本發明屬于智能睡眠輔助設備控制，特別是涉及一種基于深度學習算法的電動床的控制方法及系統。

背景技術：

1、現有電動床的鼾聲檢測技術通常依賴單一麥克風采集音頻，并通過閾值法或傳統聲學特征(如mfcc)判斷鼾聲。但在動態噪聲環境(如空調聲、伴侶翻身聲、環境對話)下，鼾聲與非鼾聲的頻譜特征高度重疊，導致誤觸發率高。例如，咳嗽聲或環境噪聲可能被誤判為鼾聲，引發床體姿態錯誤調節，影響用戶體驗。

2、此外，現有深度學習模型缺乏對用戶個性化聲紋特征的適配能力，難以在多人共眠場景中區分目標用戶與其他聲源。

技術實現思路

1、基于此，有必要針對上述技術問題，提供一種基于深度學習算法的電動床的控制方法及系統。

2、第一方面，本申請提供了一種基于深度學習算法的電動床的控制方法，包括：

3、s1：采集電動床上的環境音頻信號，并對環境音頻信號進行動態噪聲抑制處理，生成增強音頻信號；

4、s2：基于增強音頻信號進行用戶聲紋特征注冊與動態更新處理，生成個性化聲紋模板；

5、s3：結合個性化聲紋模板，通過深度學習模型對增強音頻信號進行鼾聲特異性識別處理，生成鼾聲概率判定結果；

6、s4：基于鼾聲概率判定結果，協同體動傳感器監測數據與呼吸監測傳感器監測數據，生成床體調節決策指令；

7、s5：根據床體調節決策指令，對電動床的床頭角度進行自適應調節。

8、第二方面，本申請還提供了一種基于深度學習算法的電動床的控制系統，包括：

9、音頻信號采集與增強模塊，用于采集電動床上的環境音頻信號，并對環境音頻信號進行動態噪聲抑制處理，生成增強音頻信號；

10、聲紋特征處理模塊，用于基于增強音頻信號進行用戶聲紋特征注冊與動態更新處理，生成個性化聲紋模板；

11、鼾聲識別判定模塊，用于結合個性化聲紋模板，通過深度學習模型對增強音頻信號進行鼾聲特異性識別處理，生成鼾聲概率判定結果；

12、床體調節決策生成模塊，用于基于鼾聲概率判定結果，協同體動傳感器監測數據與呼吸監測傳感器監測數據，生成床體調節決策指令；

13、床體調節模塊，用于根據床體調節決策指令，對電動床的床頭角度進行自適應調節。

14、第三方面，本申請還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現如第一方面中的一種基于深度學習算法的電動床的控制方法。

15、第四方面，本申請還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如第一方面中的一種基于深度學習算法的電動床的控制方法。

16、上述的一種基于深度學習算法的電動床的控制方法及系統，通過對環境音頻信號進行動態噪聲抑制處理并結合用戶聲紋特征注冊與動態更新生成個性化聲紋模板，利用深度學習模型對增強音頻信號進行鼾聲特異性識別，并協同體動與呼吸傳感器數據生成調節決策，最終通過漸進式角度調節機制，在復雜噪聲環境下精準區分用戶鼾聲與非目標聲源，有效降低誤觸發率，實現床體姿態的自適應調節，從而改善用戶睡眠呼吸質量并保障調節過程的安全性及舒適性。

技術特征：

1.一種基于深度學習算法的電動床的控制方法，其特征在于，所述方法包括：

2.根據權利要求1所述的方法，其特征在于，所述s1包括：

3.根據權利要求1所述的方法，其特征在于，所述s2包括：

4.根據權利要求1所述的方法，其特征在于，所述s3包括：

5.根據權利要求1至4任意一項所述的方法，其特征在于，所述s5包括：

6.一種基于深度學習算法的電動床的控制系統，其特征在于，所述系統包括：

7.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至5中任一項所述的方法。

8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至5中任一項所述的方法。

技術總結
本申請涉及一種基于深度學習算法的電動床的控制方法及系統。所述方法通過對環境音頻信號進行動態噪聲抑制處理并結合用戶聲紋特征注冊與動態更新生成個性化聲紋模板，利用深度學習模型對增強音頻信號進行鼾聲特異性識別，并協同體動與呼吸傳感器數據生成調節決策，最終通過漸進式角度調節機制，在復雜噪聲環境下精準區分用戶鼾聲與非目標聲源，有效降低誤觸發率，實現床體姿態的自適應調節，從而改善用戶睡眠呼吸質量并保障調節過程的安全性及舒適性。

技術研發人員：陳檳
受保護的技術使用者：席夢思床褥家具（蘇州）有限公司
技術研發日：
技術公布日：2025/4/28