1.基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于包括如下步骤：S1，通过多麦克风阵列采集两个以上测试者的鼾声信号；

S2，将鼾声信号通过谱减法进行降噪处理；

S3，通过短时能量的端点检测法识别鼾声段和噪声段；

S4，对独立鼾声与混合鼾声进行分离；

S5，分离出来的混合鼾声通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立信号，包括如下步骤：S51，观测数据是分离出来的混合鼾声，是由两个以上测试者的鼾声线性混合得到的随机变量x1,x2,…,xn：用向量矩阵符号表示x＝As，构建一个分离矩阵W，使得输出y＝Wx是声源信号S的估计；

S52，对观测数据中心化处理，使其均值为1，得到x’，中心化预处理过程是使观测变量具有零均值特性的过程：

x′＝x‑E{x}

观测数据经过中心化处理后，相应地源信号也同时变为零均值的变量，而在此过程中混合矩阵仍可以保持不变，因为：‑1

E{s′}＝A E{x′}；

S53，对观测数据白化预处理，得到p，白化过程为：如果一个零均值向量p＝(p1,p2,…，T T

pn) 元素pi之间互不相关且具有单位方差，便有：E{pp }＝I，其中I是单位矩阵，则称向量p是白的，对观察到的数据向量白化的过程相当于让观测到的数据向量与某个矩阵线性相乘：

p＝Ux’

得到一个白的向量P，白变化通过利用观测数据的协方差矩阵的特征值分解来实现：T T

E{x′x′}＝CTC

T

其中，C是以Cx’＝E{x′x′}的单位范数特征向量为列而构成的正交矩阵，T是以Cx’的相应特征值ti(i＝1,2,…,n)为对角元素的对角矩阵，即：T＝diag(t1,t2,…，tn)，由此白化矩阵：

1 T

U＝CT/2C；

S54，基于牛顿迭代法进行修正，将得到的三阶收敛法的两步法求解非线性方程，推导出更新迭代式，进行wk更新，最终得到的Wk作为W，带入y＝Wx，得到y＝(y1，y2，…，yn)的列向量输出；

负熵的近似表达式：

2

J(y)∝[E{G(y)‑G(v)}]T

其中v是标准化的高斯变量，设y＝Wp是将要估计的源信号，负熵的近似表达式即为目标函数，定义g为非二次函数G的导函数，选择自变量增长较慢的函数 在2

y标准化前提下，由Kuhn‑Tucker条件，目标函数的最大化问题可以转化为在约束||w||＝1下求解：

T

E{pg(wp)}‑β′w＝0T T

其中β′＝E{w pg(wp)}，选择要估计的独立成分的个数d，置k←1(←表示更新参数的过程)；初始化具有单位范数的向量wk；置n＝1，γ＝wk，带入更新迭代式：更新wk；进行Gram‑Schmidt正交化： 标准化wk,即：‑6

收敛性条件定义为 的无穷范数小于10 ，若wk不收敛，则n＝n+1，返回前置步骤更新wk；若收敛则置k←k+1，如果k≤m，则返回前置步骤重新初始化wk；

S6，对分离出来的所有独立鼾声信号进行声源定位，得到两个以上测试者独立的鼾声信号。

2.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S54中，基于牛顿迭代法进行修正，包括如下步骤：S541，由牛顿法：

可推出传统的FastICA算法中的不动点迭代形式为：T T

w←E{pg(wp)}‑E{g′(wp)}wS542，运用非离散数学归纳法对Banach空间中的非线性方程的求解问题进行迭代分析，优化迭代过程，对经典的牛顿迭代法进行修正，提出三阶收敛的两步法：T

S543，运用三阶收敛的两步法求解非线性方程E{pg(wp)}‑βw＝0，推导出改进FastICA算法的更新迭代式：

T T T T

令F(w)＝E{pg(wp)}‑βw，则F′(w)＝E{ppg′(wp)}‑βI，由于E{pp}＝I，所以由：F′(w)T

≈[E{g′(w p)}‑β]I，则F′(w)可近似为对角矩阵，根据三阶收敛的两步法公式可得更新迭代式：

S544，更新迭代式两端分别同时乘以 后，推导出简化后的更新迭代式：

3.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S2，将鼾声信号通过谱减法进行降噪处理，包括如下步骤：S21，对每路原始鼾声信号xi0(n)添加高斯白噪声，得到加噪后的鼾声信号xi1(n)；

