数字助听器听觉场景识别和自动增益控制算法研究及实现

摘要

佩戴助听器的听力患者跟正常人生活同样生活在各种环境下，如在安静的卧室，嘈杂的公路上或者在音乐会上。有些助听器的算法只适用于某种场景，在另外一个场景下可能没有效果甚至带来更坏的结果。有些助听器设备需要患者根据不同的环境去手工调节一些参数和用音量调节开关来控制输出音量以适应当前环境获得更好的声音。并且在一次设定之后，戴上之后不可能一直进行手动调节，而且手动选择功能对于老人，小孩或身体残疾的人等弱势群体来说，非常不便利。如果让助听器利用算法自动识别场景，自动设置参数适应当前环境和自动增益输出音量，代替人工操作的繁琐部分，这将极大提升助听器的智能性。
　　本文采用基于高斯混合模型（GMM）的听觉场景识别算法可以自动分析识别出安静环境，噪声环境和音乐环境下的各种场景，比如噪声环境下的街道，火车和餐厅场景。根据不同的场景来调节助听器其他算法的参数。接着本文提出一个改进的方法，在传统GMM模型的基础上对训练部分算法提出改进，传统的GMM训练算法对μ的初始值是采用随机选取的办法，本文则采用融合模拟退火算法和LBG算法来设定GMM模型参数μ的值，从而使生成的GMM场景模型更加优化。在给定的测试集里，传统的GMM算法正确率大概在77％，本文提出的改进算法正确率提升至大约85%。
　　本文提出一种基于语音平均能量基础上的自动增益控制（AGC）算法，算法根据输入的语音信号自动调节音量使得输出的声音更加舒适并保持在听力的舒适范围内，将微弱的声音进行放大，而对过大的声音进行限幅。在该算法的基础上提出基于语音活动帧检测算法（VAD）的自动增益控制算法（AGC），算法的基本思想是利用VAD算法判决当前语音帧是否为语音，若判为语音帧则启用AGC算法，否则抑制非语音帧。

目录

第1章 绪 论

1.1 课题研究背景

1.2 听觉感知机理

1.3 数字助听器研究现状与分析

1.4 本文的研究内容

第2章 数字助听器的关键算法概述

2.1 语音增强算法

2.2 宽动态压缩算法

2.3 回声消除算法

2.4 本章小结

第3章 基于GMM的听觉场景识别算法

3.1 算法概述

3.2 语音信号预处理和特征提取

3.3 传统的GMM训练算法

3.4 改进的GMM训练算法

3.5 GMM分类识别算法

3.6 算法性能验证与分析

3.7 本章小结

第4章 基于VAD的自动增益控制算法

4.1语音活动帧检测算法

4.2自动增益控制算法

4.3基于VAD算法的自动增益控制算法

4.4算法性能验证与分析

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