总在凌晨3点被吵醒的“悬案”？他只用了8小时，AI+树莓派就把“元凶”找了出来-开发者社区

编译 | 郑丽媛

出品 | CSDN（ID：CSDNnews）

你有没有过这样的经历：在吵闹的城市里生活，某个深夜突然醒来，或者第二天早上手表告诉你“深睡被打断”，但你就是不知道罪魁祸首是谁？门、狗、垃圾车、还是楼上那对喜欢半夜挪家具的邻居？

一位软件工程师 Martin 也有同样的困扰。但和大多数人不一样的是，他决定自己造一个工具来找出真相——让人意外的是，借助 AI 编程助手，这个原本需要好几天的“小项目”，他只花了一个周末（约 8 小时）就完成了。

睡觉像开盲盒，醒来永远不知道被什么吵醒

Martin 住在一个相当喧闹的城市。有些晚上他凌晨 3 点惊醒，不知道是什么声音导致的；有些晚上他没有醒来，但早上 Garmin 手表的数据显示：凌晨3:32，他被某种力量从深睡中拽了出来。

最让人抓狂的是，你几乎永远没法知道原因。当一个声音把你吵醒时，你的大脑还在从之前的睡眠阶段“切换状态”，需要好几秒才能正常运作。等你反应过来，那个声音早就消失了——除非它反复出现（比如持续响的车喇叭）或者留下明显的痕迹（比如闪电之后必然有雷鸣）。

不知道原因，就没法解决。是屋里的声音？还是屋外的？是邻居、卡车或者门？你尝试的任何解决方案（换床垫、加厚窗帘、戴耳塞）都只是瞎猜，而瞎猜往往代价不菲。

于是，Martin 决定不猜了，他要找出真相。

工具：俩麦克风 + 树莓派 + 手表数据 + Web 应用

Martin 本身是一位软件工程师，家里已经有一套基于 Home Assistant 的智能家居系统，布满了各种传感器（人体移动、门窗开关、灯光、温湿度、CO₂、空气质量）。他需要的数据大部分已经在收集中了，只差两样：音频和睡眠数据。

放在几年前，他会觉得“为了这点事专门搭一个系统，小题大做了”。但现在有了 AI 编程助手的加持，这类小项目已经悄悄跨过了阈值——从“算了不值得”，变成了“行吧，就花个周末搞搞”。

基于此，Martin 只额外添了几样东西：

● 两个便宜的 USB 麦克风：一个放在室内，一个放在临街的窗外。

● 一台树莓派：负责监听声音，但只在他回家且躺在床上时才启动。

● Garmin 手表的睡眠数据：包括睡眠阶段、心率、心率变异性（HRV）。

● 一个运行在家用服务器上的 Web 应用：把音频、睡眠数据和现有的传感器数据全部整合在一起。

整个监听流程非常“克制”：树莓派把自己注册为 Home Assistant 的一个集成，由自动化规则严格控制——只有当他在家、在床、并且时间接近平时入睡时段时，监听才会开启。其余时候麦克风完全禁用，连访问权限都没有。即使是自己的家庭网络，他也坚持了这种“最小权限”原则。

而当树莓派捕捉到足够响的声音时，它就会保存一段短音频，包含这段声音的前后几秒。

真正的杀手锏：Web 应用

大体来说，Martin 开发的 Web 应用是整个项目的灵魂。每个晚上，相关数据都被展示成类似音乐编辑软件（DAW）的多轨道视图：

● 一条睡眠阶段的轨道（深睡、浅睡、REM等）

● 一条心率 + HRV 的轨道

● 几条各类传感器数据（门窗开关、人体移动等）的轨道

● 一条噪音（音频已加载，可直接播放）的轨道

这个页面是响应式的，手机上也能用，轨道还可以像放大缩小音频块一样自由缩放。而最有用的功能，无疑是应用会高亮标记出他睡眠阶段转变或醒来的时刻（红色）。这样一来，Martin 每天早上扫一眼，直接点击红色区域收听那个时间点的声音，省去了漫长的“听白噪音”过程。

更贴心的是，前端是一个渐进式 Web 应用（PWA），支持 Web 推送，但只在他的家庭网络内提供服务。每天早上他一醒来打开手机，就会收到一条推送：“昨夜数据已就绪，可查看。”

