在我对识别打鼾的永无止境的探索中，我发现“光谱平坦度”似乎是衡量信号“质量”的公平标准。
我正在计算频谱平坦度作为 FFT 功率的几何平均值数据点除以相同点的算术平均值。
然后我（这里有点扭曲）正在计算光谱平坦度的运行（超过 50 帧）算术平均值和标准偏差，并将“标准化”标准偏差计算为运行标准偏差除以运行平均值。
对于我的样本，我发现这个指标大于大约（范围高达左右）当音频“好”时（即，我可以可靠地跟踪睡眠对象的呼吸/打鼾声）并且它通常会滑到下面当音频“陷入困境”时。（我可以通过使用随其他因素移动的阈值来稍微改善这种歧视，但这可能是一个不同的话题。）我还观察到该措施超出了当有大量背景噪音时（例如，有人进入房间并沙沙作响）。
所以，我的基本问题是：我正在测量的东西是否有一个名称（除了“光谱平坦度的归一化标准偏差”），任何人都可以提供一个关于度量“意味着”的概念解释吗？
（我已经尝试了十几个其他指标来衡量信号“质量”，而这个似乎是迄今为止最好的。）
补充： 我可能应该承认我对简单的光谱平坦度测量没有特别好的概念处理（只是维基百科的文章），所以任何进一步的解释将不胜感激。
由于您对频谱的“平坦度”感兴趣，实际上，您对信号与白噪声的接近程度感兴趣（根据定义，它具有平坦的频谱 + 随机相位）。如果您退后一步，一种衡量标准是您的观察到白噪声参考的“距离”。
就信息论而言，明显的衡量标准是Kullback-Leibler 散度。您不需要了解它的每个部分，但它以位为单位（如果您使用对数基数 2）测量两个分布之间的距离。
你的情况的好处是你的参考是平坦的，所以剩下的就是你的光谱的熵。有许多现有的实现（例如在scipy中）。
请注意，您仍然是安全的：如果您的分布近似高斯，则两种度量（熵和标准差）都将成比例。然而，熵更普遍和更有原则。作为扩展，您将能够推广到其他类型的噪声（例如 1/f）。
信号（或信号的某些函数，例如其频谱）的统计数据和嵌入信号的噪声中的任何可靠一致的差异都可用于估计一个与另一个的概率。
您似乎随机发现（偶然发现）一种可能无限多的方法来表征信号频谱形状，这些方法将您想要的信号与更像是白噪声或脉冲尖峰的东西区分开来。偶然发现一个可能的随机解决方案不会使其无效（这是进化/遗传编程的基础之一）。但是，您发现的测量方法有多强大，留作实验练习。