S22，对加噪后的鼾声信号加窗分帧处理；

S23，对处理后的鼾声信号xin(m)作离散傅里叶变换，得到：其中，xin(m)为第i路鼾声信号分帧后的第m帧鼾声信号，每帧鼾声信号的长度为L，k＝

0,1,…,L‑1，j是虚数单位；

噪声段平均能量为：

其中，NIS表示前导无鼾声段对应的帧数；

谱减算法为：

其中，a，b为常数，a为过减因子，b为增益补偿因子，通过谱减法求得信号幅值后，使用快速傅里叶变换(IFFT)得到减谱后的鼾声信号

4.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S3，通过短时能量的端点检测法识别鼾声段和噪声段，在确定上下门限值后，依次将每帧的短时平均能量与门限值比较，如果在寻找到大于TL的点之后，并在下次短时能量低于下门限值TL之前，找到大于上门限值TH的点，则认为这两点之间部分为有声段，同时这两点分别为有声段的起点和终点；

声音信号的短时能量的计算公式为：所述 表示鼾声信号，前导无声段的平均噪声能量计算公式：其中，E(n)表示每一帧的短时能量，上、下门限分别为TH和TL：TH＝α×ENIS

TL＝η×ENIS

其中N表示前导无声段所占的帧数，ENIS表示前导无声段的短时能量均值，α和η分别为上门限和下门限的比例系数。

5.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S4，对独立鼾声与混合鼾声进行分离，所述独立鼾声是指麦克风采集到的两个以上被测者不同时刻分别打鼾的声音，独立的鼾声信号只有相位的差别，混合鼾声是指两个以上被测者在同一时刻一起打鼾的声音，混合鼾声的相位与幅值与其他任何一路信号的相位与幅值都不相同，通过频谱比对分离出独立鼾声和混合鼾声信号。

6.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S6中，设定靠近声源麦克风，其他麦克风构成直角三角形，麦克风同时采集两个以上声源发出的鼾声信号，以直角拐点的麦克风为原点，建立直角坐标系，生成声源坐标、麦克风坐标，将靠近声源麦克风与其他麦克风接收到信号的时间差，近似为麦克风接收到鼾声的时间，确定声源与其他麦克风的距离，根据声音在空气中传播的速度、几何学定理，计算出声源的坐标，实现声源定位，以此为依据对鼾声进行分类，得到属于两个人各自的鼾声信号。

7.基于盲源分离算法的麦克风阵列鼾声信号分离系统，包括依次连接的信号采集模块、有效鼾声截取模块和鼾声信号分离模块，其特征在于还包括独立与混合鼾声分离模块，所述鼾声信号分离模块为混合鼾声信号分离模块，独立与混合鼾声分离模块分别与有效鼾声截取模块和混合鼾声信号分离模块连接；

所述的信号采集模块，为多麦克风阵列，用于对两个以上测试者进行鼾声信号的采集；

所述的有效鼾声截取模块，通过短时能量的端点检测法识别鼾声段和噪声段；

所述的独立与混合鼾声分离模块，通过对多麦克风阵列分别采集到的鼾声信号进行波形对比，分离出混合鼾声信号和独立鼾声信号；

所述的混合鼾声信号分离模块，通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立鼾声信号。

8.如权利要求7所述的基于盲源分离算法的麦克风阵列鼾声信号分离系统，其特征在于还包括分别与信号采集模块和有效鼾声截取模块连接的降噪模块，所述的降噪模块，采用谱减法降噪，用于对采集到的鼾声信号进行降噪处理。

9.如权利要求7所述的基于盲源分离算法的麦克风阵列鼾声信号分离系统，其特征在于还包括与混合鼾声信号分离模块连接的声源定位模块，所述的声源定位模块，通过基于TDOA算法的声源定位技术对分离出来的混合鼾声、独立的鼾声分别进行分类，得到两个以上测试者独立的鼾声数据。