一种基于滤波器组设计的多频带组合信号增强方法

针对低信噪比情况下未知多频带组合信号增强及其检测问题,提出了一种基于滤波器组设计的多频带组合信号增强方法。首先,依据耳蜗时频分解原理设计伽马通滤波器组,对传感器采集数据进行分频带处理;然后,根据信号与背景噪声在强度和稳定性上的差异性,对各频带数据进行方差归一化处理,建立判决统计量;最后,依据判决统计量对各频带数据进行判决处理,实现对多频带组合信号增强。数值仿真结果表明,在仿真条件下,该方法能够将数据中未知多频带组合信号信噪比提高6 dB以上,在信号频带未知情况下实现了对多频带组合信号的增强,提升了能量累积检测方法对未知多频带组合信号的检测效果。

噪声环境下稳健的说话人识别特征研究

针对噪声环境下说话人识别率较低的问题,提出一种基于正规化线性预测功率谱的说话人识别特征。首先对语音信号线性预测分析和正规化处理求出语音频谱包络,然后通过伽马通滤波器组得到对数子带能量,最后对特征参数进行离散余弦变换,得到了一种说话人识别特征正规化线性预测伽马通滤波器倒谱系数(Regularized Linear Prediction Gammatone Filter Cepstral Coefficient,RLP-GFCC)。仿真结果表明,在噪声环境说话人辨认试验中,相比传统特征美尔频率倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)和伽马通滤波器倒谱系数(Gammatone Filter Cepstral Coefficient,GFCC)的系统识别率得到了明显提高,对噪声环境的鲁棒性得到了增强。

基于加权混合特征的话者识别算法

用多窗谱估计和伽马通滤波改进经典的梅尔倒谱特征(MFCC)的识别性能,并与delta特征相结合,提出了一种基于加权参数设置策略的混合特征话者识别算法.该算法解决了梅尔倒谱系数方差过大、听觉特征不明显及话者识别算法特征单一的问题.仿真结果表明:与MFCC和线性预测的提取方法相比,该算法鲁棒性能更优,对不同噪声环境的适应性更好.

基于子带包络和卷积神经网络的心音分类算法

心音自动分类技术在先天性心脏病的早期诊断中占有重要地位。本文在不依赖对心音按心动周期进行准确分割的基础上,提出一种基于子带包络特征和卷积神经网络的心音分类算法。首先对心音信号进行分帧,其次用伽马通滤波器组对帧级心音信号进行滤波从而得到子带信号,然后用希尔伯特变换提取子带包络并将经过后续处理的子带包络堆叠成特征图,最后使用Ⅰ型与Ⅱ型卷积神经网络进行分类,经实验证明该特征在Ⅰ型卷积神经网络上能达到较优效果。本文用采集的1 000例心音样本对本文算法进行测试,测试结果表明,本文提出的算法对比其它同类算法的整体性能有明显提升,期望通过本研究可为先心病的自动分类提供新的方法,并加快心音自动分类技术应用于实际筛查的进程。