首页 / 专利库 / 残疾人专用配件 / 听觉模型 / 基于仿生听觉系统中耳蜗模型的海豚哨声信号听觉特征提取方法

基于仿生听觉系统中蜗模型的海豚哨声信号听觉特征提取方法

阅读:653发布:2020-05-11

专利汇可以提供基于仿生听觉系统中蜗模型的海豚哨声信号听觉特征提取方法专利检索,专利查询,专利分析的服务。并且本 发明 的目的在于提供基于仿生听觉系统中 耳 蜗模型的海豚哨声 信号 听觉特征提取方法,采用如下步骤:(1)对信号进行归一化预处理;(2)将步骤1得到的信号通过Gammatone听觉 滤波器 组,得到M个子带信号;(3)对步骤2子带信号做快速傅里叶变换,通过 低通滤波器 ,并生成听觉谱;(4)将步骤3子带信号通过Meddis内毛细胞模型,对子带听觉谱自适应处理,得到增强后的听觉谱,(5)计算听觉谱各个子带听觉谱 能量 ,获得M维 特征向量 。本发明可以解决 现有技术 中,运算量大,无法快速提取特征;对非线性信号,非平稳 信号处理 效果不理想;对背景噪声的高依赖性,应用局限性的问题。,下面是基于仿生听觉系统中蜗模型的海豚哨声信号听觉特征提取方法专利的具体信息内容。

1.基于仿生听觉系统中蜗模型的海豚哨声信号听觉特征提取方法,其特征是:
(1)对海豚叫声进行采样,得到实录信号s(n),对实录信号s(n)进行归一化预处理:
(2)将步骤(1)得到的信号通过Gammatone听觉滤波器组,得到M个子带信号,M为滤波器个数,对各子带信号进行快速FFT变换;
Gammatone滤波器的冲激响应为:
式中:a表示gammatone滤波器的幅度因子,n表示gammatone滤波器的阶数,fc表示gammatone滤波器的中心频率,表示gammatone滤波器的初始相位,2πbERB(fc)表示阻尼因子,u(t)表示单位阶跃函数;
ERB表示等效矩形带宽,其表达式为:ERB(fc)=24.7+0.108fc;
对gammatone滤波器冲激响应函数做拉普拉斯变换如下:
其中,A为滤波器增益,n为滤波器阶数,fc为中心频率,为相位,b=2πERB(fc),w=2πfc;
(3)对步骤(2)子带信号做快速傅里叶变换,通过低通滤波器,并生成听觉谱;
(4)对步骤(2)滤波后的信号通过Meddis内毛细胞模型进行半波整流,生成模拟人耳感知的听觉谱,对听觉谱各个通道频带能量进行计算,形成含有听觉特征的特征向量
(5)对各听觉谱各个通道频带能量进行计算,形成含有听觉特征的特征向量:
2.根据权利要求1所述的基于仿生听觉系统中耳蜗模型的海豚哨声信号听觉特征提取方法,其特征是:Meddis模型包含五个物理量:细胞膜渗透性、内耳毛细胞中神经递质的量、毛细胞间隙神经递质的量、再生库中神经递质的量、激发概率:
(1)细胞膜渗透性:
反映神经递质从内毛细胞中向毛细胞间隙传输能的渗透性通过如下方式描述:
k(t)是细胞膜渗透性,stim(t)是输入声波的瞬时幅度,A,B,g是细胞参数,k(t)=A/(A+B)g表示细胞膜的自发响应;
(2)内耳毛细胞中神经递质的量:
内耳毛细胞中神经递质的量q(t)随时间变化率可用下式表示:
其中,y(1-q(t))是制造厂补充到毛细胞神经递质的量,xw(t)是通过再生库流回毛细胞神经递质的量,-k(t)q(t)从毛细胞内流到细胞间隙神经递质的量;
(3)细胞外部神经递质的量:
细胞外部神经递质的量c(t)随时间变化用下式描述:
其中,k(t)q(t)是内毛细胞流入细胞间隙的神经递质,-lc(t)是细胞间隙流出的神经递质,-rc(t)是从细胞间隙流出到再生库中的神经递质;
(4)再生库中神经递质的量:
再生库中神经递质的量w(t)随时间的变化率由下式表示:
(5)神经纤维激发概率:
最终停留在细胞间隙的神经递质的量c(t)决定了后级神经传导纤维激发的概率,用比例因子h表示如下:
p(t)=hc(t)dt。

