数十年的研究已经详细记录了鼾声独特的声学指纹。NightSnore 将经典信号处理与设备端 AI 声音分类器相结合——与同行评议研究验证的深度学习方法同源——完全在 iPhone 上运行，无云端、无账号、无订阅。
你入睡后的每一秒，一套安静的四阶段流程都在后台运行。它是这样工作的。
NightSnore 用滑动窗口百分位法整夜持续估计房间的背景噪音。无需等待 30 秒——从第一刻起就静默适应，并随环境变化不断调整。
借助 iOS 后台音频能力，熄屏后麦克风保持工作。音频实时分析；只保存检测到声音事件前后的短片段——绝不录整晚。
一个用数百万真实声音样本训练的神经网络，把每个检测到的声音在 500 多个类别中打分——把鼾声及相关呼吸音和卧室里的其他一切声音区分开。
事件聚合成片段，计算打鼾指数，生成完整时间轴——你醒来的那一刻就能查看。
鼾声产生于上呼吸道——和说话用的是同一套发声部位。这让鼾声具有典型的准谐波结构：低基频（通常低于 500 Hz）加上一组泛音，就像乐器奏出的一个音符。[1]
翻身、被子摩擦、床板吱呀产生的声音则完全不同：短促的冲击性爆发，能量散布在全频段——更像镲片的一击而非乐音。这种物理差异，正是 NightSnore 的 AI 模型学会识别的那类指纹。
研究证实，单次鼾声事件通常持续 0.3 到 3 秒。[2]NightSnore 会在声音进入分类器之前过滤掉 0.3 秒以下的瞬态——关门声、手机磕到床头柜——短促的碰撞声不会污染你的报告。
简单的响度检测 App 把所有大的声音都当成鼾声，所以伴侣翻个身、窗外过辆卡车、走廊关个门都会被记上一笔。
NightSnore 把任务一分为二——正是学术界声音事件检测研究推荐的级联架构。[3]一层轻量的信号处理，围绕一条随环境变化静默重学的自适应噪音底线，决定什么时候发生了事；随后一个设备端神经网络——以数百万真实声音样本、覆盖 500 多个类别训练而成——决定它是什么：鼾声、呼吸相关的声音，还是不过是吱呀声、咳嗽或窸窣声。
AI 也不止认教科书式的鼾声。它还能识别喘息、粗重呼吸等常伴随打鼾出现的声音，让更轻、更碎的事件也被算进来。而它无法归为鼾声的，也不会被丢弃——保留在报告的「其他声音」里，随时供你回看。
NightSnore 不只是数打鼾次数——它计算打鼾指数：每小时睡眠中的打鼾事件数。这与临床睡眠监测使用的基础指标一致，让不同时长的监测结果可以互相比较。
只睡了 4 小时而不是 8 小时？打鼾指数告诉你的信息不变。它是比率而非原始计数——即使每晚情况不同，长期趋势依然有意义。
短于 30 分钟的监测不计算指数：太短的录音覆盖不了一个完整的浅睡周期，结果可能产生误导。
| 指数 | 等级 | 含义 |
|---|---|---|
| < 10 | 轻度 | 偶尔打鼾；对睡眠质量影响较小 |
| 10 – 30 | 中度 | 频繁打鼾；值得关注趋势变化 |
| > 30 | 重度 | 打鼾非常频繁；建议咨询医生 |
仅供参考。NightSnore 不是医疗设备，不用于诊断睡眠疾病。
多项独立研究在数百名受试者、数千小时睡眠录音上验证了基于手机麦克风的打鼾检测。
一个用于手机打鼾检测的 CNN+RNN 深度学习模型达到约 95% 准确率、约 92% 灵敏度与约 98% 特异度——并直接研究了麦克风摆放距离的影响。
Xie et al., Computer Methods and Programs in Biomedicine, 2020. doi:10.1016/j.cmpb.2020.105917
2025 年一项使用 Vision Transformer 的手机研究，在医院与家庭录音、数百名受试者上验证，留出测试集的灵敏度与特异度均约 90%。
Hong et al., Nature and Science of Sleep, 2025. doi:10.2147/NSS.S514631
2025 年一项对商业打鼾检测算法的独立基准测试，在包含模拟非鼾声文件的多样化测试集上得到约 86% 灵敏度与约 99% 特异度——意味着误报极少。
Brown et al., JMIR mHealth and uHealth, 2025. doi:10.2196/67861
以上数字来自独立学术研究，并非 NightSnore 自测。实际准确率取决于手机摆放、房间声学环境和个人打鼾模式。NightSnore 建立在这些研究所验证的同一类设备端深度学习声音分类之上。
