智能手機感知人體呼吸動作的問題，就轉變?yōu)榱巳绾胃兄魵鈿饬鞯膯栴}。

呼吸氣流本身會產生空氣的震蕩，空氣的震蕩就會有聲音。比如當呼吸急促的時候，就會聽到明顯的喘息聲音，這就是源于空氣震蕩的氣流的聲音。因此，可以通過手機自帶的麥克風，或者插在手機3.5mm音頻接口的耳機的麥克風，去采集呼吸氣流震蕩產生的聲音，從而完成對人體呼吸動作的感知。

由于麥克風采集到的聲音，是周邊環(huán)境中的所有的聲音，不會只有呼吸氣流所產生的聲音。因此本發(fā)明所研究的第二個問題是如何在一個混合聲音的信號中，去識別是否存在呼吸聲音的分量。如果我們播放麥克風所采集下來的聲音信號，只要有環(huán)境的背景雜音在，那么 無論是否存在呼吸分量的聲音，我們都無法聽得出來。因此，在時域中對聲音信號的處理，不足以從中識別出呼吸聲音的分量，必須轉換到頻域中，去分析其頻域特性?；旌系穆曇粜盘枺陬l域中，會呈現(xiàn)出各自的頻域分量。在實施中，通過多種情況下多次呼吸采樣進行實驗，將聲音信號從時域變換到頻域，觀察頻譜特征和對應的頻譜范圍，找出可以表征其狀態(tài)的頻點組合。因此，可以通過大量的實驗去找到呼吸分量所對應的頻譜范圍，就可以觀察這個范圍內的頻譜特性的變化，從而判斷是否存在呼吸分量。但是混合音頻信號中，由于包含很多未知的聲音信號，其頻域范圍可能和呼吸信號的頻域范圍相重疊，因此不能直接把呼吸分量的頻域范圍內的頻譜，就作為在混合信號中判斷存在呼吸分量的依據。還要經過大量的實驗，在存在各種雜音的情況下，在呼吸分量的頻域范圍內，找出最能代表呼吸分量的頻域特征的頻點的組合。即這些頻點所體現(xiàn)出的幅度值或者能量值的組合，無論在何種噪音頻譜的干擾疊加之下，都可以正確的判斷出呼吸信號存在與否。

在可以從混合的音頻信號中識別出是否存在呼吸分量之后，需要通過監(jiān)測識別一次完整的呼吸動作，從而對于呼吸動作進行計數(shù)。由于呼吸動作是一段時間內的持續(xù)性的行為，并且具有周期性，因此可以通過識別呼吸開始狀態(tài)和呼吸終止狀態(tài)，從而判斷出一次完整的呼吸?；谏鲜隹梢詮幕旌弦纛l信號中識別呼吸分量的頻點組合，給予該組頻點組合不同的閾值；閾值包括上限閾值和下限閾值；在一次呼吸過程中，上限閾值是在該組頻點組合的平均峰值的80％；下限閾值是在該組頻點組合的平均峰值的20％。呼吸狀態(tài)開始和結束的切換具體是：如果當前狀態(tài)為呼吸結束狀態(tài)，則該組頻點幅度值都大于某個上限閾值，則表明混合聲音信號中存在呼吸分量，作為判斷呼吸開始狀態(tài)的依據；如果當前狀態(tài)為呼吸開始狀態(tài)，則如果該組頻點幅度值都小于某個下限閾值，則說明此時的混合音頻信號中已不存在呼吸分量，作為判斷呼吸結束狀態(tài)的依據。每當按次序檢測出一次呼吸開始狀態(tài)與一次呼吸結束狀態(tài)，則完成了一次完整的呼吸動作的檢測。

基于上述的從混合音頻信號中識別一次完整呼吸動作的方法，本發(fā)明還研究了如何通過手機對呼吸進行頻域的計算。即先通過一個累加器，把每次檢測到的完整呼吸過程記錄下來，進行數(shù)量的累加。然后通過一個隊列來緩存在不同時間點的呼吸次數(shù)，即當前的呼吸次數(shù)，從隊尾進入隊列，此時隊首的是在一段時間之前的呼吸次數(shù)。然后使用一個計時器，以秒為單位進行出隊入隊的操作。即隊列的長度L，就是計算頻域所需要的時間段的值，隊首元素為當前時間點的呼吸次數(shù)，隊尾元素為在隊列長度L秒之前的呼吸次數(shù)。每次入隊的同時，進行出隊，然后計算隊首元素和隊尾元素的差值，就是L秒內的呼吸次數(shù)。用得到的L秒內 的呼吸次數(shù)，再除以時間L秒，就是這L秒的一個平均的呼吸頻率。到此本發(fā)明已將呼吸次數(shù)轉變?yōu)榱艘欢螘r間內的平均的呼吸頻率。