也就是说，所有数据都不离开家庭网络——这是 Martin 非常在意的一点。

AI 到底干了什么？又没干什么？

先把预期说清楚：AI 并没有帮他识别具体是什么声音（至少目前还没有）。

判断“这是门声还是碗碟声还是摩托车”这一步，还是 Martin 自己戴着耳机干的活。AI 做的事是：帮他极快地搭建了整套基础设施，把数据采集、存储、展示、关联的流程跑通，然后精准地告诉他“嘿，你该听这个时间点”。

至于开发过程，Martin 做了一个决定：他几乎没读过生成的代码。他只测试结果，发现 bug 就直接反馈，让 AI 自己修正。他甚至让 AI 在浏览器里对运行中的应用截图，自我验证输出。

在树莓派那边，他更进一步：给 AI 编程助手直接开了 SSH 权限（一个全新的、空白的树莓派）。“它会自己搭一个实验，然后让我喊一声、摔个东西或打开厨房水龙头，录下样本，然后帮我分析，有时还会生成频谱图。”

Martin 补充道，虽然刚开始他得明确指示 AI 按这种方式工作，但一旦说清楚，这个迭代循环其实非常顺畅——对于跑在自己硬件上的个人项目来说，这套流程已经足够了。

“这里有趣的变化不是‘AI 解决了我的问题’，而是‘AI 降低了造出这个工具的成本，然后我自己解决了自己的问题’。”

不过 Martin 也坦言，他并不完全信任 Garmin 手表对每一个睡眠阶段的精准判断——所有消费级设备在这方面都有误差。但它们在检测你实际醒来的时刻上相当靠谱，而这些醒来事件，加上睡眠阶段之间的大致转换点，正是他真正需要的东西。

它们不是临床真理，它们是视觉标记，告诉他“这个时间点值得查一下”。没有它们，他就得坐在那里听好几个小时的冰箱嗡嗡声和邻居的无关动静，努力找到有时让他早上起来感觉难受的原因。

结果：真凶浮出水面，而且不止一个

一旦开始实际使用，规律很快就显现了。Martin 指出，打扰他深度睡眠的常见“罪魁祸首”有：

● 门：邻居摔门，或者家里人去洗手间时不太注意关门。

● 碗碟：它们发出的高频、尖锐的声音在公寓里传得出奇地远——不管是自家厨房还是邻居家。

● 街道：摩托车、小摩托、卡车，还有垃圾清运车经过。

有了真实数据，他就不再瞎猜，而是有针对性地采取了措施。例如加装了办公隔音板（效果出乎意料地好）、在卧室门和窗户周围添加了额外的隔音条（硅胶、橡胶等），对于某些室内噪音，就跟家人进行一次友好沟通。

当然，城市就是城市，做不到完全静音。但效果是肉眼可见的——无论从 Martin 早上起床的主观感受，还是 Garmin 手表的长期数据来看，都有明显改善。

一些老实的交代

需要注意的是，Martin 有软件工程背景，所以他知道该向 AI 问什么、什么时候该保持怀疑。但音频处理对他来说是一个全新领域，而这一部分几乎是在零基础之上借助 AI 构建的。

此外，他也不会把这个项目代码公开发布——它只是基于结果测试过，没有正规的代码审查。但在他的家庭实验室里，他可以锁死访问权限、限制网络，因此问题不大。

“我不是睡眠科学家，这篇文章也不是什么“高质量睡眠指南”。我只是一个愿意关注那些影响日常生活质量的小细节、并且尽可能采取行动的人。如果你也住在一个吵闹的城市，你的睡眠追踪器总说“昨晚睡眠质量差”却不告诉你原因，我真心推荐你也试试类似的方法。不需要完全照搬我的方案，哪怕只是在你床边放个麦克风，第二天早上看看哪些时间点的声音有尖峰，你都能学到很多。”

而现在，Martin 在窗户和门上加了足够多的隔音之后，又得面对一个新问题：卧室里的 CO₂ 浓度开始上升了。隔音太好，但空气不流通……他正在琢磨怎么智能地降低 CO₂——这大概会是他的下一个“周末项目”。

原文链接：https://martin.sh/i-let-ai-build-a-tool-to-help-me-figure-out-what-was-waking-me-up-at-night/