数字助听器中基于深度学习的方向性语音增强算法研究

发布时间：2020-07-09 12:20

【摘要】：为了改善数字助听器的性能,提高耳障患者佩戴助听器的舒适度和可懂度。本文提出了数字助听器中基于深度学习的方向性语音增强算法,该算法从双耳数字助听器中的声源定位、波束形成和语音增强等关键技术出发,首先利用头相关传递函数提取双耳空间特征信息,通过两级深度学习确定出声源的空间信息,接着利用波束形成的方法滤除与声源不同方向的噪声,最后在与声源同方向的含噪语音通过基于cosh测度改进的后置滤波方法对进行增强,达到语音增强的目的。本课题的研究工作由以下几个部分组成:(1)基于深度学习的双耳声源定位算法的研究:首先双耳语音信号通过Gammatone滤波器分解成若干通道,接着利用头相关传递函数提取各通道的双耳时间差、耳间相关性、双耳声压差和双耳相位差等四个表征声源空间信息的特征参数,并将前两个特征参数作为第一级深度学习模块的输入,得到声源所在的象限,缩小定位范围。然后将以上提取的四个特征作为第二级深度学习模块的输入,得到90度范围内的方位角。最后依据两级深度学习模块的输出确定声源的精确方位角,实现了在水平面上360度以5度为步长的72个方位角的声源定位。(2)基于cosh测度的滤波的语音增强算法的研究:传统的维纳滤波方法,在消除噪声的同时,对语音的能量会大大的削弱。为了改进维纳滤波对语音能量的削减,本文采用cosh测度方法进行改进,采用对数形式的测度进行语音增强。因为语音信号的频率和带宽呈现出类似于对数的非线性关系,对数的特性更适合描述语音信号。(3)数字助听器中的方向性语音增强算法的研究:该算法首先利用基于声源定位的语音增强算法得到声源方向的空间信息,然后利用波束形成法去除与目标语音不同方向的噪声,接着利用基于cosh测度改进的后置滤波去除与声源相同方向的噪声。实验结果表明,本文提出算法能够在特定方向的目标语音进行方向性语音增强,使得增强后的语音提高了言语可懂度和舒适度。首先本文提出的基于深度学习的双耳声源定位算法能够获得声源的方向信息,保证了波束形成法能够很好地去除与声源信号不同方向的语音。在声源方向上,利用基于cosh测度改进后置滤波的语音增强算法不仅对噪声具有更强的鲁棒性,而且进一步保留了语音能量。相较于对比算法,本文提出的数字助听器中的方向性语音增强算法有更好的去噪能力。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;R764.5;TN912.35
【图文】：

北京工业大学工学硕士学位论文常方便，如图 1-2 中的(a)所示。1948 年，随着半导体的问世，半导体也开始是应用于助听器中，效果也有所改善，同时助听器的体积也在进一步缩小。晶体管助听器的出现，助听器开始向微型化发展。随后出现了眼镜式助听器、耳背式助听器、耳内式助听器，如图 1-2 中的(b)(c)(d)所示。随着大规模集成电路的出现助听器在体积上进一步减小，出现了耳道式助听器和深耳道式助听器，如图 1-2中的(e)(f)所示。

第 3 章 基于波束形成的空间滤波从图 3-7 可以可看出，当信噪比为 5dB 时，LCMV 波束指向 0°时的波峰最高，即为保留目标声源方向，抑制其他方向，达到语音增强的目的。从图 3-8 可以看出，波束在指向 0°和 10°时主瓣方向的波峰也是最高的，可以实现目标方向的方向性语音增强。

北京工业大学工学硕士学位论文旁瓣的抑制能力更稳健，波动较小，其他方向的语音滤除更干净，目标语音方向保留的噪声更少。为了进一步说明MVDR和LCMV波束形成器对非目标语音以外噪声的滤除效果，本文对含噪语音进行增强实验。实验设置阵元间距是半倍的波长，噪声信噪是 5dB，噪声类型是 babble 噪声，采样频率设置为 16kHz，帧长为 320 个样点。纯净语音信号的方向是 20°，babble 噪声来自 70°是经过 MVDR 和 LCMV 波束形成器后处理的语音信号波形图和语谱图，实验结果如下图所示。

