【CN109859767A】一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质【专利】
数字助听器原理及核心技术
数字助听器原理及核心技术
数字助听器是一种新型的助听器，它采用数字信号处理技术对声音信号进行处理。
数字助听器的原理是将声音信号转换为数字信号，然后对数字信号进行处理，最后通过耳机或扬声器输出处理后的信号。
数字助听器的核心技术主要包括信号处理算法、数字转换技术和噪声抑制技术。
信号处理算法是数字助听器中最重要的技术，它能够对声音信号进行滤波、增强和压缩等处理，使听者能够更清晰地听到声音。
数字转换技术是将模拟声音信号转换为数字信号的过程，其中包括采样、量化和编码等步骤。
数字转换技术的精度对数字助听器的性能有很大影响，高精度的数字转换技术能够提高数字助听器的声音质量。
噪声抑制技术是数字助听器中常用的技术，它能够抑制周围环境中的噪声，使听者更清晰地听到目标声音。
噪声抑制技术的实现通常采用滤波、降噪和方向性麦克风等方法。
总之，数字助听器的原理和核心技术是数字信号处理技术的应用，它能够帮助听力受损者更好地听到声音，提高生活质量。
- 1 -。
助听器的噪音过滤和环境适应能力
助听器的噪音过滤和环境适应能力助听器是一种帮助听力受损者恢复听觉功能的电子设备。
它通过放大声音来提升听力，使用户能够更清晰地听到周围的声音。
然而，助听器在使用过程中可能会遇到噪音干扰和环境适应的问题。
为了提高助听器的性能和用户的使用体验，噪音过滤和环境适应能力成为了助听器技术研究的重要方向。
一、噪音过滤技术在现实生活中，我们经常会遇到各种噪音源，如交通噪音、环境噪音、人声噪音等。
这些噪音会对助听器的效果产生不利影响，使得用户难以分辨出所需听到的声音。
为了解决这个问题，科学家们致力于开发噪音过滤技术。
一种常见的噪音过滤技术是数字信号处理技术。
助听器通过内置的数字处理芯片，将声音以数字信号的形式进行处理和分析。
利用数字信号处理技术，助听器可以根据噪音的频谱特征，将噪音信号与所需听到的声音信号进行区分，并抑制噪音信号的干扰，从而提高用户对声音的识别能力。
除了数字信号处理技术，自适应滤波算法也被广泛应用于助听器中。
该算法通过分析噪音和声音信号之间的差异，构建自适应滤波器，将噪音信号进行滤除。
这种算法可以根据噪音环境的变化实时调整滤波器的参数，从而有效降低噪音对声音信号的干扰，提高用户听力的品质。
二、环境适应能力环境适应能力是指助听器在不同环境下自动调整声音放大程度的能力。
在静音或低噪音环境下，助听器可以适度放大声音，使得用户可以清晰地听到细微声音并参与交流。
而在嘈杂的环境中，助听器可以自动屏蔽噪音，并通过语音增强技术提升对话声音的清晰度，确保用户在复杂的声音环境中能够准确地理解对方的讲话。
为了实现环境适应能力，助听器常常采用多通道技术。
这种技术可以同时接收多个声音源，并将它们分别进行处理和放大。
通过对不同声音源的分析和处理，助听器可以根据环境的变化自动调整声音放大程度，以适应不同的听觉需求。
此外，一些先进的助听器还配备了智能识别系统。
该系统可以根据环境噪音的特征，自动切换不同的听觉模式，提供最佳的声音放大效果。
助听器的智能噪音过滤和环境适应优化功能
助听器的智能噪音过滤和环境适应优化功能随着科技的不断进步，助听器作为一种重要的辅助听力设备，在提高听力障碍者生活质量方面扮演着至关重要的角色。
近年来，助听器的功能越来越智能化，其中智能噪音过滤和环境适应优化就是助听器领域的一大突破。
本文将深入探讨助听器的智能噪音过滤和环境适应优化功能，并对其带来的积极影响进行详细分析。
一、智能噪音过滤功能助听器中的智能噪音过滤功能是指能够通过先进的信号处理技术，识别并削弱嘈杂环境中的噪音，使听力障碍者更好地聆听目标声音。
智能噪音过滤功能可以大大提升助听器的效果，减少环境噪音对听力障碍者的干扰，使他们能更清晰地听到需要关注的声音。
智能噪音过滤功能的实现主要依赖于先进的数字信号处理技术。
助听器会通过内置的麦克风获取环境中的声音，并将其传输到芯片中进行信号分析和处理。
