基于语音信号时频特征融合的帕金森病检测方法

发音障碍是帕金森病的早期症状之一。近年来,基于语音信号的帕金森病检测的研究大多采用梅尔刻度下的相关语音特征与深度神经网络模型相结合的方法。然而,现有的模型无法充分关注语音信号的全局时序信息,且梅尔刻度特征在准确表征帕金森病的病理信息方面效果有限。为此,提出了一种基于语音时频特征融合的帕金森病检测方法。首先,提取语音的梅尔频率倒谱系数,并将其作为模型的输入。接着,在已有的S-vectors模型中引入Conformer编码器模块,以提取语音的时域全局特征。最后,将与帕金森病语音检测相关的频域全局特征嵌入时域特征中进行时频信息融合,以实现帕金森病语音检测。在公开帕金森病语音数据集和自采语音数据集上验证了方法的有效性。

无人机辅助MEC系统中基于最优SIC顺序的能耗优化方案

在基于上行非正交多址接入(NOMA)的无人机(UAV)辅助移动边缘计算(MEC)系统中,NOMA的连续干扰消除(SIC)顺序已成为限制上行任务卸载链路传输性能的瓶颈,为降低系统能耗,对SIC顺序进行了讨论,提出了联合信道增益与任务时延约束的最优SIC顺序。在满足设备给定任务时延、设备最大发射功率约束以及UAV轨迹的约束下,基于最优SIC顺序提出了最小化系统能耗的问题。由于该问题是个复杂的非凸问题,采取交替优化的方法求解该优化问题,以实现功率分配和UAV轨迹的优化;利用匹配理论,提出了低复杂度算法来得到不同时隙的最优设备分组。仿真结果表明,与其他SIC顺序相比,最优SIC顺序能够在相同的任务时延约束下实现更小的系统能耗;所提的低复杂度设备分组算法能够得到最优设备分组。

基于跨语种声学分析的帕金森病检测方法

基于语音的帕金森病检测具有非介入式、成本较低和无创等优点。当前公开的帕金森病语音数据集大多来源于单一语种,存在数据容量不够大、受试者母语发音特点差异小等特点。单一语种数据集上训练的帕金森病检测模型在面对跨语种语音数据时,将出现性能下降。为避免语种差异带来的影响,提升模型在跨语种场景下的检测性能,该文引入对抗迁移学习和特征解耦的思想,提出一种帕金森病跨语种声学分析模型(CLSAM)。首先,将基于多头自注意力机制的Transformer编码块和多层神经网络级联,组成特征提取器模块,用于将从源域和目标域语音中提取的原始Fbank语音特征初步解耦为两个向量,即域不变病理信息表征向量和域信息表征向量;设计了目标任务不一致的双重对抗训练模块,显式地分离域不变病理信息和域信息;最终,提取跨语种语音数据中的域不变病理信息用于帕金森病检测。该文在公开的MaxLittle帕金森病语音数据集以及自采的帕金森病语音数据集上,采用十折交叉验证的方法验证了所提方法的有效性。实验结果表明:与传统机器学习方法以及现有的迁移学习算法相比,所提模型在跨语种场景中的检测准确率、敏感度和F1分数等性能均有明显提升。

IRS辅助的异构SWIPT-NOMA系统资源分配方案

考虑到未来大型物联网中待服务用户的异构性(接收机产自不同制造商,且具有不同结构、不同功能)和服务需求的多样性,针对功率分割(PS)用户和时间切换(TS)用户共存的异构场景,提出一种IRS辅助的无线携能通信(SWIPT)非正交多址接入(NOMA)通信系统模型。在满足两类用户服务质量的条件下,通过联合优化基站的有源波束成形、IRS的无源相移矩阵、PS用户的功率分割系数、TS用户时间切换系数以及两类用户的串行干扰消除解码顺序来最小化基站的发射功率。为解决该非凸问题,采用基于连续凸逼近的交替迭代方法将问题拆分成多个子问题。针对IRS相移的无源波束成形优化子问题,采用连续秩一约束松弛方法求解。仿真结果表明,IRS辅助的通信系统基站发射功率明显低于无IRS方案;IRS辅助的NOMA通信系统基站发射功率低于IRS辅助的正交多址接入通信系统;IRS辅助的PS-SWIPT系统基站发射功率低于IRS辅助的TS-SWIPT系统。

