shii·haa breath detection: 透過手機麥克風進行即時生物回饋

shii·haa breath detection 系統僅透過智慧型手機麥克風，藉由估算呼吸階段（吸氣、吐氣與屏息）來提供即時生物回饋。這種方法讓使用者無需穿戴式感測器或外部教練，即可提高對自身呼吸模式的自我覺察能力。

偵測流程的技術架構

該系統採用三層訊號處理流程，從嘈雜的真實世界行動裝置音訊訊號中提取呼吸模式。

1. 訊號處理

原始音訊串流被分割成短暫且重疊的視窗。對於每個視窗，系統會推導出振幅/能量測量值與頻譜特徵。偵測邏輯根據頻譜形狀來區分不同階段：吸氣通常表現出較多的湍流與較高的頻率能量，而吐氣則較低且較平滑。

2. 呼吸狀態機

為了防止相位切換不穩定，系統使用狀態機來追蹤目前的相位與合理的轉換（例如：吸氣 $\to$ 吐氣）。此狀態機利用自適應閾值，隨著環境噪音水平的漂移而重新校準，確保音訊訊號的瞬間突波不會觸發錯誤的相位切換。

3. 數據品質層

為了確保準確性，數據品質層會拒絕過於嘈雜、過於安靜或在聲學上具有歧義性的視窗。系統的設計理念是「誠實地失敗」，意即比起提供一個充滿信心但錯誤的相位偵測，它更傾向於選擇一段短暫的不確定期。

隱私與裝置端處理

隱私是 shii·haa 系統的核心設計約束。該流程建構於以下限制之下：

• 裝置端分析： 所有音訊處理皆在手機本地端進行；原始音訊串流絕不會離開裝置。
• 無語音分析： 系統分析的是呼吸的能量包絡線與頻譜形狀，而非語言內容。它並非設計用於識別或轉錄語音。
• 受限的機器學習： ML 僅用於精煉回饋並使用經過品質檢查的範例來改進模型，而非作為黑箱偵測引擎。

在引導式呼吸中的應用

除了簡單的偵測之外，系統將呼吸訊號作為回饋通道，使引導式呼吸不再流於形式。透過偵測使用者的實際步調與穩定度，應用程式可以根據使用者的生理狀態來調整預設值，而非依賴固定的計時器。

長期而言，該專案旨在估算「個人共振範圍」——即個人生理狀態最有效穩定下來的特定緩慢呼吸步調（通常接近每分鐘六次呼吸）。這是透過結合偵測到的呼吸穩定度與選擇性的心率或 HRV 數據來實現的。

實作挑戰與限制

開發此系統需要投入大量的工程努力來處理行動裝置音訊的特性，包括自動增益控制 (AGC) 與不同的麥克風位置。作者指出，在非受控環境中僅使用麥克風進行偵測，比基於穿戴式裝置的系統要困難得多。

社群回饋與見解

社群中的使用者與開發者針對實作提出了幾點看法：

"A microphone in itself wasn't sufficient in my case, and detection was quite hard. I ended up using wired earbuds with microphones."

這突顯了社群的共識，即從手機麥克風擷取乾淨的呼吸訊號是一項技術挑戰。其他使用者也提到該應用程式在德國與荷蘭的地區可用性問題。

專案狀態

這是一個健康與自我覺察工具，而非醫療器材。開發者目前正在進行一項針對臨床基準真相的驗證研究，以確定系統的精確度與限制。