利用噪声统计学和声音频率分析等算法，助听器能够准确判断出噪音和目标声音之间的差异，从而通过调整音量或频率来减少背景噪音的影响。
此外，智能噪音过滤功能还可以根据听力障碍者的需求进行个性化设置。
助听器可以通过用户的反馈来学习和自适应不同的环境，并根据用户的偏好和听力状况进行优化调整。
这种个性化的设置使得助听器能够更好地适应不同的使用场景，为听力障碍者提供更好的听觉体验。
二、环境适应优化功能助听器的环境适应优化功能是指可以根据不同的环境条件智能调整助听器的参数，以提供更加自然和舒适的听觉体验。
这一功能的出现使得助听器能够在不同场景下实现最佳的听力效果。
环境适应优化功能主要通过内置的传感器获取环境信息，并根据环境的特点自动调整助听器的设置。
例如，在嘈杂的环境中，助听器会自动调整增益和噪音抑制的参数，使用户能够更清晰地听到目标声音；而在安静的环境下，助听器则会调整增益和音质的参数，以提供更加真实和自然的听觉感受。
环境适应优化功能还可以结合智能噪音过滤功能，通过智能识别环境类型，并自动调整助听器的设置。
例如，当使用者进入餐厅或电影院等特定场所时，助听器会自动调整参数，降低环境噪音的干扰，提供更好的听力体验。
音频降噪算法在智能助听器中的应用研究
音频降噪算法在智能助听器中的应用研究智能助听器是为了帮助那些有听力损失的人士而设计的，它通过放大和改善声音来提高他们的听力。
然而，由于环境中存在各种噪声，智能助听器的性能受到了一定的限制。
为了改善助听器的性能，音频降噪算法被广泛应用于智能助听器中。
本文将探讨音频降噪算法在智能助听器中的应用研究。
音频降噪算法是一种通过数学和信号处理技术，从录音中去除噪音的方法。
在智能助听器中，降噪算法可以有效地减少环境噪声对用户听力的干扰，提供更清晰的声音体验。
一种常见的音频降噪算法是自适应降噪算法。
它能够根据环境噪声的特征，实时调整音频信号的增益，并将噪声通过滤波器进行抑制。
这种算法能够自动适应环境变化，提供更稳定和可靠的降噪效果。
另一种常见的音频降噪算法是频率域降噪算法。
该算法利用快速傅里叶变换（FFT）将音频信号转换为频率域，通过分析频谱信息来降低噪声的影响。
频率域降噪算法可以对不同频率的噪声进行针对性抑制，并能够更好地保留声音的清晰度和自然性。
除了以上两种算法，还有一些其他的音频降噪算法被应用于智能助听器中，如统计降噪算法、声源定位和分离算法等。
这些算法通过多方面的信号处理和处理技术来改善智能助听器的性能。
音频降噪算法的应用研究在智能助听器中有着重要的意义。
首先，它可以提高听力受损者的听觉体验。
由于降噪算法的应用，智能助听器可以有效地减少背景噪声的干扰，提供更清晰、更自然的声音，使用户能够更好地感受到周围的声音。
其次，音频降噪算法的研究还能促进智能助听器的技术进步。
通过不断改进和优化降噪算法，智能助听器可以在不同环境下提供更好的听觉体验。
这将进一步推动智能助听器技术的发展，为听力受损者提供更多的选择和便利。
然而，音频降噪算法在智能助听器中的应用也面临一些挑战。
首先，算法的性能需要不断优化，以适应不同噪声环境和用户需求。
其次，降噪算法在处理噪声的同时，还需要保留声音的质量和清晰度。
这就需要在算法设计中综合考虑降噪效果和声音还原的平衡点。
【CN109874096A】一种基于智能终端选择输出的双耳麦克风助听器降噪算法【专利】
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910043521 .8
(22)申请日 2019 .01 .17
(71)申请人 天津大学 地址 300072 天津市南开区卫津路92号
(72)发明人 陈霏 朱亚涛
(74)专利代理机构 天津市三利专利商标代理有 限公司 12107
