鼾声识别：嵌入式离线鼾声检测 SDK 与睡眠健康数据新增
鼾声识别的价值（场景、流程）
全球约三分之一的人口睡眠中打鼾，中年男性中比例超过 50%。鼾声不只是"吵"——它可能是单纯性打鼾、上气道阻力综合征，甚至睡眠呼吸暂停（SAS/OSAS）的预警信号，后者影响着全球数亿人的健康。对设备厂商来说，鼾声识别是睡眠产品从"记录睡眠"走向"理解睡眠"的关键一步。
三类需求场景：
医疗健康监测 — ——鼾声特征结合心率变异性（HRV）与血氧饱和度（SpO₂）数据，辅助呼吸暂停事件筛查。记录的关键指标包括：鼾声指数（每小时次数）、单次持续时间、声强分布、频率特征，并生成专业睡眠质量报告供医生诊断参考
智能家居 — ——智能床垫实时调床头角度；智能枕头内置充气装置调整睡姿；智能空调根据鼾声调节温度、湿度与新风量
移动应用 — ——仅凭一部手机即可低成本监测整夜鼾声，自动识别异常并在需要时接入专业医疗诊断流程
完整的夜间闭环：持续采集 → 鼾声事件检测 → 整夜统计（时长/次数/占比）→ 严重程度分级 → 睡眠报告与（中度以上）止鼾干预。全部在设备端完成，音频不出设备。
鼾声的特点（时域与频域）
时域特征
与呼吸周期同步的周期性 — ——约 2–4 秒一个周期；吸气与呼气阶段能量分布不同
准周期包络 — ——相邻周期振幅变化平缓
单次持续 0.5–2 秒 — ——能量呈典型三段式：起始段快速上升 → 中间段相对稳定 → 结束段缓慢衰减
频域特征
基频约 80–120Hz — ——主要能量集中在 **100–850Hz** 频带，高频分量最高约 2000Hz
3–5 个明显谐波 — ——能量随频率升高逐级衰减，形成特征频谱包络
频带占比 — ——低频段 40–60%、中频段 30–40%、高频段不超过 10%
下图为一条真实鼾声音频——上为波形图、下为梅尔频谱图，可以看到与呼吸同步的周期性事件及低频集中的能量分布：
试听素材（真实样本，点击播放）：
🔊 真实鼾声样本
🔊 另一段鼾声样本
这些特征决定了检测思路：不是"听出像打鼾的声音"，而是识别出一串与呼吸同步的事件。
识别方法：预处理 → 特征提取 → 算法
信号预处理
原始音频先降噪，再分帧处理：
帧长 25ms — ——保证信号的短时平稳性
帧移 10ms — ——确保帧间信息连续性
汉明窗 — ——减少频谱泄漏
特征提取
时域 — ——短时能量（强度变化）、过零率（频率特性）、自相关系数（周期性）
频域 — ——MFCC（模拟人耳听觉特性）、频谱质心（频率分布重心）、频带能量比（能量分布特征）
识别算法
引擎以"事件"为工作单位，而非逐帧标注：
1. 先定位事件——检测能量爆发，输出每次鼾声的起止时间与强度
2. 周期性验证——真正的鼾声成串出现、跟随呼吸节律；孤立的突发声（翻身、咳嗽、床架响声）不成序列，被排除
3. 个体泛化——训练覆盖年龄、性别、体型差异，同时抑制空调、风扇、雨声等持续背景噪声
难点所在
个体差异大；持续背景噪声长期存在；还需把鼾声与呼吸声、体动声、床架声区分开。事件化分析 + 针对性负样本训练是应对这三者的工程答案。
准确率与性能
注：文中性能指标基于内部测试环境，实际表现取决于硬件配置与使用场景。
系统与数据呈现
引擎输出事件流（时间点与强度）；应用层完成整夜统计、严重程度分级，并渲染睡眠报告。
一份睡眠报告通常包含：整夜事件时间线、总时长与次数对照基线、周趋势——长期视角让"变化"变得有意义。
产品形态
床边监测仪（以声学为主、免接触）、智能床垫与智能枕头（睡眠数据 + 物理干预）、可穿戴设备（腕上初筛）、以及专用止鼾设备（实时检测驱动干预动作）。
运行平台与硬件要求
模型运行在睡眠产品常见的低功耗平台上——从 100MHz 主频级芯片起步，INT8 模型在 0.2–1MB 以内，与设备主业务共享 SoC 资源。
C 接口与嵌入式集成
鼾声识别库提供简洁的流式 C 接口：调用方只需持续送入 16kHz 单声道 PCM，拼帧、Mel 预处理与模型推理全部在内部完成，帧级概率经报警策略聚合成「鼾声事件」回调输出。
完整接口声明（snore_detect.h）：
/**
* snore_detect.h — 鼾声识别统一接口
*
* 封装 Mel 预处理 + 推理引擎 + 报警策略, 内部模型消费线程处理音频。
* 与录音模块 (audio_capture.h) 相互独立: 调用者自行决定音频来源
* (录音回调 / wav 文件 / 网络流), 通过 snore_detect_feed 送入, 数据任意大小。
*
* 用法 (实时录音模式):
* snore_detect_t *d = snore_detect_create(mgk_path, NULL, NULL);
* snore_detect_set_listener(d, on_frame, on_onset, on_offset, NULL);
