The invention provides an environment adaptive neural network denoising method for digital hearing aids, which includes the following steps in turn: pre-processing steps: receiving noisy speech signals, transmitting noisy speech signals after sampling and framing to the acoustic scene recognition module; scene recognition steps: using the acoustic scene recognition module to recognize the acoustic scene, and then by the acoustic scene recognition module. Scene recognition module independently chooses different neural network models in the neural network denoising module to send; Neural network denoising steps. The advantages of the present invention are as follows: 1. It can guarantee the real-time performance of speech processing, only forward propagation of the neural network, and the computational complexity is not high; 2. It can recognize the acoustic scene in which it is located, and then independently select different neural network models to process the noise in different scenarios, so as to ensure better speech quality and speech intelligibility; 3. It can identify the acoustic scene in which it is located, and reduce the noise in different scenarios. The instantaneous noise can be effectively suppressed.
【技术实现步骤摘要】
一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质
本专利技术涉及软件
,尤其涉及一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质。
技术介绍
目前,市面上的高性能数字助听器都会内置降噪算法,用来消除环境中的背景噪声干扰,以达到满足人耳听觉舒适度的要求。由于数字助听器对语音实时处理的要求,内置在助听器内部的降噪算法多采用谱减法、维纳滤波等运算量较低的算法,这些算法只能应对简单稳定的噪声干扰环境,在低信噪比、瞬时噪声等复杂的噪声环境中性能表现很差,听力损失患者的佩戴使用体验不佳。
技术实现思路
本专利技术公开了一种用于数字助听器的环境自适应神经网络降噪方法,利用深层神经网络强大的映射能力,并结合环境自适应的策略,实现一种应对复杂噪声环境的高性能降噪算法。本专利技术提供了一种用于数字助听器的环境自适应神经网络降噪方法,包括依次执行如下步骤:预处理步骤:接收带噪语音信号,带噪语音信号经过采样分帧后传输至声学场景识别模块;场景识别步骤:采用声学场景识别模块对所处的声学场景进行识别,然后由声学场景识别模块自主的选择神经网络降噪模块中不同的神经网络模型进行发送;神经网络降噪步骤:神经网络降噪模型接收声学场景识别模块发送的分类结果并对不同场景下的噪声进行针对性地降噪处理。作为本专利技术的进一步改进,在所述场景识别步骤中,所述声学场景识别模块采用了对时间序列具有记忆作用的LSTM神经网络结构,具体步骤如下:S1:对每一帧提取设定维数的梅尔倒谱系数特征;S2:由LSTM神经网络读入一帧梅尔倒谱系数特征进行处理,达到一定帧时将输出分类的结果。作为本 ...
【技术保护点】
1.一种用于数字助听器的环境自适应神经网络降噪方法,其特征在于,包括依次执行如下步骤:预处理步骤:接收带噪语音信号,带噪语音信号经过采样分帧后传输至声学场景识别模块;场景识别步骤:采用声学场景识别模块对所处的声学场景进行识别,然后由声学场景识别模块自主的选择神经网络降噪模块中不同的神经网络模型进行发送;神经网络降噪步骤:神经网络降噪模型接收声学场景识别模块发送的分类结果并对不同场景下的噪声进行针对性地降噪处理。
【技术特征摘要】
1.一种用于数字助听器的环境自适应神经网络降噪方法,其特征在于,包括依次执行如下步骤:预处理步骤:接收带噪语音信号,带噪语音信号经过采样分帧后传输至声学场景识别模块;场景识别步骤:采用声学场景识别模块对所处的声学场景进行识别,然后由声学场景识别模块自主的选择神经网络降噪模块中不同的神经网络模型进行发送;神经网络降噪步骤:神经网络降噪模型接收声学场景识别模块发送的分类结果并对不同场景下的噪声进行针对性地降噪处理。2.根据权利要求1所述的环境自适应神经网络降噪方法,其特征在于,在所述场景识别步骤中,所述声学场景识别模块采用了对时间序列具有记忆作用的LSTM神经网络结构,具体步骤如下:S1:对每一帧提取设定维数的梅尔倒谱系数特征;S2:由LSTM神经网络读入一帧梅尔倒谱系数特征进行处理,达到一定帧时将输出分类的结果。3.根据权利要求2所述的环境自适应神经网络降噪方法,其特征在于,所述LSTM神经网络结构包括输入层、隐藏层和输出层,输出层的神经单元对应不同的场景类别,LSTM神经网络不仅会处理当前的输入,还会与之前保留的输出进行组合,实现记忆的作用,当累计达到设定帧数的记忆后,输出分类结果。4.根据权利要求3所述的环境自适应神经网络降噪方法,其特征在于,所述LSTM神经网络结构记忆更新原理如下:LSTM神经网络结构将当前帧输入的特征tn与之前保留的输出结果hn-1进行组合,同时也将上一帧的状态Cn-1一起输入进去进行判断,产生一个当前帧的输出hn和一个当前帧的输出状态Cn,一直迭代下去,直到满足所需帧的记忆条件后,对最终的输出h进行softmax变换得到输出层的预测概率。5.根据权利要求4所述的环境自适应神经网络降噪方法,其特征在于,在所述场景识别步骤中,还包括LSTM神经网络训练时的损失损失函数计算,计算公式如下:其中yi和分别为正确的分类标签和LSTM网络输出层预测的分类结果。6.根据权利要求1所述的环境自适应神经网络降噪方法,其特征...
【专利技术属性】
技术研发人员:张禄,王明江,张啟权,轩晓光,张馨,孙凤娇,
申请(专利权)人:哈尔滨工业大学深圳,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。