发明内容 [0006] 有鉴于此，本发明的目的是提供一种基于智能终端选择输出的双耳麦克风助听器 降噪算法，其能够对助听器接收的语音信号进行降噪处理，有效提高降噪效果，获得让用户 收听的、高质量的目标语音信号，具有重大的实践意义。 [0007] 为此，本发明提供了一种基于智能终端选择输出的双耳麦克风助听器降噪算法， 其特征在于，包括以下步骤： [0008] 第一步、由助听器具有的双耳麦克风阵列模块，采集助听器用户所在外部环境的、 混合在一起的多个源语音信号，然后发送给麦克风定位模块以及盲源信号分离和语音识别 模块； [0009] 第二步、麦克风定位模块在接收到助听器用户所在外部环境的多个源语音信号 后，分别进行定位分析操作，获得助听器用户所在外部环境的每个源语音信号的声源距离 信息 ，然后发送给智能终端 ，同时 ，盲源信号分离和语音识别模块在接收到助听器 用户所在 外部环境的、混合在一起的多个源语音信号后，先进行分离操作，获得单独的、多个源语音 信号 ，然后通过语音识别将各个源语音信号分 别定义上对应的 声源类别信息 ，然后发送给 智能终端； [0010] 第三步、智能终端在收到麦克风定位模块发来的助听器用户所在外部环境的每个 源语音信号的声源距离信息，以及盲源信号分离和语音识别模块发来的具有声源类别信息
助听器的自适应降噪方法、装置、助听器及存储介质[发明专利]
![助听器的自适应降噪方法、装置、助听器及存储介质[发明专利]](https://img.taocdn.com/s3/m/30cc07e5185f312b3169a45177232f60dccce755.png)
(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 (43)申请公布日 (21)申请号 202011415526.8(22)申请日 2020.12.04(71)申请人 可孚医疗科技股份有限公司地址 410000 湖南省长沙市雨花区振华路816号(72)发明人 李勇 张敏 (74)专利代理机构 深圳市辰为知识产权代理事务所(普通合伙) 44719代理人 王韬(51)Int.Cl.H04R 25/00(2006.01)(54)发明名称助听器的自适应降噪方法、装置、助听器及存储介质(57)摘要本发明涉及助听器技术领域，公开了一种助听器的自适应降噪方法、装置、计算机设备及计算机存储介质，该方法包括：将带噪数字信号输入至当前声学环境下的降噪算法模型以得到模型输出结果，其中，所述带噪数字信号为对采集的带有噪声的声音信号进行编码得到；基于预设的负反馈神经网络针对所述模型输出结果进行降噪效果评估并生成负反馈；根据所述负反馈从预置的各降噪算法模型中调度目标降噪算法模型针对所述带噪数据信号进行降噪处理以得到纯净声音信号。
本发明避免了现有助听器基于无法在变化的噪声环境中取得良好降噪效果，反而会额外增加助听器功耗的问题，提高了助听器对带噪声音的降噪效果并使得助听器能够获得更长的待机时间。
权利要求书2页 说明书14页 附图3页CN 112565997 A 2021.03.26C N 112565997A1.一种助听器的自适应降噪方法，其特征在于，所述助听器的自适应降噪方法包括：将带噪数字信号输入至当前声学环境下的降噪算法模型以得到模型输出结果，其中，所述带噪数字信号为对采集的带有噪声的声音信号进行编码得到；基于预设的负反馈神经网络针对所述模型输出结果进行降噪效果评估并生成负反馈；根据所述负反馈从预置的各降噪算法模型中调度目标降噪算法模型针对所述带噪数据信号进行降噪处理以得到纯净声音信号。
2.如权利要求1所述的助听器的自适应降噪方法，其特征在于，所述根据所述负反馈从预置的各降噪算法模型中调度目标降噪算法模型针对所述带噪数据信号进行降噪处理以得到纯净声音信号的步骤，包括：根据所述负反馈从预置的各所述降噪算法模型中确定待选降噪算法模型，其中，待选降噪算法模型的数量大于或者等于一；若所述待选降噪算法模型的数量等于一，则将所述待选降噪算法模型作为目标降噪算法模型；若所述待选降噪算法模型的数量大于一，则根据各所述待选降噪算法模型各自的算力数据确定所述目标降噪算法模型；调用所述目标降噪算法模型针对所述带噪数据信号进行降噪处理以得到纯净声音信号。
一种自适应数字助听器声反馈消除算法
一种自适应数字助听器声反馈消除算法唐燕;张玲华【期刊名称】《计算机技术与发展》【年(卷),期】2013(23)5【摘要】鉴于声反馈冲击响应具有稀疏性，文中提出把IPNLMS算法应用于数字助听器声反馈消除，可以获得比NLMS算法更快的收敛速度。