IRS辅助的感知增强认知无线电网络资源分配方案

在过去的几十年里,大部分可用频谱已被用于高速通信服务。这导致了无线通信系统中的频谱资源稀缺问题。另一方面,大量可用频谱的利用率并不高。为提升通信系统的频谱利用率,学界提出了基于共享的认知无线电技术。认知无线电允许次用户与主用户共享频谱资源,对于提升无线通信网络的频谱效率十分重要,然而目前基于认知无线电的通信网络存在着低信噪比情况下感知性能低下、严苛干扰条件下性能提升受限等缺点。最近,智能反射面(Intelligent Reflecting Surface,IRS)被广泛应用在无线通信的各个领域,可以智能调控无线传输环境以满足频谱和能效的高要求。为了进一步提升认知无线电感知性能与频谱效率,提出了一种新颖的IRS辅助的感知增强频谱共享认知无线电网络。针对此网络,建立了次用户和速率最大化优化问题,联合优化次基站波束赋形向量、智能反射面相移矩阵、感知时间。因存在变量耦合,所构建的优化问题是非凸的,提出一种基于块坐标下降(Block Coordinate Descent,BCD)的迭代算法以交替优化波束形成和智能反射面相位以及感知时间。以逐次凸逼近(Successive Convex Approximation,SCA)求解非凸目标和约束函数,并利用半正定松弛(Semidefinite Relaxation,SDR)解决秩一条件约束,采用一维搜索来寻找最佳感知时间。通过仿真结果证明提出的方法能够快速收敛且对认知无线电网络的感知性能以及频谱效率有较大提升作用。

基于思政与OBE理念融合的数字信号处理课程建设

数字信号处理是电子信息类专业本科生课程体系中的一门重要的专业基础课。在传统的教与学的过程中,往往注重大量的数学公式推导证明,而忽视了公式和定理背后的物理意义,导致学生总是对知识吃不透、嚼不烂,教学过程难以实现闭环。课程本身所蕴含的知识以外的育人元素也未得到充分地挖掘和利用。为探索新时代电子信息类专业课程建设方法,该文从课程思政的视域出发,结合成果导向教育(Outcome Based Education,OBE)理念,以数字信号处理课程为研究对象,深入剖析现有专业课程建设中存在的问题,并结合南京邮电大学校情特色和专业背景,对课程的教学目标、教学内容、教学方法、评价考核机制等各环节进行重新设计,并将其融入课程教学实践,探索一条“春风化雨、润物无声”的课程建设之路。

基于多类型语音信息分层融合的帕金森病检测模型

用于帕金森病检测的语音数据通常包括持续元音、重复音节及情景对话等类型.已有模型大多采用单一类型的语音数据作为输入,容易受到噪声干扰,鲁棒性无法保证.有效整合不同类型语音数据,提取至关重要的病理信息,是当前帕金森病检测任务面临的挑战之一.文中提出基于多类型信息分层融合的帕金森病检测模型,旨在提取全面的病理信息,实现较优的检测性能.首先,针对不同类型的帕金森病语音数据,分别进行多种声学特征的提取.然后,设计挖掘多类型声学特征深层信息的表示学习方案,提取调音和韵律信息,精准反映声学特征中潜在的病理信息.进而针对两类信息,设计解耦的表示学习空间,分别提取各自的私有特征,同时学习它们的共有表示.最后,设计跨类型的注意力分层融合模块,利用交叉注意力机制,以不同粒度交互的方式逐步融合共有表示和私有表示,提升帕金森病检测性能.在公开的意大利语帕金森病语音数据集和自采的汉语帕金森病语音数据集上的实验表明,文中方法性能提升明显.

太赫兹MIMO系统中基于SRCGAN的空时频信道估计方案

为了能有效利用THz-MIMO系统的多维信道特性,提出一种基于SRCGAN的THz-MIMO系统信道估计方案。在该方案中,由预估计模块获得的初始空时域信道响应矩阵被视作一张二维的低分辨率图像,利用SRCGAN网络提取太赫兹信道的空时特性进行空时域信道补全获得完整的信道信息,然后相邻子载波之间的频率相关性作为SRGAN提供的条件信息提升信道估计精度。为了增强SRCGAN网络对时变信道预测的鲁棒性,在线上估计阶段,基于最大均方误差准则采用梯度下降算法对输入的预估计信道信息矩阵进行迭代更新。仿真结果证明了基于SRCGAN的空时频信道估计方案性能的优越性,以及利用信道“空时频”的相关性提升估计精度的有效性。

面向服务质量的RIS辅助的多用户NOMA系统功率分配方案

可重构智能超表面(RIS)可被视为通信网络中具有特殊功能的“中继”来配合非正交多址接入(NOMA)系统构建一种协同的信息传输方案。考虑到未来物联网(IoT)场景下不同用户设备对服务质量(QoS)的不同需求,该文提出一种RIS辅助的多用户NOMA通信系统模型,并针对两类用户(信息用户和能量用户)的QoS需求设计了一种基于迭代优化的功率分配方法。该方法通过联合设计RIS相移矩阵、基站端波束赋形以及NOMA系统串行干扰消除顺序来最小化系统的总发射功率,以全面减轻通信系统中基站的能耗负担。仿真结果表明,与无RIS的场景相比,RIS辅助的NOMA系统可有效减小基站的能耗;在有RIS的场景下,所提功率分配方法的能耗明显低于RIS端随机选择相位的方式和基站端直接采用迫零波束赋形的方式。

