这是我打app应用程序的一个小路。

我在产生音频信号的自相关方面遇到了麻烦，看它是否与打nor /呼吸很好地“相关”。我有一个简单的算法（产生1.0作为第零个元素，这是一个好兆头），但是我想知道如何评估结果以确定自相关是否很强，以及也许进一步如何使用它来分离各种可能的声源。

问题1：自相关的RMS（跳过元素为零）是否像任何一个“质量”指标一样好，还是有更好的方法？

详细说明： 我只是想用一种数值方式（与图表“看”相比）来将高度自相关的信号与不太自相关的信号区分开。

（我不太了解要问什么其他问题。）

一些早期的结果： 在某些情况下，自相关（均方根或峰值）显示出打ore声的急剧跳跃-正是我希望看到的响应。在其他情况下，在这些测量中根本没有明显的运动（这可能是具有两个响应的两个连续打sn），而在高噪声情况下，测量实际上在打ore时会稍微下降。

更新-5月22日： 我终于有时间再做一些工作。（我从另一个应用程序退出，这确实很痛苦。）我将自相关的输出输入到FFT中，输出有些有趣-当打sn开始时，它在原点附近显示了一个相当大的峰值。

因此，现在我面临以某种方式量化此峰值的问题。奇怪的是，就绝对幅度而言，最高峰有时在其他时间出现，但我尝试了峰均值与算术平均值的比率，并且跟踪得很好。因此，有什么好的方法可以测量FFT的“峰值”。（并且请不要说我需要对其进行FFT-这东西已经快要吞噬自己的尾巴了。:)）

同样，我想到，如果我镜射输入自相关结果，中间为零（定义为1.0幅度），则FFT的质量可能会有所提高。这将把“尾巴”放在两端。这（可能）是个好主意吗？镜像应该竖直放置还是倒置？（当然，无论您说什么，我都会尝试，但是我想也许我会得到一些关于细节的提示。）

尝试过平坦度-

我的测试用例可以大致分为“行为良好”类别和“问题儿童”类别。

对于“行为良好”的测试用例，自相关的FFT的平坦度急剧下降，并且在打ore期间峰均值与平均自相关之比上升。这两个数字的比率（峰值比率除以平坦度）特别敏感，在呼吸/打no过程中会出现5-10倍的爬升。

但是，对于“问题孩子”，数字正好相反。峰/平均比略有下降，而平坦度实际上增加了50-100％

这两类之间的差异（主要是三方面）：

1. “问题儿童”中的噪音水平通常较高
2. “问题儿童”中的音频电平（几乎总是）较低
3. “有问题的孩子”往往包括更多的呼吸和更少的实际打呼（（我需要同时检测两者）

有任何想法吗？

更新-2012年5月25日： 进行胜利跳舞还为时过早，但是当我反映出某个点的自相关性，对该点进行FFT并进行频谱平坦度时，我的组合比率方案显示出几个不同的环境。反映自相关似乎可以改善FFT的质量。

但是，有一点要注意的是，由于反射的“信号”的“ DC分量”为零，因此第零个FFT结果始终为零，这有点破坏了包含零的几何平均值。但是跳过第零个元素似乎可行。

我得到的结果不足以单独识别打sn /呼吸，但这似乎是一个相当敏感的“确认”-如果我没有“跳”，则可能不是打sn /呼吸。

我没有仔细分析它，但是我怀疑正在发生的是在呼吸/打no期间某处发出了啸叫声，并且正在检测到啸叫声。

初赛

使用MATLAB包audioread，可以轻松读取/写入MP3文件，从而使演示更加容易。或者，您可以将示例中的MP3文件手动转换为WAV。

简单的情况

在检查您有问题的文件之前，让我们转到SoundCloud并抓住一个不错的打ore声，以便我们了解SNR高时会发生什么。这是一个52s立体声44.1KHz MP3。将其下载到MATLAB路径中的文件夹。

现在，让我们计算频谱图（我选择了8192个样本的Hann窗口）和频谱平坦度：

[snd1,fs1]=mp3read('snoring - brobar.mp3'); % use wavread if you converted manually
[s1,f,t,p1]=spectrogram(mean(snd1,2),hann(8192));
sf1=10*log10(geomean(p1)./mean(p1)); % spectral flatness
plot(linspace(0,length(snd1)/fs1,length(sf1)),sf1); axis tight

光谱平整度的巨大下降（即与白噪声的偏离）尖叫着“我在打nor”。我们可以通过查看与基线（中位数）的偏差来轻松对其进行分类：

stem(linspace(0,length(snd1)/fs1,length(sf1)),median(sf1)-sf1>2*std(sf1)); axis tight

我们有两个以上的净空标准差。供参考的标准变量本身是6.8487。

硬壳

现在，让我们看一下您的文件。这是一个10分钟的8KHz WAV文件。由于电平太低，因此有助于扩展信号。

[snd,fs]=wavread('recordedFile20120408010300_first_ten_minutes');
cmp=compand(snd,255,1);
wavwrite(cmp,'companded'); % used for listening purposes
[s,f,t,p]=spectrogram(snd,hann(8192));
sf=10*log10(geomean(p)./mean(p));
plot(linspace(0,600,length(sf)),sf);

看到每次打sn时伴随着的美妙倾角吗？我也不。漂亮的山峰怎么样？他们不是打呼,，而是被摄对象移动的声音。标准偏差仅为0.9388

结论

如果要依靠频谱平坦度，则需要获取更清晰的信号！我已经压扩它只是为了听到任何声音。如果检测到低SNR，则促使用户将电话放在更近的位置，或者使用麦克风（如耳机随附的电话）。

好消息是，它是可以检测即使在有问题的情况下，打呼噜。但是，由于这个问题不仅与打sn检测有关，所以我将在这里停止，并在另一个问题中说明如何执行此操作。

自相关与信号功率谱密度的逆DFT直接相关。从这个意义上讲，自相关函数中还包含DFT的大小平方中包含的任何信息。

也就是说，自相关可以告诉您的一件事是谐波的存在。（从中心峰到下一个最高峰的距离）。打VS VS呼吸可能具有不同的基本谐波，如果这样，“自相关方法”无疑将是一个很好的起点，以便可以提取特征（在这种情况下为谐波）。

因此，白噪声的自相关将是一个增量函数，并且在其中心峰之外不会有任何次要峰（或与此有关的任何其他峰）。相反，如果信号确实具有谐波，则其自相关函数将包含与存在的基波谐波相对应的次级和三次峰值。从主（中心）峰到次峰的距离，即基本频率的周期。

编辑：

我认为您所追求的是一个度量-一个数字-编码自相关函数与增量有多相似，VS自相关函数看起来有很多峰值。为此，频谱平坦度的度量可能适用，或者在更一般的情况下，几何平均值与算术平均值的度量也适用。