基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112687287A(43)申请公布日2021.04.20(21)申请号202011529813.1(22)申请日2020.12.22(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人李宇航岳克强李文钧陈石王超张汝林沈皓哲(74)专利代理机构杭州浙科专利事务所(普通合伙)33213代理人杨小凡(51)Int.Cl.G10L21/0208(2013.01)G10L21/0216(2013.01)G10L21/0272(2013.01)G10L25/66(2013.01)权利要求书4页说明书9页附图1页(54)发明名称基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统(57)摘要本发明公开了基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统，通过多麦克风阵列同时采集两个测试者整晚的鼾声数据；对采集到的混合鼾声信号使用谱减法进行降噪处理；通过短时能量的端点检测法对采集到的整晚鼾声信号中的有效片段进行截取；通过多麦克风采集到的鼾声信号进行波形对比对独立鼾声信号和混合鼾声信号进行分离；通过鼾声盲源分离算法将两个测试者的混合鼾声分离出来；根据麦克风阵列基于TDOA算法的声源定位技术对分离出来的鼾声分类；根据分类结果得到两个测试者独立的整晚鼾声数据。CN112687287ACN112687287A权利要求书1/4页1.基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于包括如下步骤：S1，通过多麦克风阵列采集两个以上测试者的鼾声信号；S2，将鼾声信号通过谱减法进行降噪处理；S3，通过短时能量的端点检测法识别鼾声段和噪声段；S4，对独立鼾声与混合鼾声进行分离；S5，分离出来的混合鼾声通过独立分量分析固定点算法从混合鼾声信号中提取出原始的独立信号，包括如下步骤：S51，观测数据是分离出来的混合鼾声，是由两个以上测试者的鼾声线性混合得到的随机变量x1,x2,…,xn：用向量矩阵符号表示x＝As，构建一个分离矩阵W，使得输出y＝Wx是声源信号S的估计；S52，对观测数据中心化处理，使其均值为1，得到x’，中心化预处理过程是使观测变量具有零均值特性的过程：x′＝x‑E{x}观测数据经过中心化处理后，相应地源信号也同时变为零均值的变量，而在此过程中混合矩阵仍可以保持不变，因为：E{s′}＝A‑1E{x′}；S53，对观测数据白化预处理，得到p，白化过程为：如果一个零均值向量p＝(p1,p2,…，TTpn)元素pi之间互不相关且具有单位方差，便有：E{pp}＝I，其中I是单位矩阵，则称向量p是白的，对观察到的数据向量白化的过程相当于让观测到的数据向量与某个矩阵线性相乘：p＝Ux’得到一个白的向量P，白变化通过利用观测数据的协方差矩阵的特征值分解来实现：E{x′x′T}＝CTCTT其中，C是以Cx’＝E{x′x′}的单位范数特征向量为列而构成的正交矩阵，T是以Cx’的相应特征值ti(i＝1,2,…,n)为对角元素的对角矩阵，即：T＝diag(t1,t2,…，tn)，由此白化矩阵：1TU＝CT/2C；S54，基于牛顿迭代法进行修正，将得到的三阶收敛法的两步法求解非线性方程，推导出更新迭代式，进行wk更新，最终得到的Wk作为W，带入y＝Wx，得到y＝(y1，y2，…，yn)的列向量输出；负熵的近似表达式：J(y)∝[E{G(y)‑G(v)}]2其中v是标准化的高斯变量，设y＝WTp是将要估计的源信号，负熵的近似表达式即为目标函数，定义g为非二次函数G的导函数，选择自变量增长较慢的函数在y标准化前提下，由Kuhn‑Tucker条件，目标函数的最大化问题可以转化为在约束||w||2＝12CN112687287A权利要求书2/4页下求解：E{pg(wTp)}‑β′w＝0其中β′＝E{wTpg(wTp)}，选择要估计的独立成分的个数d，置k←1(←表示更新参数的过程)；初始化具有单位范数的向量wk；置n＝1，γ＝wk，带入更新迭代式：更新wk；进行Gram‑Schmidt正交化：标准化wk,即：‑6收敛性条件定义为的无穷范数小于10，若wk不收敛，则n＝n+1，返回前置步骤更新wk；若收敛则置k←k+1，如果k≤m，则返回前置步骤重新初始化wk；S6，对分离出来的所有独立鼾声信号进行声源定位，得到两个以上测试者独立的鼾声信号。2.如权利要求1所述的基于盲源分离算法的麦克风阵列鼾声信号分离方法，其特征在于所述步骤S54中，基于牛顿迭代法进行修正，包括如下步骤：S541，由牛顿法：可推出传统的FastICA算法中的不动点迭代形式为：w←E{pg(wTp)}‑E{g′(wTp)}wS542，运用非离散数学归纳法对Banach空间中的非线性方程的求解问题