基于信誉与共识的分布式智能入侵防御方案

当认知用户中存在恶意用户,特别是恶意用户间存在协作行为时,将给协作频谱感知带来极大危害。为有效抵御恶意行为,提出将信誉模型与一致性融合相结合的分布式智能入侵防御方案。每一次迭代过程,需要依据奖惩机制对认知用户的信誉值进行奖励或惩罚,进而将信誉值与一致性融合中的融合因子相结合,并共同作用于一致性融合过程。该方案下,智能的恶意用户将最终选择放弃恶意攻击。仿真结果表明,所提方案能有效抵御多个恶意用户(有协作/无协作)的攻击。与现有的3种防御机制相比,该方案具有更好的检测与防御性能。

基于掩蔽自监督语音特征提取的帕金森病检测方法

帕金森病是一种常见的慢性神经系统疾病,构音障碍是帕金森病的早期症状之一。基于语音进行帕金森病的辅助诊疗有助于更早发现病情和观测病情的发展。传统方法常通过对语音特征(如频率微扰、振幅微扰等)的参数计算来进行疾病评估,然而这些特征可能无法全面反映所有的病理现象,从而影响了检测和评估的准确率。为更好地提取帕金森病患者语音中的病理信息,提升检测和评估的准确率,该文提出一种基于掩蔽自监督语音特征提取的帕金森病检测方法。首先,从帕金森病患者的原始语音中提取Mel语谱图特征,得到患者富含病理特征的全局时序化表示;然后,对部分Mel语谱图特征进行掩蔽,并通过掩蔽自监督模型对掩蔽部分进行重构,从而学习到帕金森病患者语音特征的更高级表示。为解决帕金森病语音数据稀缺的问题,该文先在LibriSpeech公开数据集上进行掩蔽自监督模型的预训练,然后基于迁移学习的思想,利用帕金森病语音数据对预训练好的掩蔽自监督模型进行微调和加权求和,以提升该模型特征表示学习的性能。最终,使用随机森林和支持向量机分类器分别对提取好的语音特征进行分类,以实现帕金森病的检测。该文在MaxLittle公开数据集和课题组自采数据集上,采用10折交叉验证的方法验证了所提方法的有效性。结果表明,与传统的Mel语谱图特征检测方法和其他经典的自监督特征提取方法相比,所提方法在准确率、敏感度、特异度性能方面均有明显提升。

认知无线网络中的智能协作频谱感知机制研究

作为智能体,认知无线电应具有智能学习和智能判决的能力。为充分发掘认知用户的智能体特性,本文提出一种基于支持向量机和模糊积分的智能协作频谱感知机制。该机制将协作频谱感知模型转化成基于模糊积分的多分类器融合模型,其中每个认知用户均被看作一个独立的支持向量机分类器,单个感知周期内得到的采样数据作为分类器的输入,分类器的概率输出将被发送至融合中心,融合中心采用模糊积分算法将各分类器得到的结果进行融合并判决。该机制充分挖掘了认知用户在频谱感知阶段的"智能学习"能力和信息融合阶段的"智能判决"能力,仿真结果进一步表明,与单一的分类模型相比,本文提出的智能协作频谱感知机制具有更高的检测概率和更低的虚警概率。

无线传感器网络中基于NDMA的跨层协作多包接收

本文研究了协作分集下的NDMA(网络辅助分集多址接入)机制,针对无线传感器网络特点和信道矩阵满秩性要求设计中继选择准则,提出了一个新的跨层协作多包接收机制.该机制在抗信道衰落的同时可有效限制数据包重传次数,从而大大提高多包接收的效率.对新机制的性能仿真以及该机制与NDMA、联合NDMA、时隙ALOHA之间的性能对比证实了新机制的有效性.

