音频取证中基于压缩算法对录音设备的识别研究

为解决音频取证中私录音频由何种录音设备所录的问题,针对不同设备所采用的压缩算法不同,录音信号会有区别于其他录音设备的个性特征,提出了一种基于压缩算法对录音设备的识别方法。首先得到不同录音格式的音频,判决出无声段,分别提取改进MFCC倒谱参数,接着构建卷积神经网络识别模型,并将特征参数输入其中训练测试,最后识别并统计识别结果,为了验证本分类方法的有效性,将之与其他神经网络进行对比。实验结果表明,该方法能够较好地区分不同压缩算法下的音频特性。

基于CNN的录音设备判别研究

文章拟解决音频取证中录音设备判别的问题。不同设备采用的压缩算法不同,会导致录音设备录音时附加到音频中的某些参量不同。从压缩算法角度,文章介绍一种基于卷积神经网络(Convolution Neural Networks,CNN)的录音设备的判别研究。首先获得不同比特率的音频,结合改进的梅尔频率倒谱系数算法(Mel Frequency Cepstrum Coefficient,Mel),用以分析录音设备对音频文件的特征参数影响,接着构建卷积神经网络识别模型,并将得到的Mel倒谱参数输入至构建好的神经网络中训练测试,最后识别并统计识别结果。实验结果表明,本研究对手机比特率的识别率达到92%。

基于SVM的录音设备分类研究

为解决音频取证中私录音频由何种录音设备所录的问题,针对不同设备所采用的压缩算法不同,就会导致录音信号中蕴含着区别于其他录音设备的个性特征,本文从压缩算法出发,提出了一种基于SVM对录音设备的分类方法。首先获取不同录音格式的音频,然后针对音频分别用MATLAB对其求改进MFCC倒谱参数,接着选定测试集和训练集,使用交叉验证方法得到倒谱数据的最佳参数,之后用训练集对SVM进行训练,再用得到的模型来预测测试集的分类标签。通过仿真与实验,结果表明,该方法能够较好的区分不同压缩算法下的音频特性,平均识别率达97%。

心率监测定位报警系统设计

为实现一种低成本的心率监测定位报警系统,在掌握全球定位系统(Global Position System,GPS)、全球移动通信系统(Global System for Mobile Communications,GSM)和光电式心率监测传感器工作原理的基础上,进行了基于STC12C5A60S2单片机、瑞士u-blox公司的GPS模块、SIMCOM公司的SIM300通信模块和脉搏传感器的系统实验,实验结果表明,在脉搏传感器监测到佩戴者心率突变超出正常水平时,系统能及时地将佩戴者的实时地理位置信息发送到与之绑定的手机上,实现了对佩戴者身体突发意外时准确及时的定位。系统各部件协作完成了实时定位、心率监测以及信息发送报警的功能。