[发明专利]一种音频帧序列到事件标签序列的声音事件标注方法

权利要求书

1.一种音频帧序列到事件标签序列的声音事件标注方法，其特征在于，包括如下步骤：

步骤S1:从给定音频文件中提取梅尔能量特征，并将其处理成特征序列；

步骤S2:根据得到的特征序列，使用三层卷积神经网络提取每帧的抽象特征，并通过双向门限递归单元神经网络提取帧综合特征序列；

步骤S3:根据得到的综合特征序列，通过Softmax前馈神经网络层作为注意力机制层，得到注意力特征,并进一步得到事件标签序列；

所述步骤S1具体为：

步骤S11:将给定音频文件按照时长1.2秒切分为待检测的声音分段，每个声音片段包含61个音频帧，每帧时长40ms;

步骤S12:对每帧提取123维的梅尔能量特征，构成帧特征序列；所述步骤S2具体为：

步骤S21:将S1中得到的61帧123维大小的浅层梅尔能量特征序列，使用三层卷积神经网络提取每帧的抽象特征;

步骤S22:通过双向门限递归单元神经网络提取帧综合特征序列；

所述步骤S3具体为：

步骤S31:使用Softmax前馈神经网络层作为注意力机制层；

将S2得到的61帧综合特征，对每帧的所有通道分别进行Softmax和Sigmoid操作，获得与输入大小一致的两个输出A和B;

步骤S32:将A和B进行点乘，得到注意力特征;

步骤S33:将声音事件检测视为分类问题，其定位问题作为回归问题，分类层和回归层得到对应的分类损失和回归损失;

步骤S34:将分类损失和回归损失联合起来做多任务损失学习，输出61帧声音事件标签序列；

步骤S4:将得到的所有音频片段的声音事件标签序列联合，并进行合并和平滑处理,得到标注结果。

2.根据权利要求1所述的一种音频帧序列到事件标签序列的声音事件标注方法，其特征在于，定义全连接层Softmax前馈神经网络层的注意力输出为，包括分类注意力输出和回归注意力输出

采用Sigmoid激活函数得到分类和回归结果：

。

3.根据权利要求1所述的一种音频帧序列到事件标签序列的声音事件标注方法，其特征在于，所述步骤S4具体为：

步骤S41:对所有音频片段的声音事件标签序列联合后，进行合并和平滑处理;

步骤S42:相邻帧中同类别事件合并后，删除事件时间长度小于设定时间的事件;

步骤S43:输出给定音频文件中包含的声音事件出现起止时间的标注结果的集合。