圖1是本發(fā)明通過手機獲得用戶呼吸頻率的檢測方法的流程框圖，該方法中，手機安裝的是安卓系統(tǒng)，音頻信號輸入數(shù)據為外界的聲音信號。首先要把外界的聲音信號進行采集，選擇適當?shù)牟蓸勇?，選擇適當?shù)木幋a方式，并存儲到安卓系統(tǒng)中的一片數(shù)據緩存區(qū)中。然后每次從該數(shù)據緩存區(qū)中讀取一部分音頻數(shù)據，進行后續(xù)的實時處理，直到該數(shù)據緩存區(qū)中的所有音頻數(shù)據都被讀取完畢為止，該算法結束，得到用戶的呼吸頻率。后續(xù)的實時處理包括兩個模塊：音頻數(shù)據處理模塊和呼吸頻率計算模塊。其中音頻數(shù)據處理模塊對每次從緩存區(qū)中取出來的數(shù)據進行處理，判斷是否有呼吸分量的存在，以及計算當前的呼吸次數(shù)；呼吸頻率計算模塊，根據當前的呼吸次數(shù)以及一段時間以前的呼吸次數(shù)，計算出用戶的呼吸頻率。

圖2為音頻數(shù)據處理模塊采用的音頻數(shù)據處理方法的流程框圖。

音頻數(shù)據處理模塊以從緩存區(qū)域中每次讀取出來的一段音頻數(shù)據為輸入，其最關鍵的技術是如何在音頻信號中判斷是否有呼吸分量的存在。音頻信號來自于手機的麥克風或者耳機的麥克風，周邊環(huán)境中所有的聲音分量都會包含在該信號中，我們在時域中無法判斷是否存在呼吸分量。因此，本發(fā)明中音頻數(shù)據處理通過傅立葉變換將時域信號轉化為頻域信號，在頻域中分析音頻信號的頻譜特性。

連續(xù)信號以及連續(xù)信號的傅立葉變換，都是連續(xù)函數(shù)，但數(shù)字系統(tǒng)只能處理長度有限的離散信號。因此，為了使用計算機進行數(shù)據處理，必須將時域中的連續(xù)信號和其在頻域中的連續(xù)頻率都進行離散化處理，再建立對應的傅立葉變換關系。因此本發(fā)明選用離散傅立葉變換(Discrete Fourier Transform，縮寫為DFT)。

傅里葉變換(Fourier transform)源自對傅里葉級數(shù)的研究。在對傅里葉級數(shù)的研究中，復雜的周期函數(shù)可以用一系列簡單的正弦、余弦波之和表示。傅里葉變換是對傅里葉級數(shù)的擴展，不僅局限于周期函數(shù)，而是將傅里葉級數(shù)的思想結合極限的分析方法拓展到了非周期函數(shù)，即將非周期函數(shù)的傅里葉級數(shù)看成周期趨近于無窮大的周期信號的傅里葉級數(shù)，從而誕生出了傅里葉變換。傅里葉變換就成為了鏈接時域和頻域的橋梁。

由于數(shù)字電路在采集自然界的模擬信號的時候，都會通過采樣來將原本連續(xù)的模擬信號轉變?yōu)殡x散的數(shù)字信號，因此需要采用離散時間傅里葉變換(DTFT，Discrete-time Fourier Transform)，去分析離散信號的頻域特征。離散時間傅里葉變換得到的頻域結果，仍然是一個連續(xù)的函數(shù)。

由于計算機系統(tǒng)只能處理二進制的離散信號，因此數(shù)字電路對于模擬信號采樣的同時，還需要算法對離散時間傅里葉變換得到的頻域結果也進行采樣，從而就得到了時域和頻域同步采樣的離散傅里葉變換(DFT，Discrete Fourier Transform)。離散傅里葉變換就可以利用計算機系統(tǒng)去幫助處理分析時域信號的頻域特性。離散傅里葉變換的定義如下：

$X\[k\]={\Σ}_{n=0}^{N-1}x\[n\]e^{-i\frac{2\mathrm{\π}}{N}kn}k=0,1,\mathrm{2......},N-1$ (式1)

式1中，N為離散序列的周期；π為圓周率；X[k]為相應頻率的幅度(相應頻率點的模值)。

根據定義我們可以分析出，離散傅里葉變換算法的時間復雜度是O(N^2)，時間復雜度會隨著計算量的增大而顯著增大，當進行大數(shù)據量的運算時，會有較大時延。由于本發(fā)明的呼吸監(jiān)測對于實時性具有極高的要求，因此該算法不能直接運用。