说明书全文

基于仿生听觉系统中蜗模型的海豚哨声信号听觉特征提取

方法

技术领域

[0001] 本发明涉及的是一种信号模式识别方法,具体地说是生物信号模式识别方法。

背景技术

[0002] 水声信号识别主要包括特征提取和分类器设计两部分。特征提取的任务是选取表征目标身份的有效且稳定可靠的特征,是信号识别的关键部分之一,它直接影响着水声信号识别的最终结果。海豚生活的水下世界视距受限,通过长期演进,海豚进化了优异的声呐系统。通过声呐系统,海豚可以完成种群中的个体识别、捕食,躲避天敌等行为。在海豚声呐中,海豚的哨声信号承担着个体交流通信的任务,哨声信号的分类识别也成为海豚研究的关键环节之一。
[0003] 目前,对于海豚哨声信号的特征提取方法主要基于时频域。包括时域的波形结构特征提取方法,频域的谱估计方法和时频域利用各种信号变换技术提取信号特征。传统的特征提取方法经过长久以来的发掘,取得了良好的效果。时域波形的主要特征是方法简单,实时性好。但水下信号时域波形结构复杂,难以提取具有高分类信息的波形结构特征。频域分析特征的特点是技术成熟,方法简单,而且谱信息包含了明确的物理概念,但适合处理线性、平稳信号。时频分析方法提取的特征更能反映信号的时域和频域特征,但时频分析较为复杂,计算量、存储量大,计算速度慢,实时性差。在实际的水声环境下,受不同水文条件的影响,传统的时频特征提取往往不能取得理想的效果。

发明内容

[0004] 本发明的目的在于提供能够解决现有技术中运算量大,无法快速提取特征,对非线性信号、非平稳信号处理效果不理想,对背景噪声的高依赖性,应用局限性等问题的基于仿生听觉系统中耳蜗模型的海豚哨声信号听觉特征提取方法
[0005] 本发明的目的是这样实现的:
[0006] 本发明基于仿生听觉系统中耳蜗模型的海豚哨声信号听觉特征提取方法,其特征是:
[0007] (1)对海豚叫声进行采样,得到实录信号s(n),对实录信号s(n)进行归一化预处理:
[0008]
[0009] (2)将步骤(1)得到的信号通过Gammatone听觉滤波器组,得到M个子带信号,M为滤波器个数,对各子带信号进行快速FFT变换;
[0010] Gammatone滤波器的冲激响应为:
[0011]
[0012] 式中:a表示gammatone滤波器的幅度因子,n表示gammatone滤波器的阶数,fc表示gammatone滤波器的中心频率,表示gammatone滤波器的初始相位,2πbERB(fc)表示阻尼因子,u(t)表示单位阶跃函数;
[0013] ERB表示等效矩形带宽,其表达式为:ERB(fc)=24.7+0.108fc;
[0014] 对gammatone滤波器冲激响应函数做拉普拉斯变换如下:
[0015]
[0016] 其中,A为滤波器增益,n为滤波器阶数,fc为中心频率,为相位,b=2πERB(fc),w=2πfc;
[0017] (3)对步骤(2)子带信号做快速傅里叶变换,通过低通滤波器,并生成听觉谱;
[0018] (4)对步骤(2)滤波后的信号通过Meddis内毛细胞模型进行半波整流,生成模拟人耳感知的听觉谱,对听觉谱各个通道频带能量进行计算,形成含有听觉特征的特征向量
[0019] (5)对各听觉谱各个通道频带能量进行计算,形成含有听觉特征的特征向量:
[0020]
[0021] 本发明还可以包括:
[0022] 1、Meddis模型包含五个物理量:细胞膜渗透性、内耳毛细胞中神经递质的量、毛细胞间隙神经递质的量、再生库中神经递质的量、激发概率:
[0023] (1)细胞膜渗透性:
[0024] 反映神经递质从内毛细胞中向毛细胞间隙传输能的渗透性通过如下方式描述:
[0025]
[0026] k(t)是细胞膜渗透性,stim(t)是输入声波的瞬时幅度,A,B,g是细胞参数,k(t)=A/(A+B)g表示细胞膜的自发响应;
[0027] (2)内耳毛细胞中神经递质的量:
[0028] 内耳毛细胞中神经递质的量q(t)随时间变化率可用下式表示:
[0029]
[0030] 其中,y(1-q(t)))是制造厂补充到毛细胞神经递质的量,xw(t)是通过再生库流回毛细胞神经递质的量,-k(t)q(t)从毛细胞内流到细胞间隙神经递质的量;
[0031] (3)细胞外部神经递质的量:
[0032] 细胞外部神经递质的量c(t)随时间变化用下式描述:
[0033]
[0034] 其中,k(t)q(t)是内毛细胞流入细胞间隙的神经递质,-lc(t)是细胞间隙流出的神经递质,-rc(t)是从细胞间隙流出到再生库中的神经递质;
[0035] (4)再生库中神经递质的量:
[0036] 再生库中神经递质的量w(t)随时间的变化率由下式表示:
[0037]
[0038] (5)神经纤维激发概率:
[0039] 最终停留在细胞间隙的神经递质的量c(t)决定了后级神经传导纤维激发的概率,用比例因子h表示如下:
[0040] p(t)=hc(t)dt。
[0041] 本发明的优势在于:本发明针对传统特征提取方法,计算量大、实现复杂、易受环境噪声影响的问题,提出了一种基于仿生听觉系统中耳蜗模型的海豚哨声信号听觉特征提取方法,并详细说明了整个模型的建立过程,包括基于人耳听觉特性的耳蜗基底膜分频滤波、基底膜上内毛细胞信号转换、听神经发放率计算特征向量的过程。Gammatone滤波器具有尖锐的频率选择特性,滤波器的边缘的衰减很缓慢,有效的避免了相邻频带间的能量泄漏,能够快速处理声音信号,其频响特性与人耳蜗基底膜的滤波特性一致,同时该滤波器只需要较少的参数就能较好的模拟人耳听觉,易于实现。Meddis模型模拟内毛细胞处理机制对输入信号进行自适应处理,提高声特征的正确识别率,对噪声有一定的抑制作用。通过对人耳基底膜频率选择机制和内耳毛细胞换能机制的模拟这种基于Gammatone滤波器组和Meddis模型的特征提取方法计算量,实现难度低于传统方法,同时这种基于仿生听觉模型的特征提取方法具有良好的抗噪性和鲁棒性。附图说明
[0042] 图1为Gammatone滤波器的冲激响应波形;
[0043] 图2为Gammatone滤波器的幅频响应;
[0044] 图3为内毛细胞模型图;
[0045] 图4为本发明方法的流程图

