[发明专利]基于深度学习的声震信号数据识别方法及系统

权利要求书

1.一种基于深度学习的声震信号识别方法，其特征在于，具体步骤为：

S1：通过声震传感器阵列采集目标原始声震信号数据并将原始声震信号数据传输至样本数据库；

S2：利用声震信号增强技术对样本数据库中的原始声震信号数据进行增强；

S3：将增强后的数据和原始数据合并，利用合并后的数据对声震信号分类模型进行训练，将待检测声震信号输入训练好的声震信号分类模型，得到分类结果。

2.根据权利要求1所述的基于深度学习的声震信号识别方法，其特征在于，所述声震传感器阵列包括MEMS声传感器阵列和MEMS震动传感器阵列。

3.根据权利要求1所述的基于深度学习的声震信号识别方法，其特征在于，利用声震信号增强技术对样本数据库中的原始声震信号数据进行增强的具体步骤为：

S201:提取声震信号的共振峰参数特征和Gammatone频率倒谱系数特征，形成频谱图；

S202：随机选择两个频谱图，输入到ResNet网络中得到两个频谱图的热力图；

S203:分别将两幅热力图划分为若干个候选区域，计算每个候选区域的重要性分数，并按重要性得分进行排序；

S204:将其中一幅热力图重要性分数高于第一设定阈值的候选区域填补另一幅热力图重要性分数低于第二设定阈值的候选区域；

S205：重复S202～204，对所有原始声震信号数据进行增强。

4.根据权利要求3所述的基于深度学习的声震信号识别方法，其特征在于，提取声震信号的共振峰参数特征的具体方法为：

(1)通过对声震信号x(n)进行预加重、加窗和分帧，得到x_i(n)，i表示声音信号的第i帧；

(2)对x_i(n)进行离散傅里叶变换获得：

其中，N为桢长度。

(3)取X_i(k)的振幅，并取对数，得到：

(4)对执行傅立叶逆变获得倒谱序列：

(5)在倒置的频域轴上设置低通窗函数window(n)，将窗函数乘以倒谱序列得到：

(6)对h_i(n)进行傅立叶变换后，得到X_i(k)的包络：

(7)通过在包络上搜索最大值来获得共振峰参数。

5.根据权利要求4所述的基于深度学习的声震信号识别方法，其特征在于，低通窗函数设置为矩形窗：

其中，n₀是窗函数的宽度。

6.根据权利要求3所述的基于深度学习的声震信号识别方法，其特征在于，提取Gammatone频率倒谱系数特征的Gammatone滤波器的时域表达式如下：

h(t)＝kt^n-1e^-2πbtcos(2πf_ct+φ),t≥0

其中，φ是相位，f_c是中心频率，n是滤波器的阶数，k是滤波器增益，b是衰减因子，t为时间。

7.根据权利要求3所述的基于深度学习的声震信号识别方法，其特征在于，热力图h具体为：

h₂＝Resize(h₁,[T,F])

式中，C是指ResNet网络的最后一层中的通道数，f_i表示ResNet网络输出的第i个特征图，Resize是通过插值将裁切的特征图映射到输入大小的函数，T和F分别代表频谱图的帧数和维度数。

8.根据权利要求3所述的基于深度学习的声震信号识别方法，其特征在于，候选区域的重要性分数定义为：

式中，h(i,j)表示热力图h第i行第j列的数值。