[发明专利]一种人工耳蜗的环境声感知方法和系统

说明书

本发明公开了人工耳蜗的环境声感知方法和系统，方法包括以下步骤：声音采集模块采用麦克风实时采集环境声，将采集到的一段离散声音信号输出给声音特征提取模块；声音特征提取模块将声音采集模块发送来的声音信号作处理，提取一组代表声音信号特点的特征值，输出给神经网络分类模块；神经网络分类模块在收到声音特征提取模块提取的一组特征值，通过训练好的神经网络对该组特征值进行分类，然后将分类结果输出给综合决策模块；综合决策模块在收到神经网络分类模块的分类结果之后，综合分析给出当前场景的判定，并将判定结果输出给语音处理选择模块；语音处理选择模块根据综合决策模块对当前场景的判定结果，选择最优的语音处理程序及其参数配置。

技术领域

本发明属于信号处理领域，涉及一种人工耳蜗的环境声感知方法和系统。

背景技术

人工耳蜗是目前市场上唯一一种可以有效地让重度或极重度耳聋患者恢复听力的医疗器械。一般的人工耳蜗的工作原理是将麦克风采集的声音信号，经过信号处理单元，将声音信号转为刺激编码发送给植入体，植入体按照刺激编码，通过微电极刺激听神经，从而使植入者恢复听力。跟助听器等其他辅听设备一样，这类系统缺少常人听力系统的一项重要功能，即可以在复杂的声音场景中分辨目标信号，并将其提取出来。比如在一群人或者相对嘈杂的环境下，听清聊天对象所说的话。通常的解决办法是通过一定的去噪算法，减少噪音对听声的影响。然而不同的环境(比如纯语音、待噪语音或者噪音环境)下的去噪算法和算法的参数配置是不同的。

为了解决这类问题，又引入了环境声感知算法，系统可以根据环境声感知算法的判定结果，有针对性的开启降噪算法并配置相关参数。早期的人工耳蜗或者助听器的系统中，环境声感知算法的分类器采用的是隐马尔可夫模型。该模型相对简单，理论成熟较早，对训练数据要求不高，也保有一定的正确识别率。并且其运算量比较低，能够适应人工耳蜗这种运算能力有限的设备。随着近几年模式识别，机器学习等领域的不断创新，算力算法上的不断进步，更多的分类算法(支持向量机、神经网络等)在环境声感知领域上的表现更为突出，分类正确率更高。而且支持向量机、神经网络这类分类器相对于隐马尔可夫模型，将重心放在区别类别上，而无须提供类别转换的先验概率。也就是说只需要分析不同环境声的数据，不需要考虑从一种环境声转换另一种环境声的概率是多少。得到这种转换概率非常困难，而且从数据上分析又不够准确。但是神经网络的变化很多，根据输入特征值的数目，隐含层的数目，每层网络节点数目的不同，其网络结构可以有很多种组合。而且通常神经网络的分类正确率跟其规模成正比，因而所需运算量也比较大。

发明内容

为解决上述问题，本发明针对现有声音感知处理的缺点，提出了一种人工耳蜗的环境声感知方法，采用神经网络，对环境声分类，该神经网络的输入特征值、网络结构是在人工耳蜗系统上进行的优化，即在满足一定的分类正确率的情况下，使运算量达到最小。

为实现上述目的，本发明的技术方案为一种人工耳蜗的环境声感知方法，包括以下步骤：

声音采集模块采用麦克风实时采集环境声，然后将采集到的一段离散声音信号输出给声音特征提取模块；

声音特征提取模块将声音采集模块发送来的声音信号作处理，提取一组代表声音信号特点的特征值，输出给神经网络分类模块；

神经网络分类模块在收到声音特征提取模块提取的一组特征值之后，通过训练好的神经网络对该组特征值进行分类，然后将分类结果输出给综合决策模块；

综合决策模块在收到神经网络分类模块的分类结果之后，综合分析给出当前场景的判定，并将判定结果输出给语音处理选择模块；

语音处理选择模块根据综合决策模块对当前场景的判定结果，选择最优的语音处理程序及其参数配置。

优选地，所述麦克风实时采集环境声使用全向麦克风或者麦克风阵列。

优选地，所述声音采集模块的采样率为16K。