基于信号特征的电子耳蜗言语处理策略的频带选取

言语处理策略提取信号参数,并以特定的编码和刺激模式把参数传递到植入体内的电子阵列,是电子耳蜗各个环节中的关键部分。目前不同类型的电子耳蜗采用不同的言语处理策略,其中基于信号特征的言语处理策略是主流的方法。该模式进行参数提取和频带选择是基于所采集信号本身的特征,其刺激模式与连续交替采样刺激模式不同。本研究基于信号特征的电子耳蜗言语处理策略的频带选取模式和特征,探讨频带选取对信号的影响,并总结基础的参数结果和信号变化结论,有助于电子耳蜗新算法的开发和改进。

基于信号能量选取的电子耳蜗言语处理策略特征

基于信号能量选择的电子耳蜗言语处理策略的算法架构,分析该策略的信号处理过程,并比较波形、信号强度、语音频谱等特征,以获得该策略对语音信号处理的影响。此外,本文对信号序列每帧中选择的最大子带数量以及电子耳蜗滤波器组选择每个子带的概率进行深入统计。研究发现,基于信号能量选择的言语处理策略的特点是低频通道的选取概率较高,高频通道的选取概率较低。通过重点分析算法在信号特征参数传输上的匹配性和频带选择中的关键特征,为提出和改进新的电子耳蜗言语处理策略提供依据。

最优共振频带提取的高速列车轴承故障诊断

在非高斯噪声与周期振动信号的干扰下,高速列车轴承的故障特征提取较为困难,针对这一问题,提出了一种新的最优故障频带的判别方法,并通过经验小波变换(Empirical Wavelet Transform,EWT)对故障频带进行提取,从而实现高速列车轴承故障的有效诊断。该方法首先提供了完整的频域分割框架,得到不同中心频率、不同带宽的频带分布;为了得到各频带所包含的故障信息含量,提出了新的故障特征指标HSIB,根据HSIB的变化趋势识别最优频带;最后进行经验小波变换,将选取的故障频带通过正交滤波器组,对得到的分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验数据验证,选取的最优频带包含了丰富的故障信息,可以准确地提取出轴承故障特征频率的基频和倍频成分,有效确定轴承故障。