教授一时兴起，突然让我研究一下鼾声，用智能手机采集鼾声，然后分析鼾声，区分出正常鼾声和危险鼾声，我猜想可能会用到一些模式识别之类的知识，请问一下可能会牵涉到哪些方面的技术，有没有有类似经验的朋友。
声音大小
总不能通过猜测来采集样本...
样本很难采集啊，尤其是有危险的鼾声。说不定你每采集一个危险样本，就得挂一个人...-.-
算法都不是难事，难得是要收集到足够的数据（正常和不正常的鼾声）进行分析和机器学习。
我觉得这个问题可以去医院或者联系专业医生调研一下，、在电视里看到有的医院有睡眠诊断，打鼾时如果呼吸暂停等引发问题，我想第一个是他们有专业的经验，另外也有大量的样本。
上面都说的是理论，我说点实际的建议：
首先要获得特征
- 鼾声的长度，和节奏
- 数字列表一段鼾声的傅立叶分析（也就是频谱）
- 数字列表既然有智能手机，还可以获取从加速度仪获得的振动信息
然后进行归类
- 先分成实验组和对照组，进行数据采集
- 进行归类时，一定要留出10%的样本作为测试
- 分类器设计@epsilon 同学已经说的很好了
其他建议
- 一定要对于数据进行处理找到比较明显的特征
- 用手机采集，数据用Matlab等工具进行处理，争取可视化，因为人脑还是比电脑更换的分类器，最后将完成的算法用于手机
- 可以当闹铃使——当人在潜层睡眠时打开闹铃，而不是不论睡眠情况如何，都定点打开闹铃
很有意思的命题，本质上仍然是经典的分类问题，设计方案借鉴一般的模式识别问题解决方案。
1. 鼾声数据的获取，尽可能的丰富，可能要费点功夫（亦或导师提供？很想知道你们如何区分是正常或不正常鼾声）。
2. 生成特征，声音的相关特征量是必须的了，除此还可以考虑年龄、性别、体质、区域、气候等等。
3. 提取选择特征，根据实际情况决定是否需要，本质上是特征矩阵的降维，降低样本的依赖性，提高分类效果。
4. 分类器设计，常见有Bayes决策、SVM、神经网络、决策树、Boosting等方法。
我的经验是算法性能严重依赖于特征，好的特征一般的分类器就能满足我们的需求；反之，再好的分类器也无能为力。
如果概率统计、最优化、矩阵论等数学知识非常熟悉的话，算法设计不是问题，具体可以参考以下书籍：
C.M.Bishop, Pattern Recognition and Machine Learning；
R.O.Duda, P.E.Hart & D.G.Stork, Pattern Classification；
边肇祺 & 张学工, 模式识别。