用 AI 快速打造夜間睡眠監控系統 — 8 小時搞定個人專案

> Patch Note

最近發現 AI 開發工具改變了個人專案的投入產出比。以前覺得「太麻煩，算了」的想法，現在會變成「其實可以試試看」。這次用週末 8 小時，跟 AI 協作打造了一個睡眠監控系統，用來分析半夜被吵醒的原因。雖然問題很日常，但實作過程蠻有意思的，值得記錄一下。

住在吵雜的城市，半夜被莫名其妙的聲音弄醒是常態。最煩的是你永遠不知道是什麼把你吵醒的 — 腦袋還在睡眠模式，等你完全清醒，聲音早就停了。沒辦法定位問題，就沒辦法解決問題。結果就是亂猜：換隔音窗？買白噪音機？搬家？全都是賭博。

所以我決定做個工具來搞清楚這件事。

環境與前置

這個專案其實建立在我現有的 smart home 基礎上。本來就有 Home Assistant 在跑，配了一堆感應器：motion、door、temperature、humidity、CO₂、air quality 什麼的。這次只需要加上音訊收集和睡眠數據整合。

新增的硬體：

• 兩支便宜的 USB 麥克風，一支放室內，一支面向街道
• 一台 Raspberry Pi 4 做音訊處理
• 現有的 Garmin 手錶提供睡眠數據

軟體 stack：

• Home Assistant 做設備整合和自動化
• Python + pyaudio 做音訊檢測
• Node.js + Express 做後端 API
• React 做前端（Progressive Web App）
• SQLite 存資料

選 Raspberry Pi 是因為便宜、省電，而且可以 24/7 跑。pyaudio 處理音訊算是標配，雖然文檔不太友善，但社群支援度高。前端用 React 是因為想做成像音樂編輯器的 timeline UI，需要比較複雜的互動。

重點是整套系統只在我在家睡覺時才啟動。透過 Home Assistant 的 automation，偵測到我在家、在床上、而且是睡眠時間，才會開始錄音。其他時候完全關閉，連麥克風權限都沒有。

實作步驟

Step 1: 音訊檢測

最核心的是音量檢測邏輯。不能一直錄音（隱私問題），也不能錯過重要聲音。我的做法是即時監控音量，超過閾值才開始錄音，並且會包含觸發前後幾秒的內容：

import pyaudio
import numpy as np
import wave
import threading
from collections import deque

class AudioDetector:
    def __init__(self, threshold=0.01, pre_record_time=3, post_record_time=2):
        self.threshold = threshold
        self.pre_record_time = pre_record_time
        self.post_record_time = post_record_time
        self.buffer = deque(maxlen=int(44100 * pre_record_time))  # 3秒緩衝
        
    def detect_sound(self):
        p = pyaudio.PyAudio()
        stream = p.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=44100,
            input=True,
            frames_per_buffer=1024
        )
        
        while self.is_active:
            data = stream.read(1024)
            audio_data = np.frombuffer(data, dtype=np.int16)
            volume = np.sqrt(np.mean(audio_data**2))
            
            self.buffer.append(audio_data)
            
            if volume > self.threshold:
                self.save_audio_clip(list(self.buffer))
                
        stream.stop_stream()
        stream.close()

一開始我設定的閾值太低，結果冰箱運轉、空調切換都會觸發。後來調高到只有比較明顯的聲音才會記錄。這個數值需要根據環境調整，沒有標準答案。

Step 2: Home Assistant 整合

讓 Raspberry Pi 跟 Home Assistant 溝通，這樣才能做到「只在睡眠時間啟動」的邏輯：

import requests
import json

class HomeAssistantClient:
    def __init__(self, ha_url, access_token):
        self.ha_url = ha_url
        self.headers = {
            'Authorization': f'Bearer {access_token}',
            'Content-Type': 'application/json'
        }
    
    def get_person_state(self, person_id):
        response = requests.get(
            f'{self.ha_url}/api/states/{person_id}',
            headers=self.headers
        )
        return response.json()['state']
    
    def is_bedtime(self):
        # 檢查是否在家、在臥室、且是睡眠時間
        person_state = self.get_person_state('person.waiting7777')
        current_time = datetime.now().time()
        sleep_start = time(22, 30)  # 10:30 PM
        sleep_end = time(8, 0)      # 8:00 AM
        
        is_home = person_state == 'home'
        is_sleep_time = current_time >= sleep_start or current_time <= sleep_end
        
        return is_home and is_sleep_time

Home Assistant 的 REST API 還算好用，就是 bearer token 要記得定期更新。我一開始偷懶用 long-lived access token，後來改成 OAuth 比較安全。

