[发明专利]一种基于注意力机制与扰动感知的声音分离方法

说明书

本发明属于声音信号分离技术领域，特别涉及一种基于注意力机制与扰动感知的声音分离方法，包括获取声音信号数据集，对该数据集的声音信号进行预处理得到混合声音信号，随后将混合声音信号划分为训练集、验证集；将训练集中的混合声音信号输入单通道语音分离网络模型，在交叉熵损失函数的指导下输出得到分离后的独立源信号；利用验证集数据验证每次单通道语音分离网络模型的正确率，并且保存正确率最高时的网络参数；将待分离的混合声音信号数据输入单通道语音分离网络模型，即可得到分割后的独立源声音信号；本发明能够进一步学习区分混合信号中的噪声信号，解决了单通道语音分离网络对噪声鲁棒性不足的问题。

技术领域

本发明属于声音信号分离技术领域，特别涉及一种基于注意力机制与扰动感知的声音分离方法。

背景技术

语音分离是信号处理领域中的一项基础任务，并且在各项声音处理任务中有着广泛地应用，包括移动通信、语音识别以及情感识别等任务。单通道语音分离(SingleChannel Speech Separation,SCSS)指从一维混合语音信号中恢复出多个独立源语音信号的过程。单通道语音分离通常难以利用源声音信号的空域信息。缺乏足够先验信息的指导使得单通道语音分离成为语音分离任务中亟待解决的重要课题之一。

随着深度学习技术的发展，神经网络也逐渐被广泛地应用于不同的声音信号处理任务中，传统的信号处理方法通常包含多个相互依赖的子步骤，当前步骤处理结果的好坏往往会影响下一步骤的处理结果。而深度学习可以将多个具有依赖关系的处理模块整合到一个神经网络中，大大降低了信号处理方法的实现复杂度，同时神经网络具有强大的拟合性能及映射能力，使得其在不同的信号处理任务中都获得了不俗的效果。

对于单通道语音分离任务而言，传统的U-Net结构无法得到多个分离后的独立源声音信号，需要对U-Net网络结构进行进一步改进，同时由于传统U-Net缺少对信号输入的充分学习，没有充分利用信号特征的一维空间信息，并且现有的深度学习方法缺乏对单通道语音中背景噪声的有效学习，导致相关方法得到的分离后声音信号准确率偏低。

发明内容

为了提高单通道语音的分离效果，本发明提出一种基于注意力机制与扰动感知的声音分离方法，包括以下步骤：

S1、获取声音信号数据集，对该数据集的声音信号进行预处理得到混合声音信号，随后将混合声音信号划分为训练集、验证集；

S2、将训练集中的混合声音信号输入单通道语音分离网络模型，在交叉熵损失函数的指导下输出得到分离后的独立源信号；

S3、利用验证集数据验证每次单通道语音分离网络模型的正确率，并且保存正确率最高时的网络参数；

S4、将待分离的混合声音信号数据输入单通道语音分离网络模型，即可得到分割后的独立源声音信号。

进一步的，对声音信号进行预处理得到混合声音信号具体包括：

将多份独立源声音信号进行裁剪，每份信号裁剪后得到多段时长为N秒的声音信号切片；

将每份裁剪后的声音信号进行重采样，采样频率为8000hz；

将采样后的声音信号进行归一化处理；

将归一化处理后属于不同独立源信号的声音片段进行逐位相加，随后与一段时长为N秒、采样率为8000hz的噪声片段再次逐位相加，得到最终的混合声音信号。

优选的本发明将信号裁剪为2秒每段。

进一步的，单通道语音分离网络模型包括编码器网络、解码器网络以及注意力融合的掩模分离模块，单通道语音分离网络模型将混合声音信号分离得到独立声音信号的过程包括以下步骤：

编码器网络对输入的混合声音信号进行特征提取及降维，得到混合声音信号的深度特征；