用于数字助听器响度补偿的技术研究与实现

来源 :哈尔滨工业大学 | 被引量 : 0次 | 上传用户:A88833238
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
人口老龄化成为日益严重的社会现象,随之而来的健康问题也越来越受到人们的重视,其中,听力损失问题广泛存在于老年群体中,严重影响患者与外界的沟通能力和生活质量,助听器作为听力损失治疗的首选方案应运而生。助听器的关键技术众多,更符合人耳的听觉感知特性以及更舒适的佩戴体验始终是设计助听器的首要考虑因素。本文从人类听觉感知机理和听力障碍的产生机制开始研究,并基于听力损失患者的听力曲线,提出宽动态压缩算法的设计思路。选择声压级作为判断基准,在实现算法之前,使用分贝仪作为测量标准值,通过计算分贝仪与数字助听器收集到的语音信号声压级之间的统计差异,对助听器接受的数字信号幅度进行修正。本文提出了一种改进的基于宽动态压缩的多通道响度补偿算法。算法使用修正后的声压级和患者的听力曲线作为压缩依据,对从数字助听器收集的输入语音进行响度补偿以使处理后的语音信号更适合患者收听。典型的感音性听损患者的听阈较正常人更高,且随频率上升而逐渐升高;痛域较正常人更低,且随频率上升逐渐降低。首先,依据人耳对频率的敏感特性,将0~8 k Hz频谱分成17个通道,其中,对频谱中人类语音的主要坐落区间250 Hz~3 k Hz进行细致划分。随后根据患者与正常人的听力曲线的映射关系分别独立计算各通道增益,由增益对各通道包含的原始语音分量进行放缩。最后将动态压缩后的17个分量合成输出,最终得到响度补偿后的语音。本文采用分段式拉格朗日插值多项式拟合的办法将原始语音的动态范围映射到目标区间。传统的三段式响度补偿模型按照听阈、最适域和痛域将患者的听力曲线分成三段,分别通过直线拟合独立匹配,缺乏连贯性,匹配精确度较低。相比于传统模型,本文提出的拟合方法更加贴近患者的真实听力曲线。该方法将患者的听力范围分成三个部分,第一部分是听阈以上的低声压级段,采用三阶插值拟合;第二部分是最适域周围的中声压级段,采用五阶插值拟合;第三部分是痛域以下的高声压级段,采用二阶插值拟合。改进的响度补偿模型能够使修正后的听力曲线更加贴近真实水平,提升语音质量。多通道响度补偿算法在计算各通道的增益值的时候,由于各通道的独立性,有时会导致通道之间增益值差异过大,产生阶跃跳变的问题,严重影响补偿效果。针对这个问题,本文设计了一种平滑台阶效应的算法。算法思路是通过取加权平均的方法处理通道宽度较窄且增益差值较小的边界,进一步使用最小二乘法拟合的方法处理通道宽度较宽且增益差值较大的边界,设计仿真实验对比响度补偿前后的语音波形和频谱图。实验结果证明了本文提出的响度补偿算法可以针对不同患者的听力特性曲线进行个性化压缩,提升语音的可懂度,具有良好的应用参考价值。
其他文献
近年来,随着近地轨道卫星的快速发展,卫星物联网(satellite-based internet of things,S-Io T)将为第五代(fifth generation,5G)移动通信以及下一代大规模机器类通信(massive Machine Type Communication,m MTC)提供经济高效的全球覆盖和宽带接入。然而,如何实现高效的m MTC仍然是一个开放难题。本文重点考虑S
随着各行各业数字化进程的不断加速,大规模分布式云存储系统中的数据量持续性爆发增长。针对廉价存储设备的失效问题,云存储系统通常采用编码方案实现修复,保证系统可用性。由于在修复单个故障时,连接节点少、修复磁盘I/O开销低,局部重构码(Local Reconstruction Code,LRC)适应云存储系统需求,已在微软公司Azure等云平台广泛应用。然而,数据呈现多元化发展趋势,热数据在系统中被频繁