Step 3: 睡眠數據整合

Garmin Connect 有 API 可以拿睡眠數據，包含睡眠階段、心率、HRV 這些：

// 後端 API 整合 Garmin 數據
const axios = require('axios');

class GarminClient {
    constructor(clientId, clientSecret) {
        this.clientId = clientId;
        this.clientSecret = clientSecret;
        this.accessToken = null;
    }
    
    async getSleepData(date) {
        const response = await axios.get(
            `https://apis.garmin.com/wellness-api/rest/sleepData`,
            {
                headers: {
                    'Authorization': `Bearer ${this.accessToken}`
                },
                params: {
                    uploadStartTimeInSeconds: Math.floor(date.getTime() / 1000),
                    uploadEndTimeInSeconds: Math.floor((date.getTime() + 86400000) / 1000)
                }
            }
        );
        
        return response.data.sleepMovement;
    }
}

Garmin 的睡眠數據結構還蠻詳細的，會標記每個時間點的睡眠階段（deep、light、REM、awake），這是整個專案最關鍵的數據。

Step 4: Timeline UI

前端最有挑戰性的是做出類似音樂編輯器的 timeline。需要多軌道顯示、縮放、同步捲動：

import React, { useState, useRef, useEffect } from 'react';

const SleepTimeline = ({ sleepData, audioEvents, sensorEvents }) => {
    const [zoom, setZoom] = useState(1);
    const [currentTime, setCurrentTime] = useState(0);
    const timelineRef = useRef(null);
    
    const renderSleepStages = () => {
        return sleepData.map((stage, index) => (
            <div
                key={index}
                className={`sleep-stage sleep-${stage.stage}`}
                style={{
                    left: stage.startTime * zoom,
                    width: stage.duration * zoom,
                    backgroundColor: stage.stage === 'awake' ? '#ff4444' : 
                                   stage.stage === 'deep' ? '#2196f3' : '#90caf9'
                }}
                onClick={() => handleStageClick(stage)}
            >
                {stage.stage}
            </div>
        ));
    };
    
    const renderAudioEvents = () => {
        return audioEvents.map((event, index) => (
            <div
                key={index}
                className="audio-event"
                style={{ left: event.timestamp * zoom }}
                onClick={() => playAudio(event.audioFile)}
            >
                🔊
            </div>
        ));
    };
    
    return (
        <div className="timeline-container" ref={timelineRef}>
            <div className="track sleep-track">
                <div className="track-label">Sleep Stages</div>
                <div className="track-content">
                    {renderSleepStages()}
                </div>
            </div>
            <div className="track audio-track">
                <div className="track-label">Audio Events</div>
                <div className="track-content">
                    {renderAudioEvents()}
                </div>
            </div>
        </div>
    );
};

最有用的功能是會自動標記睡眠階段轉換的時間點。當我從深度睡眠轉到淺眠，或者直接醒來，時間軸上會用紅色標示。點擊這些時間點就能聽到當下的環境音。

我一開始想用 Canvas 做動畫，後來發現用 CSS transform 配合 React state 就夠了，而且手機上也跑得順。

效果與數據

週末花了大概 8 小時完成核心功能，之後幾天陸續加了一些改進。用了兩個星期後，有些有趣的發現：

睡眠干擾統計：

• 60% 是外面的交通噪音（特別是垃圾車和機車）
• 25% 是樓上鄰居（主要是腳步聲和椅子移動）
• 10% 是室內設備（冰箱、空調、熱水器）
• 5% 查不出原因（可能是太輕微的聲音）

最有價值的發現是垃圾車固定在凌晨 3:15 經過，而且會連續吵醒我三天。知道原因後解決方案就很明確了：換個朝向的房間睡覺，或者用耳塞。

系統運作狀況：

• 每晚平均記錄 8-12 個音訊事件
• 儲存空間每天大概 50MB（音訊檔案）
• Raspberry Pi CPU 使用率平均 15%
• 電池續航力對整體系統沒影響（都是插電設備）

Progressive Web App 的推播通知很實用，早上起床滑手機就能馬上看昨晚的分析報告。

Meta 判讀

這種個人專案在目前的 AI 工具 meta 裡算是很典型的例子。以前會因為「工程量太大」而放棄的想法，現在變成週末可以搞定的 side project。

AI 輔助開發降低了很多門檻：

• 不熟悉的 API 整合（Garmin Connect、Home Assistant）
• UI 元件的實作細節（timeline、audio player）
• 數據處理邏輯（音訊分析、時間同步）

但核心的系統架構、產品設計、debug 還是要自己來。AI 更像是把「Google + StackOverflow + 文檔閱讀」的流程加速了 5-10 倍。

這類工具的投資價值不高（用戶基數太小），但對於 prototype 和 MVP 開發來說，現在是最好的時代。個人開發者可以用很低的成本驗證想法。

結論

整體來說很值得做。不只是因為解決了睡眠問題，更重要的是驗證了一個想法：AI 工具已經把個人專案的門檻降低到「有想法就能快速實作」的程度。

推薦給有類似困擾的人試試。如果你已經有 smart home 設備，加上音訊監控的成本很低（一台 Pi + 麥克風大概 3000 塊）。沒有現成系統的話，可能要先評估一下投入產出比。

下一步打算加上 AI 音訊識別，自動分類噪音類型。不過目前手動分析已經夠用了，先把基本功能穩定下來再說。

延伸閱讀

• 繼 Cursor 之後 下一個爆紅的 AI 開發工具會是什麼？
• 把個人網站變得 agent-friendly：一個週末補完 9 個 well-known 路由
• LangChain Middleware 實戰 — 讓你的 AI Agent 更靈活的擴展方式