基于表面肌电信号的语音信号识别系统和识别方法
专利汇可以提供基于表面肌电信号的语音信号识别系统和识别方法专利检索，专利查询，专利分析的服务。并且基于表面肌电 信号 的 语音信号 识别系统和识别方法。如同前臂肌肉运动对应手、腕、肘的运动模式，说话时面部肌肉也对应着不同的运动模式，通过采集面部肌肉的表面肌电，完全可以从信号特征中识别对应的肌肉动作模式，进而识别语音信息。一种基于表面肌 电信号 的语音信号识别系统，其组成包括:语音信号采集模 块 （1），所述的语音信号采集模块连接语音信号预处理模块（2），所述的语音信号预处理模块连接语音信号分隔模块(3)，所述的语音信号分隔模块连接特征参数提取模块（4），所述的特征参数提取模块连接语音信号辨识模块(5)。本 发明 用于表面肌电信号的语音信号识别。，下面是基于表面肌电信号的语音信号识别系统和识别方法专利的具体信息内容。
1.一种基于表面肌电信号的语音信号识别系统，其组成包括:语音信号采集模块，其特征是: 所述的语音信号采集模块连接语音信号预处理模块，所述的语音信号预处理模块连接语音信号分隔模块，所述的语音信号分隔模块连接特征参数提取模块，所述的特征参数提取模块连接语音信号辨识模块。
2.根据权利要求1所述的基于表面肌电信号的语音信号识别系统，其特征是: 所述的语音信号采集模块的四对电极置于提肌口，颧肌部分，颈阔肌和二腹的前面腹部，参考电极置于鼻根部，采集四路表面肌电信号。
3.一种基于表面肌电信号的语音信号识别方法，其特征是: 由语音信号采集模块的四路电极采集面部四块肌肉对应的肌电信号；将采集到的信号送到语音信号预处理模块进行去基线漂移、去工频干扰、去噪处理；将处理后的肌电信号通过语音信号分隔模块按汉语特征和应用场合要求分隔为三段；将分隔后的各段信号通过特征参数提取模块进行经验模式分解(EMD)分解后提取希尔伯特hilbert space 进行hilbert transform 希伯特转换；
通过希尔波特滤波器 ；Hilbert谱；建立三个BP神经网络，各段信号特征分别作BP神经网络的输入通过语音信号辨识模块识别。
4.根据权利要求3所述的基于表面肌电信号的语音信号识别方法，其特征是: 所述的语音信号预处理模块将所述的语音信号采集模块采集到的其中采取去均值后经过巴特沃斯高通滤波器的方法处理基线漂移，采取基于可变长最小均方误差自适应滤波器去除工频干扰，采取小波分析方法去噪。
5.根据权利要求3或4所述的基于表面肌电信号的语音信号识别方法，其特征是: 所述的语音信号分隔模块将所述的语音信号采集模块采集到的其中采用动态累加和方法，检测连续时间窗内信号幅值的变化，通过检测信号幅值比对数的极值点，确定语音信号变化点，将信号分为：动作命令信号、数量信号和数量单位信号三段。
6.根据权利要求3或4或5所述的基于表面肌电信号的语音信号识别方法，其特征是: 所述的特征参数提取模块，首先采用经验模态分解(EMD)的方法，将信号分解为系列本证模态函数(IMF)，然后对该函数求取希尔伯特(hilbert space 希尔伯特空间 hilbert transform 希伯特转换；希耳伯特变换；希尔波特滤波器 Hilbert)谱作为下一步识别的特征向量。
7.根据权利要求3或4或5或6所述的基于表面肌电信号的语音信号识别系统，其特征是: 所述的语音信号辨识模块，将希尔伯特hilbert space 希尔伯特空间 hilbert transform 希伯特转换；希耳伯特变换；希尔波特滤波器 Hilbert)谱作为BP神经网络的输入，设计神经网络结构进行训练学习，将语音信号按类分别对应识别。
8.根据权利要求3或4或5或6或7所述的基于表面肌电信号的语音信号识别系统的方法，其特征是:所述的去基线漂移采用的方法：