根據離散傅里葉變換的對稱性等特性，我們可以得到離散傅里葉變換的等效形式——快速傅里葉變換(Fast Fourier Transform)。采用這種算法能使計算機計算離散傅里葉變換所需要的乘法次數(shù)大為減少，特別是被變換的抽樣點數(shù)N越多，F(xiàn)FT算法計算量的節(jié)省就越顯著?？焖俑道锶~變換可以將離散傅里葉變換計算的時間復雜度優(yōu)化到O(NlogN)。具體地，我們將要計算DFT的長度為N的序列，基于分治算法的思想，按照奇數(shù)位置和偶數(shù)位置，分成兩個子序列：奇序列和偶序列。從而將一個單一的DFT計算，轉化為了兩個子規(guī)模的DFT計算。每個子規(guī)模的DFT計算，可以再遞歸的進行分治。根據算法時間復雜度的主定理可知，此種實現(xiàn)方式的時間復雜度為O(n logn)。這種DFT的實現(xiàn)方式也被稱為FFT(Fast Fourier Transform)。

本發(fā)明經過FFT得到的頻域序列，找出代表呼吸頻率分量的頻譜范圍，作為目標頻域，對目標頻域數(shù)據進行后續(xù)的有關呼吸檢測的處理。

圖3為呼吸記錄模塊的流程框圖。呼吸記錄模塊主要功能是檢測一次完整的呼吸。一次呼吸的檢測包括兩部分：檢測呼吸開始狀態(tài)和呼吸結束狀態(tài)。檢查目標頻域數(shù)據中的頻點的能量值，如果呼吸未開始，而且目標頻域中的頻點能量值有大于設定的上限閾值的，則判斷為呼吸已開始，設為呼吸開始狀態(tài)；如果呼吸已開始，而且目標頻域中的頻點能量值全部小于設定的下限閾值，則判斷呼吸已結束，設為呼吸結束狀態(tài)。如果連續(xù)經歷了呼吸開始狀態(tài)和呼吸結束狀態(tài)，則記錄為一次完整的呼吸。

圖4為呼吸頻率計算模塊的流程框圖。呼吸頻率計算模塊需要把音頻數(shù)據處理模塊輸出的“檢測出一次完整的呼吸”的信息，轉換成實時的呼吸頻率。首先對音頻數(shù)據處理模塊輸 出的呼吸信息進行累加計數(shù)，作為當前的呼吸次數(shù)。然后使用一個長度為L(實施例中L＝5)的滑動窗口，來保存連續(xù)L個時間點的實時的呼吸次數(shù)。當滑動窗口初始化完畢，其長度等于L以后，窗口不斷前移。每次窗口前移，位于窗口頭部的數(shù)據就會滑出窗口，該數(shù)據就是L時間之前的呼吸次數(shù)。利用L時間之前的呼吸次數(shù)和當前的呼吸次數(shù)，就可以得到L時間內的呼吸次數(shù)，進而就得到了時間L內的平均呼吸頻率——次/分鐘。

自此，就完成了從麥克風采集進來的聲音信號，得到用戶的呼吸頻率。

圖5～圖9中，假設采樣頻率為fs，信號的物理頻率為f，采樣點數(shù)為N(實施例中N＝256)；那么FFT之后得到的變換結果為采樣點的模值，為該采樣點頻率值下的幅度特性；縱坐標表征該采樣點頻率值下的信號的真實振幅值，真實振幅是變換結果乘以2除以N；每個采樣點對應一個頻率點；橫坐標為采樣點信號的物理頻率，第k個采樣點對應的物理頻率為：2π*k*8000/256Hz，其中對音頻信號的采樣頻率是8000Hz，對頻域以256點均勻采樣。

圖5為在安靜環(huán)境下聲音信號的頻譜特性。從圖中可以看到，由于環(huán)境安靜，以及用戶的呼吸比較平緩，麥克風感應不到任何的聲音。因此在整個頻域范圍內，所有頻點的能量都幾乎是0，只存在分布于整個頻帶范圍內的白噪聲。

圖6為在安靜環(huán)境下用戶進行有一定強度的呼吸時的聲音信號的頻譜特性。從圖中可以看到，呼吸信號分量出現(xiàn)在整個頻域范圍的低頻部分。由于呼吸信號分量以及聲音信號，都可以被抽象為一個隨機過程，其頻域特性會隨著時間t而變化。因此需要在呼吸分量頻譜中，尋找最具有特征的頻點或者最具有特征的幾個頻點的組合，作為當存在其他聲音分量時，從頻域中識別此呼吸分量的依據。