认知无线网络中基于节点功耗和频带利用率的感知时隙优化算法

本文主要研究感知时隙对次用户节点功耗和频带利用率的影响,在保证检测性能的前提下,分析它们之间的折中关系,通过构造新的指标函数来衡量不同系统对次用户节点功耗和频带利用率的要求,并引入调节因子以便根据系统的不同需求选择不同的感知时隙。仿真结果表明,次用户节点功耗和频带利用率均是感知时隙的递减函数,在给定调节因子的情况下,总存在一个最优的感知时隙能够使得指标函数达到最小。

针对认知无线网络大规模入侵的双重防御方案

协作频谱感知(cooperative spectrum sensing,CSS)可有效提高频谱检测的准确性,然而,当次用户中恶意用户占比较大且同时发动大规模攻击时,将严重影响CSS的准确性。文中将用户选择和置信传播有机结合,提出一种针对大规模入侵的双重防御方案。基于本地感知结果通过用户选择机制挑选可靠次用户,挑选出的可靠次用户包括诚实用户和伪装成诚实用户的恶意用户。然后以可信度为权重计算置信值均值并将其和预设门限比较,进一步滤除伪装成诚实用户的恶意用户。仿真结果表明,与已有的简单的基于信誉的方案、基于均值的方案、基于克隆节点的攻击检测算法相比,所提方案具有更好的检测性能,且置信值收敛更快。

基于能量有效性的协作节点配置问题研究

无线通信的能耗主要由功放能耗和电路能耗两部分组成。在大距离传输中,通信能耗由功放能耗主导,电路能耗往往被忽略不计。而在以短距离传输为主的传感器网络中,电路能耗成为不可忽略的一部分,甚至有可能超过功放能耗成为通信能耗的主导。本文就如何通过节点间协作降低网络的通信能耗展开研究,拟解决协作通信中的协作节点配置问题。本文将信源-协作节点间距离纳入协作通信系统模型,提出一种针对调制参数、协作中继数、信源-协作簇距离对协作通信能耗进行联合优化的策略,并在无线传感器网络环境下对该模型的能耗进行了仿真。仿真结果表明,在传输距离一定的情况下,通过协作节点的数量、调制参数和信源-协作簇距离的联合优化配置,可以更有效地提高协作传输的节能效果。

一种改进的IT多包接收算法

本文利用IT(Implicit Training)序列的循环平稳性,实现了Ad Hoc网络中二维调制信号的多包接收,并将该算法与CDMA(Code Division Multiple Access)扩频技术相结合,提出了一种改进的多包接收算法。实验结果证明,改进算法一方面提高了SINR(Signal to Interference and Noise Ratio)、降低了误码率,另一方面也大大增加了可分离的冲突包数,从而有效地改善了整个网络的多包接收效果。

基于过滤的域适应模型融合的帕金森病情预测

作为一种非侵入式诊疗方式,帕金森症患者的语音可用于该病症的早期诊断和跟踪治疗。在基于语音的统一帕金森病评定量表（UPDRS）预测中,现有研究只考虑了性别对预测结果的影响。为提升基于语音的帕金森症诊疗方案的准确度和有效性,对已有的帕金森症患者语音数据进行回归预测并分析获取数据的内在规律。在此基础上,提出一种使用基于过滤的域适应模型融合方法,该方法考虑了不同患者间病情发展趋势和严重程度的差异性及差异之间的不平衡性,将与待测对象差异较大的已知对象数据过滤,对剩余的数据使用域适应模型融合来构建准确的UPDRS预测模型。将该方法在现实数据集上与现有方法进行了对比,实验结果表明,方法能获得更好的预测性能。

“人工智能+X”电子信息类人才培养新模式探索

人工智能(AI)技术的飞速发展与广泛应用,使得身处时代变革大潮中的学生们在学习观念、习惯、方法、行为方式等方面均发生了重大变革,同时也对高等教育理念、教学方法、教学模式、评价体系、管理体制等产生了巨大冲击。在紧抓人工智能时代信息素养内涵基础上,针对现有人才培养体系中存在的问题,着重从专业课程体系重构、师资队伍建设、教学模式改革、工程素养培养等四个方面出发,对“人工智能+X”时代电子信息类复合型人才培养模式进行了探索与研究。

频谱检测中基于FCM的自适应门限选择机制

在认知无线电中,能量检测法是次用户实现频谱检测的重要方法之一。其中,检测参数的设置尤为重要。然而,当无线网络环境改变时,一些重要检测参数(如检测器门限)将会随之改变,因而及时准确地获取检测参数就显得十分必要。本文首先在理想高斯白噪声信道条件下推导了能量检测的最佳门限表达式。为了在变化的网络环境中快速自适应地获得最佳门限并降低检错率,提出了一种基于模糊C均值(fuzzy C-means,FCM)的自适应门限选择机制。该机制只需根据接收到的能量样本的相似性和差异性进行聚类,选取隶属度值差异最小的能量样本作为最佳门限值,而无需信噪比、初始门限等先验信息,因此在能量检测中具有更强的自适应性。Matlab仿真结果证明,新机制下获取的最佳门限与本文中推导的高斯白噪声信道下的最佳检测器门限相比,具有很好的拟合度。