* snore_detect_start(d); // 启动内部模型消费线程
* audio_capture_start(rec, capture_cb, d); // 录音回调里调 snore_detect_feed
* ...
* snore_detect_stop(d); // 排空缓冲, 停止线程
* snore_detect_destroy(d);
*
* 用法 (wav 文件模式):
* snore_detect_t *d = snore_detect_create(mgk_path, NULL, NULL);
* snore_detect_set_listener(d, on_frame, on_onset, on_offset, NULL);
* snore_detect_start(d);
* 循环读文件: snore_detect_feed(d, pcm, n); // 任意数据大小
* snore_detect_stop(d);
* snore_detect_destroy(d);
*/
#ifndef SNORE_DETECT_H
#define SNORE_DETECT_H
#include <stdint.h>
#ifdef __cplusplus
extern "C" {
#endif
/* 识别事件 (报警策略输出, 用于事件结束回调) */
typedef struct {
float start_time; /* 事件开始时间 (秒) */
float end_time; /* 事件结束时间 (秒) */
float confidence; /* 事件置信度 */
float max_confidence; /* 事件内最大帧置信度 */
int frame_count; /* 事件持续帧数 */
} snore_detect_event_t;
/* 帧级回调: 每帧识别结果 (模型线程内执行) */
typedef void (*snore_detect_frame_cb_t)(float snore_prob, float timestamp,
void *user_data);
/* 事件开始回调: 策略判定鼾声事件开始, 只有开始时间 */
typedef void (*snore_detect_onset_cb_t)(float start_time, void *user_data);
/* 事件结束回调: 策略判定鼾声事件结束 (或停止识别时未结束的事件), 完整事件信息 */
typedef void (*snore_detect_offset_cb_t)(const snore_detect_event_t *event,
void *user_data);
typedef struct snore_detect_s snore_detect_t;
/* 创建/销毁; alarm_name/alarm_params 可传 NULL (用默认策略及参数) */
snore_detect_t *snore_detect_create(const char *mgk_path, /* 模型文件路径 (必填) */
const char *alarm_name, /* 报警策略名, NULL=默认 */
const char *alarm_params); /* 策略参数 key=val,key=val, NULL=默认 */
void snore_detect_destroy(snore_detect_t *det);
/* 设置事件回调 (create 后调用, 也可在运行中调整); 不需要的回调传 NULL */
void snore_detect_set_listener(snore_detect_t *det,
snore_detect_frame_cb_t on_frame,
snore_detect_onset_cb_t on_onset,
snore_detect_offset_cb_t on_offset,
void *user_data);
/* 启动/停止识别: 启动内部模型消费线程 / 排空缓冲后停止线程 */
int snore_detect_start(snore_detect_t *det);
void snore_detect_stop(snore_detect_t *det);
int snore_detect_is_running(snore_detect_t *det);
/* 设置事件识别策略 (可在运行中调整) */
int snore_detect_set_alarm(snore_detect_t *det, const char *alarm_name,
const char *alarm_params);
