FrFT-Bark域特征提取与CNN残差收缩网络心音分类算法

为充分挖掘心音信号的生理、病理信息,提高心音自动分类的准确率,提出一种不依赖于分割和去噪的心音自动分类新算法.首先提取心音信号Bark域分数傅里叶变换的时频特征,然后将深度残差收缩网络引入卷积神经网络中构建新的分类模型,该模型能够自动去除与当前任务无关的特征信息,提高模型预测的准确率及稳定性.研究所用心音样本5000例,其中1000例用于测试.实验结果表明,提出算法的准确率、灵敏度、特异度分别为0.925、0.902、0.948,F1值为0.923.该方法整体性能较以往方法有明显提升,具有较强的鲁棒性和泛化能力,有望应用于先心病的临床筛查.

一种基于Bark域能量分布的噪声分类方法

对不同种类噪声的分类处理,可以提高噪声环境下语音信号处理的性能。为了能够准确地区分各类噪声,提出了一种基于Bark域噪声能量分布特性的噪声分类方法。通过将噪声能量从均匀时频空间映射到Bark空间,构造了一个能够有效区分各种噪声的22维特征向量,并使用支持向量机(SVM)进行模型训练和噪声分类。实验结果表明:所提出的噪声分类方法具有非常高的分类准确率,对用于实验的两种噪声数据集的平均分类准确率分别为99.50%和93.44%。

基于Bark域噪声估计及掩蔽效应的语音增强

针对非平稳环境下噪声估计和语音增强性能降低的特点,提出一种基于Bark域的快速自适应噪声谱估计算法。它基于听觉模型,将带噪信号变换到Bark域,并在Bark域内实现基于人耳掩蔽的语音增强。仿真实验表明该算法能充分利用Bark带内频带间的相关性,跟踪快变的背景噪声,提高语音增强性能,减少运算量和复杂度。