与固定步长NLMS 算法一样，其收敛速度和稳态失调是一对矛盾的需求。
文中提出一种新的变步长IPNLMS算法，该算法依据滤波器梯度调节IPNLMS算法的全局步长，步长随滤波器系数梯度的减小而减小，有效解决了收敛性能和稳态误差的矛盾。
相比其他变步长算法，受噪声影响小，收敛过程稳定，适用于数字助听器声反馈消除。
仿真实验说明本算法应用于数字助听器的声反馈消除性能比传统NLMS算法优异许多。
%Due to feedback impulse response is sparse,put forward the IPNLMS algorithm used in the digital hearing aid acoustic feedback cancellation,which could get faster convergence speed than NLMS. The requirements of fast convergence and low steady-state misalign-ment are conflict as same as the NLMS. Propose a novel variable step-size algorithm which regulates step size in accordance with filter weight gradient,and a decrease in the gradient of the filter weights causes the step size decrease. The algorithm solves the contradiction between fast convergence and low steady-state misalignment. Compared with other algorithms,it is insensitive to noise and suitable for digital hearing aids acoustic feedback cancellation. The experiments show that the proposed algorithm achievesmore excellent perform-ance than traditional NLMS for acoustic feedback cancellation.【总页数】4页(P209-212)【作者】唐燕;张玲华【作者单位】南京邮电大学通信与信息工程学院，江苏南京 210003;南京邮电大学通信与信息工程学院，江苏南京 210003【正文语种】中文【中图分类】TP912.3【相关文献】1.基于GSC结构的多麦克风数字助听器的自适应波束形成算法 [J], 高杰;胡广书;张辉2.基于改进仿射投影算法的数字助听器自适应回声消除 [J], 秦海娟;张玲华3.基于加权次梯度投影算法的数字助听器自适应声反馈抑制 [J], 王青云;赵力;乔杰;邹采荣4.用于助听器声反馈抑制的LMS自适应滤波技术 [J], 李贤;蒋一宁;夏世雄;付晓毅;蒋涛;邹凌5.基于L0-IPNLMS的低复杂度数字助听器回声消除算法 [J], 高纯;张玲华因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(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 (43)申请公布日 (21)申请号 201910168122.4
(22)申请日 2019.03.06
(71)申请人 哈尔滨工业大学（深圳）
地址 518000 广东省深圳市南山区桃源街
道深圳大学城哈尔滨工业大学校区
(72)发明人 张禄 王明江 张啟权 轩晓光
张馨 孙凤娇
(74)专利代理机构 深圳市添源知识产权代理事
务所(普通合伙) 44451
代理人 罗志伟
(51)Int.Cl.