首先将表面肌电时间序列去均值：
然后通过一个巴特沃斯高通滤波器：
其中， 为原始肌电信号离散时间序列， 为去均值后的肌电信号离散时间序列， 为滤波后的肌电信号离散时间序列。
9. 根据权利要求3或4或5或6或7或8所述的基于表面肌电信号的语音信号识别系统的方法，其特征是:所述的去工频干扰的方法：
工频干扰的主要频率成分为50HZ，使用可变长最小均方误差（LMS）自适应滤波器去除, 自适应滤波器能自动跟踪频率的漂移，具有非常好的适应性，其结构简单性能稳定,其基本思想是调整滤波器自身参数，是滤波器的输出信号与期望输出信号之间的均方误差最小，这样系统输出的是有用信号的最佳估计;
输入信号矢量为： 其中 为期望提取的表面肌
电信号， 为工频干扰噪声信号;
参考输入信号为： ，为一标准余弦波 将其送入
及 端, 其中后者经过 90 度相移, 因而 ，
, 权矢量为： ，两个权值
及 , 使得组合后的正弦波幅值和相位都可以调整, 因为两个
权表示有两个自由度的调整;
自适应滤波器的输出为： ，相应的自适应滤波器的输出误差调节信号
为： ,
根据最小均方误差准则 MSE, 最佳的滤波器参量 ，应使得性能函数—均方误差为最小，也就是说根据 极其过去值 线性组合去估计, ，
的最佳估计值 使估计误差的均方值最小，最小的均方误差为：
, ，其中 ，式中M为自适应滤波器的
阶数； , 为收敛因子，控制自适应滤波器速度与稳定性的增益常数，
调节权矢量 使得 幅度和相位都可以与原始输入中的干扰分量相同，即趋向于，则 , 亦趋向于 ，使输出 , 中的,工频干扰得以抵消, 以达到
陷波的目的这时就可以得到期望信号 。
10. 根据权利要求3或4或5或6或7或8或9所述的基于表面肌电信号的语音信号识别系统的方法，其特征是:所述的去噪处理方法即小波去噪方法：
小波消噪是利用噪声与信号在各尺度上的小波谱具有不同表现，将各尺度上由噪声产生的小波谱分量去掉，这样保留下来的小波谱基本上就是真实信号的小波谱，再利用小波变换的重构算法重构原信号，即可得去噪后的信号；一个含噪声的一维信号模型可以表示成如下的形式：
式中 为真实信号， 为高斯白噪声， 为含噪声信号，
消噪过程可以按如下方法进行处理：首先对信号进行小波分解；信号中的低频分量通常为有用信号，信号中的高频分量为噪声；用门限阈值形式对小波系数进行处理，抑制信号中的高频噪声部分，保留低频信号，最后，将低频信号进行小波重构，得到原始信号中的无噪部分。
基于表面肌电信号的语音信号识别系统和识别方法
然后通过一个巴特沃斯高通滤波器：
其中， 为原始肌电信号离散时间序列， 为去均值后的肌电信号离散时间序
列， 为滤波后的肌电信号离散时间序列。
输入信号矢量为： 其中 为期望提取的表面肌
电信号， 为工频干扰噪声信号;
参考输入信号为： ，为一标准余弦波 将其送入 及
端,其中后者经过90度相移,因而 ， ,
权矢量为： ，两个权值 及 ,
使得组合后的正弦波幅值和相位都可以调整, 因为两个权表示有两个自由度的调整;
自适应滤波器的输出为： ，相应的自适应滤波器的输出误差调节信号
为：
，
根据最小均方误差准则 MSE, 最佳的滤波器参量 ，应使得性能函数—均方误差为最小，也就是说根据 极其过去值 线性组合去估计, ， 的最佳估计值
使估计误差的均方值最小，最小的均方误差为： ,
，其中 ，式中M为自适应滤波器的阶数； , 为收敛因
子，控制自适应滤波器速度与稳定性的增益常数。
式中 为真实信号， 为高斯白噪声， 为含噪声信号。
一种基于表面肌电信号的语音信号识别系统，其组成包括:语音信号采集模块1，所述的语音信号采集模块1连接语音信号预处理模块2，所述的语音信号预处理模块2连接语音信号分隔模块3，所述的语音信号分隔模块3连接特征参数提取模块4，所述的特征参数提取模块4连接语音信号辨识模块5。