具体实施方式

[0046] 下面结合附图举例对本发明做更详细地描述:
[0047] 结合图1-4,海豚叫声经128kHz采样率采样得到。
[0048] 针对实录信号:
[0049] 步骤1:对海上实录信号s(n)进行归一化预处理;
[0050]
[0051] 步骤2:将步骤1得到的信号通过Gammatone听觉滤波器组,得到M个子带信号(M为滤波器个数),对各子带信号进行快速FFT变换。Gammatone滤波器的冲激响应为:
[0052]
[0053] 式中:a表示gammatone滤波器的幅度因子;n表示gammatone滤波器的阶数;fc表示gammatone滤波器的中心频率;表示gammatone滤波器的初始相位;2πbERB(fc)表示阻尼因子;u(t)表示单位阶跃函数;
[0054] ERB表示等效矩形带宽,其表达式为:ERB(fc)=24.7+0.108fc;
[0055] 对gammatone滤波器冲激响应函数做拉普拉斯变换如下:
[0056]
[0057] 其中,A为滤波器增益,n为滤波器阶数,fc为中心频率,为相位,b=2πERB(fc),w=2πfc。
[0058] 步骤3:对步骤2子带信号做快速傅里叶变换,通过低通滤波器,并生成听觉谱。
[0059] 步骤4:对步骤2滤波后的信号通过Meddis内毛细胞模型进行半波整流,生成模拟人耳感知的听觉谱,对听觉谱各个通道频带能量进行计算,形成含有听觉特征的特征向量。Meddis内毛细胞模型如图3所示。
[0060] Meddis模型主要包含五个物理量:渗透性、内耳毛细胞中神经递质的量、毛细胞间隙神经递质的量、再生库中神经递质的量、激发概率。
[0061] (1)细胞膜渗透性
[0062] 渗透性反映了神经递质从内毛细胞中向毛细胞间隙传输的能力。渗透性可用如下方式描述:
[0063]
[0064] k(t)是细胞膜的渗透性,stim(t)是输入声波的瞬时幅度,A,B,g是细胞参数。k(t)=A/(A+B)g表示细胞膜的自发响应,描述一个非线性过程。
[0065] (2)内耳毛细胞中神经递质的量
[0066] 内耳毛细胞中神经递质的量q(t)随时间变化率可用下式表示:
[0067]
[0068] 其中,y(1-q(t))是制造厂补充到毛细胞神经递质的量,xw(t)是通过再生库流回毛细胞神经递质的量,-k(t)q(t)从毛细胞内流到细胞间隙神经递质的量。它们共同决定了内耳毛细胞中的神经递质的量随时间的变化率。
[0069] (3)细胞外部神经递质的量
[0070] 细胞外部神经递质的量c(t)随时间变化可用下式描述:
[0071]
[0072] 其中,k(t)q(t)是内毛细胞流入细胞间隙的神经递质,-lc(t)是细胞间隙流出的神经递质,-rc(t)是从细胞间隙流出到再生库中的神经递质,细胞间隙神经递质的量随时间的变化率由此三项决定。
[0073] (4)再生库中神经递质的量
[0074] 再生库中神经递质的量w(t)随时间的变化率由下式表示:
[0075]
[0076] (5)神经纤维激发概率
[0077] 最终停留在细胞间隙的神经递质的量c(t)决定了后级神经传导纤维激发的概率,用比例因子h表示如下:
[0078] p(t)=hc(t)dt
[0079] 步骤5:,对各听觉谱各个通道频带能量进行计算,形成含有听觉特征的特征向量。
[0080]
[0081] 以上实施例设定计算的中心频率从5kHz到10kHz,将提取出的海豚哨声信号特征向量进行对比分析,并与不同程度水下背景噪声下提取特征向量比较。结果表明提取特征有较高的正确识别率,较好的抗噪声性能,证明了本发明的有效性。
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。

申请试用

分析报告

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。

申请试用

QQ群二维码
意见反馈