【相似文献】

相关期刊论文 前10条

1 刘鹏;;基于深度学习的语音增强方法研究[J];智能计算机与应用;2019年05期

2 石玲;;基于计算机声卡的谱相减语音增强系统分析[J];信息与电脑(理论版);2010年02期

3 孙涛;;基于计算机声卡的谱相减语音增强系统分析[J];南昌教育学院学报;2010年05期

4 张晓雷;;基于深度学习的语音增强简述[J];网络新媒体技术;2019年02期

5 李璐君;屈丹;;一种基于组合深层模型的语音增强方法[J];信息工程大学学报;2018年04期

6 袁文浩;娄迎曦;梁春燕;夏斌;;利用生成噪声提高语音增强方法的泛化能力[J];电子学报;2019年04期

7 阴法明;唐於烽;;基于深度置信网络的语音增强算法[J];电子器件;2018年05期

8 余华;唐於烽;赵力;;基于改进深度置信网络的语音增强算法[J];数据采集与处理;2018年05期

9 薛慧君;李盛;路国华;张杨;焦腾;王健琪;荆西京;;提升小波用于非接触语音增强算法的研究[J];医疗卫生装备;2013年05期

10 胡海波;刘柏森;许银;;基于小波变换的语音增强研究[J];黑龙江工程学院学报(自然科学版);2011年01期

相关会议论文 前10条

1 王世伟;胡笑浒;郑成诗;李晓东;;一种改进的基于能量差语音增强算法[A];中国声学学会第九届青年学术会议论文集[C];2011年

2 江峰;李晓东;;适用于抑制非平稳背景噪声的语音增强算法[A];中国声学学会2003年青年学术会议[CYCA'03]论文集[C];2003年

3 阎兆立;杜利民;;维纳后滤波语音增强算法研究[A];中国声学学会2005年青年学术会议[CYCA'05]论文集[C];2005年

4 童峰;许肖梅;洪青阳;;一种带阶数估计的语音增强算法[A];第八届全国人机语音通讯学术会议论文集[C];2005年

5 袁榕嵘;吴鸣;杨军;;双麦克风语音增强快速算法[A];泛在信息社会中的声学——中国声学学会2010年全国会员代表大会暨学术会议论文集[C];2010年

6 国雁萌;;一种极低信噪比条件下的语音增强方法[A];第六届全国人机语音通讯学术会议论文集[C];2001年

7 李海峰;韩纪庆;郑铁然;;元音、辅音粗判自适应电话语音增强方法[A];第七届全国人机语音通讯学术会议（NCMMSC7）论文集[C];2003年

8 高登峰;杨波;郭东岳;;基于深度神经网络的地空通话语音增强方法[A];第一届空中交通管理系统技术学术年会论文集[C];2018年

9 楼厦厦;郑成诗;李晓东;;滤波器权值约束对自适应零限波束形成语音增强算法鲁棒性影响分析[A];中国声学学会2007年青年学术会议论文集（上）[C];2007年

10 任玉宝;;基于联合字典学习的语音增强算法[A];中国声学学会水声学分会2019年学术会议论文集[C];2019年

相关重要报纸文章 前3条

1 ;NMS Sonata Ⅲ/Studio Sound级语音增强系统话音更清晰[N];中国计算机报;2003年

2 本报记者 马楠;NMS市场目标转向无线服务提供商[N];通信产业报;2001年

3 ;VoIP服务不只是便宜的通话[N];网络世界;2002年

相关博士学位论文 前10条

1 江文斌;面向复杂场景的极低码率语音编解码和语音增强关键技术研究[D];上海交通大学;2018年

2 高天;复杂环境下基于深度学习的语音信号预处理方法研究[D];中国科学技术大学;2018年

3 童仁杰;基于信号稀疏特性的语音增强算法研究[D];中国科学技术大学;2018年

4 王青;基于深层神经网络的多目标学习和融合的语音增强研究[D];中国科学技术大学;2018年

5 王冬霞;麦克风阵列语音增强的若干方法研究[D];大连理工大学;2007年

6 欧世峰;变换域语音增强算法的研究[D];吉林大学;2008年

7 孙琦;基于子空间的低计算复杂度语音增强算法研究[D];吉林大学;2017年

8 夏丙寅;面向移动通信的单通道语音增强方法研究[D];北京工业大学;2014年

9 姚峰英;语音增强系统的研究与实现[D];中国科学院上海冶金研究所;2001年

10 张龙;有监督学习条件下的单通道语音增强算法研究[D];中国科学技术大学;2017年

相关硕士学位论文 前10条

1 涂亮;基于深度学习的复杂背景下的语音增强算法[D];华中科技大学;2019年

2 褚伟;基于条件深度卷积生成对抗网络的语音增强模型研究[D];华东交通大学;2019年

3 王虎;基于稀疏表示及二值掩码估计的语音增强算法研究[D];山东科技大学;2018年

4 潘冬梅;数字助听器中基于深度学习的方向性语音增强算法研究[D];北京工业大学;2019年

5 项扬;基于监督学习构建维纳滤波器的语音增强方法研究[D];北京工业大学;2019年

6 谭纬城;基于频谱补偿的麦克风阵列语音增强算法研究[D];华南理工大学;2019年

7 续娇;基于自适应波束成形的语音增强算法研究与实现[D];北京交通大学;2019年

8 程泽丰;混响环境下的远程语音增强方法研究[D];浙江大学;2019年

9 黄张翼;基于深度神经网络的语音增强方法研究[D];重庆邮电大学;2018年

10 余国修;麦克风阵列语音增强算法研究[D];西安电子科技大学;2019年

本文编号：2747445