首先将表面肌电时间序列去均值：
然后通过一个巴特沃斯高通滤波器：
其中， 为原始肌电信号离散时间序列， 为去均值后的肌电信号离散时间序
列， 为滤波后的肌电信号离散时间序列。
工频干扰的主要频率成分为50HZ，使用可变长最小均方误差(LMS)自适应滤波器去除。自适应滤波器能自动跟踪频率的漂移，具有非常好的适应性，其结构简单性能稳定。其基本思想是调整滤波器自身参数，是滤波器的输出信号与期望输出信号之间的均方误差最小，这样系统输出的是有用信号的最佳估计。
权矢量为： ，两个权值 及 使得组合后的正弦波幅值
和相位都可以调整, 因为两个权表示有两个自由度的调整。
根据最小均方误差准则 MSE, 最佳的滤波器参量 ，应使得性能函数—均方误差为最小，也就是说根据 极其过去值 线性组合去估计 ， 的最佳估计
值 使估计误差的均方值最小，最小的均方误差为：
其中 ，式中M为自适应滤波器的阶数； 为期望输出
值； 为收敛因子，控制自适应滤波器速度与稳定性的增益常数。
小波消噪是利用噪声与信号在各尺度上的小波谱具有不同表现，将各尺度上由噪声产生的小波谱分量去掉，这样保留下来的小波谱基本上就是真实信号的小波谱，再利用小波变换的重构算法重构原信号，即可得去噪后的信号；一个含噪声的一维信号模型可以表示成如下的形式：
式中 为真实信号， 为高斯白噪声， 为含噪声信号。
第一部分离线学习阶段：
步骤一：由语音信号采集模块采集组合命令，其中应该包括所有命令动作语言，数量语言和数量单位语言，各部分应分别包括：进、退、快、慢、上、下、左、右、止；0~9；秒、米、度。间隔10秒，按顺序采集多组后将信号存储；
步骤二：由语音信号预处理模块对所有信号进行预处理，首先去均值经过巴氏高通滤波器，去除基线漂移影响；然后由图2去除工频干扰，其中S(n)为有用信号，V(n)为工频干扰，X(n)为参考输入信号，利用W1(n)和W2(n) 分别调节X(n)的相位和幅值，使之趋于V(n)，则输出E(n)趋于有用信号V(n)，从而去掉了肌电信号中影响性较大的工频干扰；最后进行小波分解，其信号频段如图3所示，其中各层高频信号为噪声，低频信号为肌电信号，去除高频信号后，将CA1、CA2、CA3…进行小波重构，得到去除基线漂移，没有工频干扰，无噪的肌电信号。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种结合小波变换和图像分割网络的QRS波识别方法 | 2020-05-12 | 173 |
| 基于多维蒙特卡洛理论的搜救范围预测方法 | 2020-05-13 | 965 |
| 一种基于ECSA的高斯过程回归的4-NP还原催化剂建模预测方法 | 2020-05-13 | 501 |
| 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | 2020-05-08 | 832 |
| 一种基于分层模型的无人机目标跟踪方法 | 2020-05-13 | 101 |
| 一种多MEMS传感器组合测姿方法 | 2020-05-14 | 393 |
| 一种基于遗传算法的视觉惯性组合的SLAM方法 | 2020-05-16 | 526 |
| 结合判别式深度置信网络和主动学习的心电分类方法 | 2020-05-13 | 453 |
| 融合时空聚类和支持向量机的居民出行特征提取方法 | 2020-05-14 | 117 |
| 一种基于自适应联邦卡尔曼滤波的无人船组合导航方法 | 2020-05-15 | 670 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
