背景： 我正在开发一个 iPhone 应用程序（在 其他几篇 文章中提到），它在一个人睡着时“听”打鼾/呼吸，并确定是否有睡眠呼吸暂停的迹象（作为“睡眠实验室”的预屏幕）测试）。该应用程序主要使用“光谱差异”来检测打鼾/呼吸，并且在针对睡眠实验室记录（实际上非常嘈杂）进行测试时，它工作得很好（相关性约为 0.85--0.90）。
问题： 大多数“卧室”噪音（风扇等）我可以通过多种技术过滤掉，并且通常可以可靠地检测人耳无法检测到的 S/N 水平的呼吸。问题是语音噪音。在后台播放电视或收音机（或只是让远处有人说话）并不罕见，并且声音的节奏与呼吸/打鼾密切相关。事实上，我通过应用程序运行了已故作家/讲故事者比尔霍尔姆的录音，它与打鼾的节奏、水平变化和其他几个指标基本上没有区别。（尽管我可以说他显然没有睡眠呼吸暂停，至少在清醒时没有。）
所以这有点长镜头（可能还有一些论坛规则），但我正在寻找一些关于如何区分声音的想法。我们不需要以某种方式过滤掉鼾声（认为那会很好），而是我们只需要一种方法来拒绝被语音过度污染的“太吵”的声音。
有任何想法吗？
发布的文件：我在 dropbox.com 上放置了一些文件：
第一个是一段相当随意的摇滚（我猜）音乐，第二个是已故比尔霍尔姆讲话的录音。两者（我用它作为我的“噪声”样本与打鼾区分开来）都与噪声混合以混淆信号。（这使得识别它们的任务变得更加困难。）第三个文件是你真正记录的十分钟，其中前三分之一主要是呼吸，中间三分之一是混合呼吸/打鼾，最后三分之一是相当稳定的打鼾。（你会咳嗽以获得奖金。）
所有三个文件都已从“.wav”重命名为“_wav.dat”，因为许多浏览器使得下载 wav 文件变得异常困难。下载后只需将它们重命名为“.wav”。
更新：我认为熵对我来说是“诀窍”，但事实证明它主要是我使用的测试用例的特殊性，加上一个设计得不太好的算法。在一般情况下，熵对我的作用很小。
随后，我尝试了一种技术，在该技术中，我计算了整体信号幅度（我尝试了功率、频谱通量和其他几个测量值）的 FFT（使用几个不同的窗口函数），每秒采样大约 8 次（从主 FFT 周期中获取统计数据）即每 1024/8000 秒）。对于 1024 个样本，这涵盖了大约两分钟的时间范围。由于打鼾/呼吸与声音/音乐的节奏缓慢（并且这也可能是解决“可变性”问题的更好方法），我希望能够看到其中的模式，但是虽然有提示这里和那里的模式，没有什么我可以真正抓住的。
（更多信息：在某些情况下，信号幅度的 FFT 会产生一个非常明显的模式，在大约 0.2Hz 和阶梯谐波处有一个强峰值。但这种模式在大多数情况下并不是那么明显，并且语音和音乐可以产生不太明显的类似模式的版本。可能有某种方法可以计算品质因数的相关值，但似乎需要曲线拟合到大约 4 阶多项式，并且在手机中每秒执行一次似乎不切实际。）
我还尝试对我将频谱分成的 5 个单独的“波段”进行平均幅度的相同 FFT。频带是 4000-2000、2000-1000、1000-500 和 500-0。前 4 个频段的模式通常与整体模式相似（尽管没有真正的“突出”频段，并且在较高频段中通常会出现非常小的信号），但 500-0 频段通常只是随机的。
赏金： 我将赏金给内森，即使他没有提供任何新的东西，因为他是迄今为止最有成效的建议。不过，如果他们提出了一些好主意，我仍然愿意将一些积分奖励给其他人。
