[发明专利]一种基于语音和雷达双传感器的测谎方法及系统

权利要求书

1.一种基于语音和雷达双传感器的测谎方法，其特征在于，所述方法包括以下步骤：

步骤1，利用麦克风和连续波雷达同步采集语音信号和雷达信号；

步骤2，对步骤1采集的语音信号进行降噪、声音事件检测、预加重预处理；

步骤3，针对步骤2得到的预处理后的语音信号，提取基频、发声概率、短时过零率、帧均方根能量、梅尔倒谱系数特征，并对这5种特征运用最大值、最小值、均值、标准差、偏度、峰度6种统计参数，得到语音特征集X；

步骤4，对步骤1采集的雷达信号进行解调、滤波，得到呼吸信号和心跳信号；

步骤5，分别对步骤4得到的呼吸信号和心跳信号进行时域、频域和非线性特征提取，得到呼吸特征集R和心跳特征集H；

步骤6，将步骤5得到的呼吸特征集R和心跳特征集H进行融合，得到生理特征集Y，之后对生理特征集Y和步骤3得到的语音特征集X进行特征融合，得到融合特征集Z；

步骤7，利用步骤6得到的融合特征集Z训练分类器，对语音样本进行测谎分类。

2.根据权利要求1所述的基于语音和雷达双传感器的测谎方法，其特征在于，步骤2中所述对步骤1采集的语音信号进行降噪，具体过程包括：

步骤2-1，针对分贝超过预设阈值的噪声即主要噪声，录制其噪声样本；

步骤2-2，对于步骤2-1得到的噪声样本，运用SOX音频处理程序生成噪声样本配置文件，并根据噪声样本配置文件对语音信号进行一次降噪，去除主要噪声；

步骤2-3，对步骤2-2得到的一次降噪后的语音信号，利用改进谱减法进行二次降噪，去除噪声样本外的其他类型噪声，得到纯净的语音信号。

3.根据权利要求2所述的基于语音和雷达双传感器的测谎方法，其特征在于，步骤5所述分别对步骤4得到的呼吸信号和心跳信号进行时域、频域和非线性特征提取，得到呼吸特征集R和心跳特征集H，具体包括：

步骤5-1，对呼吸信号进行时域、频域和非线性特征提取，得到呼吸特征集R；

A、时域特征：提取呼吸幅度均值、呼吸幅度标准差、呼吸平均幅度差、呼吸归一化平均幅度差作为呼吸信号的时域特征；其中，

(1)呼吸幅度均值μ_x，用于反映测谎过程中呼吸的平均幅度情况，表达式为：

式中，X(n)为第n个呼吸序列，N为呼吸序列总数，1≤n≤N；

(2)呼吸幅度标准差σ_x，用于反映测谎过程中呼吸的总体变化情况，表达式为：

(3)呼吸平均幅度差δ_x，用于反映测谎过程中呼吸幅度的短时变化的情况，表达式为：

(4)呼吸归一化平均幅度差δ_rx，用于反映测谎过程中呼吸幅度的短时变化对总体变化的影响，表达式为：

B、频域特征：提取呼吸低频段F_L、呼吸中频段F_M和呼吸高频段F_H这三个频段功率谱幅度均值作为呼吸信号的频域特征；其中，F_L＜p₁Hz，p₁Hz≤F_M＜p₂Hz，F_H＞p₂Hz；

C、非线性特征：提取呼吸去趋势波动标度指数、呼吸样本熵作为呼吸信号的非线性特征；

(1)呼吸去趋势波动标度指数

呼吸去趋势波动标度指数用于反映测谎过程中呼吸信号的非平稳特性，其计算步骤具体如下：

1)假设呼吸序列为X(n)，计算其均值μ_x：

2)计算呼吸序列的累计差值y(n)：

3)将y(n)不重叠地划分为a个窗，窗长为b；

4)对每段窗长区间利用最小二乘法拟合出局部趋势y_b(n)，然后去除掉每个区间的局部趋势，得到新的呼吸序列并计算出新呼吸序列的均方根F(n)：

5)改变窗长b的大小然后重复以上步骤，直至获得所需的数据量；

6)根据上面步骤所计算的参数，以log(n)为横坐标、log[F(n)]为纵坐标绘制一条曲线，该曲线的斜率即为呼吸序列的呼吸去趋势波动标度指数；

(2)呼吸样本熵

呼吸样本熵用于评估测谎过程中呼吸信号的复杂性，其计算步骤为：

1)将呼吸时间序列表示为X(n)，以m为窗长，将呼吸时间序列分为s＝N-m+1个呼吸子序列：

X_m(t)＝(X(t),X(t+1),…,X(t+m-1)),1≤t≤N-m+1

式中，X_m(t)为第t个呼吸子序列；

2)定义序列X_m(i)和序列X_m(j)的距离为对应元素最大差值的绝对值并计算出每个呼吸子序列与其他所有呼吸子序列之间的距离d_ij：

d_ij＝max_{k＝0,…,m-1}(|X_m(i+k)-X_m(j+k)|)

式中，1≤i≤N-m,1≤j≤N-m,i≠j；

3)计算呼吸幅度标准差σ_x并定义阈值F＝r*σ_x，r为常数，取0.1-0.25；将上述2)计算出的距离d_ij中小于或等于F的个数与s的比值记计算所有呼吸子序列的的均值φ^m(t)：

4)改变窗长为m+1，重复上述1)到3)步，得到φ^m+1(t)；

5)计算呼吸样本熵SampEn(t)：

SampEn(t)＝ln[φ^m(t)]-ln[φ^m+1(t)]

步骤5-2，对心跳信号进行时域、频域和非线性特征提取，得到呼吸特征集R；

A、时域特征：提取心跳幅度均值、心跳幅度标准差、心跳平均幅度差、心跳归一化平均幅度差作为心跳信号的时域特征，具体计算方式与呼吸特征提取部分相同；

B、频域特征：提取心跳低频段F_L'、心跳中频段F_M'和心跳高频段F_H'这三个频段功率谱幅度均值作为心跳信号的频域特征；其中，F_L'＜p₃Hz，p₃Hz≤F_M'＜p₄Hz，F_H'＞p₄Hz，p₃＞p₁,p₄＞p₂；

C、非线性特征：提取心跳去趋势波动标度指数、心跳样本熵作为心跳信号的非线性特征，具体计算方式与呼吸特征提取部分相同。