圖7為在嘈雜環(huán)境下的聲音信號的頻譜特性。從圖中可以看出，聲音信號分量成分復雜，隨機性很強。也再次說明要在這種具有多種聲音分量的嘈雜環(huán)境中，去識別出呼吸分量，必須要找到最具有特征的頻點或者幾個頻點的組合。

圖8為在嘈雜環(huán)境下用戶進行有一定強度呼吸時的聲音信號的頻域特性。與圖7相對比，可以看到，由于聲音信號是一個隨機過程，在不同的時刻，其頻譜特性差別很大，而且隨機性很強。

本實施例中，在低頻部分，可以看到有3個比較明顯的頻點(分別為頻點2、10和17)的能量增益。頻譜范圍具體通過如下方法獲得：在安靜環(huán)境下，對著手機劇烈呼吸，整個頻域中只要不為0的范圍就是呼吸分量的頻譜范圍，根據圖6可以看到頻譜范圍是1-116；因此，呼吸分量頻譜范圍實測為：1-116范圍；在呼吸分量頻譜1-116范圍內，在頻點2、10、17處 隨著呼吸過程，出現(xiàn)明顯能量增大，頻點能量會超過閾值A(閾值A設為在頻點組合2、10、17處的平均峰值的80％)；而不對著手機呼吸時，環(huán)境中的雜音在2、10、17處的能量遠不到閾值A。具體地，本實施例分別分析了安靜環(huán)境、在安靜環(huán)境下用戶進行有一定強度的呼吸時、嘈雜環(huán)境和在嘈雜環(huán)境下用戶進行有一定強度呼吸時的聲音信號的頻域特性，分別如圖5、圖6圖7和圖8所示，經分析，將采樣頻點1-20這部分低頻區(qū)域，作為監(jiān)測用戶呼吸的目標頻域。采樣頻點1-20這部分低頻區(qū)域是在大量的實驗數(shù)據中，發(fā)現(xiàn)該頻段在有無呼吸時變化明顯，可以比較好的用來作為一次呼吸的評判依據。例如，本發(fā)明實施過程中，在一次試驗中，嘈雜環(huán)境中的無呼吸的FFT圖中1-20點內的幅度范圍為：[0.15：3.26]，波形比較平穩(wěn)；20-256范圍內的幅度范圍為：[0.01:26.07]，波形比較無規(guī)則。嘈雜環(huán)境下呼吸的FFT圖中1-20點內的幅度范圍為：[1.11:10.67],；20-256范圍內的幅度范圍為：[0.04:19.78]。嘈雜環(huán)境下有呼吸時和沒有呼吸時的FFT對比圖也可以看出，兩者在0-20點范圍內的變化比較大而且特征明顯。另外在0-20頻段又以2、10、17這三個頻點變化尤其大(沒有呼吸時分別為：2.05、1.3、3.36，有呼吸時為：10.67、10.34、10.23)，所以在本實例中主要依據此三個頻點組合來判定呼吸是否開始。

在目標頻域內，如果有頻點大于上限閾值(本實施例取2、10、17三點峰值的平均值的80％)，或者總有3個頻點大于此上限閾值，則認定此目標頻域內出現(xiàn)呼吸分量，進入呼吸開始狀態(tài)。如果在此目標頻域內，所有頻點能量值都小于下限閾值，則認為目標頻域內已經不存在呼吸分量，即當前音頻信號中，已經沒有呼吸分量部分，進入呼吸結束狀態(tài)。本實施例設定在2、10、17處三個頻點峰值都超過幅度5時，表明此時是呼吸狀態(tài)而不是噪雜環(huán)境；下限閾值為一次呼吸過程中，在2、10、17處三個頻點的平均峰值的20％；例如，采樣頻點2、7、17處能量峰值分別為a、b和c，則下限閾值為0.2*(a+b+c)/3，如果2、7、17處三個頻點的能量同時低于下限閾值，就判定呼吸結束。

圖9為嘈雜環(huán)境中，是否具有呼吸分量的一個對比圖。從圖中我們可以看出，目標頻域1-20采樣頻點范圍內，有呼吸分量和沒有呼吸分量時的頻點能量的差別。因此該呼吸監(jiān)測算法可以準確的監(jiān)測用戶的呼吸頻率，但受到麥克風等硬件的限制，對于用戶的平緩的呼吸無法監(jiān)測，只能監(jiān)測用戶在運動中的有一定強度的呼吸。

需要注意的是，公布實施例的目的在于幫助進一步理解本發(fā)明，但是本領域的技術人員可以理解：在不脫離本發(fā)明及所附權利要求的精神和范圍內，各種替換和修改都是可能的。 因此，本發(fā)明不應局限于實施例所公開的內容，本發(fā)明要求保護的范圍以權利要求書界定的范圍為準。