[发明专利]基于分段频点选择的语音信号盲分离方法和双耳助听系统

说明书

本发明公开了一种基于分段频点选择的语音信号盲分离方法和双耳助听系统，所述方法包括：首先在低频区域和高频区域分别以混合信号的协方差矩阵行列式和混合信号的MSC为标准进行第一阶段筛选，得到初选频点集合，利用从分离矩阵中提取的归一化衰减延迟参数解决顺序不确定性和延迟参数不准确的问题；采用离群点检测方法对初选频点进行第二阶段筛选，得到终选频点集合；计算未选频点的分离矩阵；对所有频点解决幅值不确定性后完成信号的初始分离；对于未选频点，基于初始分离信号使用维纳滤波进行重新分离。本发明适用于混响的环境下，具有不限制频点选择范围，不限制麦克风之间的距离，对不同频点进行不同分离操作的特点，并且适用于双耳助听系统。

技术领域

本公开属于语音信号盲源分离技术领域，尤其涉及一种适用于双耳助听系统的基于分段频点选择的语音信号盲分离方法。

背景技术

盲源分离(Blind Source Separation,BSS)是在混合过程未知的情况下给定混合信号分离出独立源的问题。例如，鸡尾酒会问题。实际上，由于我们不知道任何有关源信号的有用信息，解决盲源分离问题变的非常艰巨。法国学者Herault和Jutten在此工作上开创了先河，提出了著名的H-J算法，即采用神经网络方法实现两个独立语音混合信号的分离。在此之后，盲源分离问题得到更多专家学者们的关注并快速发展起来，在移动通信、语音处理、生物医学信号处理等领域已得到成功应用。

本文主要关注BSS在双耳助听系统中的应用，BSS可以在进行语音增强消除人声干扰的同时保持所有声源的双耳线索，在助听系统的应用方面具有非常大的潜力。由于声音传播引起的时间延迟和由声音反射产生的多径，在真实的混响环境中麦克风接收到的信号为源信号的卷积混合，但由于涉及多通道卷积运算，它们在时域中可能难以编码，简化卷积混合的一种方法是将任务变换到频域，时域卷积变为频域相乘。对于最受欢迎的频域独立成分分析(Frequency Domain Independent Component Analysis,FDICA)算法，通过在每个频点上进行ICA迭代得到分离矩阵，完成混合信号的分离。但是，该算法的计算复杂度非常高，这与助听系统低延迟和低功耗的需求相矛盾。因此，要想将FDICA算法应用到双耳助听系统中，最首要的问题是要降低算法的计算复杂度。

针对这个问题，Kondo Kazunobu估计了FDICA算法中每一步的复杂度，并指出主要的计算复杂度是在ICA迭代这一步上。仅从信号分离的角度出发，每个频点都需要进行ICA迭代得到分离矩阵。但实际上，语音信号的能量分布特性决定了在某些能量较低的频点上进行ICA迭代对信号整体的分离性能有较小的提升。此外，在某些独立性较差的频点上进行ICA迭代可能导致整体分离性能下降，甚至ICA算法不能正常工作。因此，在不影响分离性能的条件下降低算法的复杂度可以从减少执行ICA迭代的频点数目着手。引入频点选择机制，将整个频域内的频点分为选择频点和未选频点,选择一定数量分离性能较好的频点进行ICA迭代，从而获得精确的分离矩阵，这样更有利于未选频点的分离，在减小计算复杂度的同时使整体性能得到提升。

近年来，各种各样的频点选择算法被提出。例如，Kondo Kazunobu指出在两个麦克风两个源信号的条件下，混合信号协方差矩阵的行列式能够描述声源的数量和功率，选择行列式较大的频点进行ICA迭代得到分离矩阵。这只是从能量的角度进行频点选择。在其它论文中从独立性的角度出发，将混合信号的互信息，幅值平方相关函数(Magnitude SquareCoherence,MSC)或者中心相关熵作为选择标准，选出标准值较小的频点进行ICA迭代。对于未选频点的分离，则是利用从选择频点的分离矩阵中提取的DOA信息或者衰减延迟参数构建未选频点的分离矩阵，从而完成分离。