说话人识别是根据说话人的语音特征进行身份识别的生物认证技术,具有便捷性、安全性和准确性等优势,目前被广泛应用于国防、金融和公共安全等领域。说话人识别主要由语音特征提取、模式匹配识别两部分组成,其中语音特征提取是整个说话人识别系统的核心,所提取的特征能否充分反映说话人的身份信息将直接关系着整个系统的性能。本文基于语音线性预测分析(Linear Prediction Coding,LPC)生成的残差信
无线通信与电子技术的发展使得小体积、低功耗传感器的应用更加广泛,能够在军事、医疗等领域实现信息采集、数据采集等功能。无线传感器网络由大量随机分布在某一特定领域内的传感器节点组成,具有自组织特性,各节点可协同完成网络覆盖范围内的各类特定任务,如目标追踪、环境监测等。在传统无线传感器网络中,传感器由电池供电。但由于传感器自身的体积尺寸限制,可携带的电池容量有限;尤其在不便于充电或更换电池的应用场景中,
近年来,物联网(Internet of Things,Io T)技术快速发展,在环境监测、智能家居、智慧城市等方面发挥着重要作用,但现有的物联网都是基于基站构建的,基站部署成本较高且抗毁性较差,因而地面物联网有许多的局限性,这些因素导致人们开始寻求其他类型的网络与物联网进行结合,于是卫星物联网的概念被提出。卫星物联网是将地面物联网和低轨卫星星座结合进行数据传输的网络,在这个网络中,大多数时候地面用
空间物联网(Space Internet of Things,S-IoT)是在卫星物联网和地面物联网研究基础上发展并响应我国对于天地一体化信息网络建设的重大信息基础设施。加速发展S-IoT,建设空、天、地、海一体化网络是未来移动通信的必然发展趋势。S-IoT具备广域覆盖特点,能够突破传统地面物联网的局部碎片化网络特征,提供全球无缝覆盖、“随遇接入、按需服务”的接入能力。但是,目前大规模IoT设备的
高动态范围(High Dynamic Range,HDR)图像相对低动态范围(Low Dynamic Range,LDR)图像可以呈现出更丰富的色彩和更多的亮度级别,能够达到计算机图形学及相关行业的要求,满足人们对高质量视觉体验的需求。传统的HDR图像通过合成同一场景多幅不同曝光的LDR图像得到,但是现存的LDR视觉媒体绝大部分只有单曝光版本,因而将包含信息有限的单张LDR转化为具备更多细节信息的
随着移动互联网的迅猛发展,聚焦于超高速、高可靠、低时延等特性的第五代移动通信技术(5G)成为了国内外无线通信领域的研究热点。信道编码技术作为无线通信不可或缺的重要信息传输手段,其性能直接关系到网络覆盖率和用户传输速率的提高。2016年国际移动通信标准化组织3GPP确定Polar码成为5G增强移动宽带(Enhanced Mobile Broadband,e MBB)场景下控制信道的短码标准。作为一个
被动锁模光纤激光器实际上是一个耗散系统,适用于观察各种孤子动力学和非线性现象,并且具有体积小、抗干扰性好、功率高等优势,因此近年来受到广泛的研究。目前主要使用非线性偏振旋转效应(NPR)、八字腔和二维材料锁模、多模光纤混合结构等方式来锁模并实现多孤子输出。本文围绕基于非线性多模干涉效应的被动锁模掺铒、掺镱光纤激光器和NPR效应的锁模掺铒光纤激光器展开了多孤子锁模的研究。本文首先使用三种不同的多模光
图像是人类获取信息的重要载体,科学技术的进步和人类的发展离不开图像的获取。但是图像获取过程并不是理想化的,多种因素的存在使得图像在获取过程中发生退化,对于通过退化后的模糊图像来获得清晰图像这一需求,人们提出了一系列图像复原算法。相比空间域,图像在变换域中能够表现出更多的特性,基于该理论本文的研究从传统的图像复原算法和神经网络图像复原两个角度展开,分别引入小波变换,对算法进行研究以达到更好的图像复原