G10L 21/0208(2013.01)
G10L 21/0216(2013.01)
G10L 25/24(2013.01)
G10L 25/30(2013.01)
H04R 25/00(2006.01)
(54)发明名称一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质(57)摘要本发明提供了一种用于数字助听器的环境自适应神经网络降噪方法，包括依次执行如下步骤：预处理步骤：接收带噪语音信号，带噪语音信号经过采样分帧后传输至声学场景识别模块；场景识别步骤：采用声学场景识别模块对所处的声学场景进行识别，然后由声学场景识别模块自主的选择神经网络降噪模块中不同的神经网络模型进行发送；神经网络降噪步骤。
本发明的有益效果是：1.可以保证语音处理的实时性，只进行神经网络的前向传播，运算量不高；2.可以对所处的声学场景进行识别，然后自主地选择不同的神经网络模型，对不同的场景下的噪声进行针对性地降噪处理，能保证更好的语音质量和语音可懂度；3.
可以有效地抑制瞬时噪声。
权利要求书2页 说明书5页 附图3页CN 109859767 A 2019.06.07
C N 109859767
A
1.一种用于数字助听器的环境自适应神经网络降噪方法，其特征在于，包括依次执行如下步骤：
预处理步骤：接收带噪语音信号，带噪语音信号经过采样分帧后传输至声学场景识别模块；
场景识别步骤：采用声学场景识别模块对所处的声学场景进行识别，然后由声学场景识别模块自主的选择神经网络降噪模块中不同的神经网络模型进行发送；
神经网络降噪步骤：神经网络降噪模型接收声学场景识别模块发送的分类结果并对不同场景下的噪声进行针对性地降噪处理。
2.根据权利要求1所述的环境自适应神经网络降噪方法，其特征在于，在所述场景识别步骤中，所述声学场景识别模块采用了对时间序列具有记忆作用的LSTM神经网络结构，具体步骤如下：
S1：对每一帧提取设定维数的梅尔倒谱系数特征；
S2：由LSTM神经网络读入一帧梅尔倒谱系数特征进行处理，达到一定帧时将输出分类的结果。
3.根据权利要求2所述的环境自适应神经网络降噪方法，其特征在于，所述LSTM神经网络结构包括输入层、隐藏层和输出层，输出层的神经单元对应不同的场景类别，LSTM神经网络不仅会处理当前的输入，还会与之前保留的输出进行组合，实现记忆的作用，当累计达到设定帧数的记忆后，输出分类结果。
4.根据权利要求3所述的环境自适应神经网络降噪方法，其特征在于，所述LSTM神经网络结构记忆更新原理如下：
LSTM神经网络结构将当前帧输入的特征t n 与之前保留的输出结果h n -1进行组合，同时也将上一帧的状态C n -1一起输入进去进行判断，产生一个当前帧的输出h n 和一个当前帧的输出状态C n ，一直迭代下去，直到满足所需帧的记忆条件后，对最终的输出h进行softmax变换得到输出层的预测概率。
5.根据权利要求4所述的环境自适应神经网络降噪方法，其特征在于，在所述场景识别步骤中，还包括LSTM神经网络训练时的损失损失函数计算，
计算公式如下：
其中y i 和分别为正确的分类标签和LSTM网络输出层预测的分类结果。
6.根据权利要求1所述的环境自适应神经网络降噪方法，其特征在于，不同场景下的降噪模型均采用全连接神经网络结构，但所述全连接神经网络结构的层数和每层的神经元个数是不同的；
所述全连接神经网络结构的降噪模型包括执行如下步骤：
训练数据集步骤：挑选作为训练集的纯净语音数据，然后将噪声数据与纯净语音进行随机混合，获得所需带噪训练数据；
模型参数调优步骤：采用最小均方误差作为代价函数，再根据训练集loss值和验证集loss值对模型进行参数调优，得到所需的神经网络结构；
训练时，反复进行反向传播算法迭代，能实现较好的噪声抑制效果；
所述验证集是挑选作为验证集纯净语音数据，并与噪声数据进行混合，得到验证集带
权 利 要 求 书1/2页2CN 109859767 A。