/* 送入 PCM 数据 (16bit 单声道 16kHz), 线程安全, 任意数据大小 */
int snore_detect_feed(snore_detect_t *det, const int16_t *pcm, int num_samples);
#ifdef __cplusplus
}
#endif
#endif /* SNORE_DETECT_H */最简 wav 推理示例（节选，完整文件位于 SDK 的 src/snoreDetect/c/snore_demo.c）：
#include <stdio.h>
#include <stdlib.h>
#include <stdint.h>
#include "snore_detect.h"
#define DEFAULT_MGK "snore_detect_v7.mgk" /* 模型文件 */
#define DEFAULT_WAV "test_snore.wav" /* 16kHz 单声道 16bit PCM */
#define FEED_CHUNK 16000 /* 每次送入 1 秒音频 */
/* 帧级回调: 每帧输出鼾声概率 (约 1 秒一帧) */
static void on_frame(float snore_prob, float timestamp, void *user_data)
{
(void)user_data;
printf("%8.2fs snore=%.4f\n", timestamp, snore_prob);
}
/* 事件开始回调: 策略判定鼾声事件开始 */
static void on_onset(float start_time, void *user_data)
{
(void)user_data;
printf("[EVENT] snore start at %.2fs\n", start_time);
}
/* 事件结束回调: 应用层可据此做整夜统计或分级响应 */
static void on_offset(const snore_detect_event_t *ev, void *user_data)
{
(void)user_data;
printf("[EVENT] snore end at %.2fs (dur=%.2fs, conf=%.3f, frames=%d)\n",
ev->end_time, ev->end_time - ev->start_time,
ev->confidence, ev->frame_count);
}
static int read_wav_pcm(const char *path, int16_t **pcm, int *n, int *sr); /* 完整实现见源文件 */
int main(void)
{
snore_detect_t *det;
int16_t *pcm = NULL;
int num_samples = 0, sample_rate = 0;
int pos;
if (read_wav_pcm(DEFAULT_WAV, &pcm, &num_samples, &sample_rate) != 0)
return 1;
/* 1. 创建识别器: .mgk 模型 + 默认报警策略 (NULL) */
det = snore_detect_create(DEFAULT_MGK, NULL, NULL);
if (!det) return 1;
/* 2. 注册回调 (均为可选) */
snore_detect_set_listener(det, on_frame, on_onset, on_offset, NULL);
/* 3. 启动内部模型消费线程 */
snore_detect_start(det);
/* 4. 分块送入 PCM; 实时录音时改在录音回调里 feed */
for (pos = 0; pos < num_samples; pos += FEED_CHUNK) {
int n = num_samples - pos;
if (n > FEED_CHUNK) n = FEED_CHUNK;
snore_detect_feed(det, pcm + pos, n);
}
/* 5. 停止并销毁 */
snore_detect_stop(det);
snore_detect_destroy(det);
free(pcm);
return 0;
}编译与运行（示例）：
$(CC) snore_demo.c -I. -L. -lsnoredetect -lpthread -lm -o snore_demo
./snore_demo结语
鼾声识别的价值，是把整夜的呼吸事件变成可读的健康数据——以及在需要时给出真实的干预。如果你正在为睡眠产品评估鼾声识别方案，我们提供在线试用与完整的技术支持。