CN105744456A - 数字助听器自适应声反馈消除方法 - Google Patents

Abstract

本发明提供一种数字助听器自适应声反馈消除方法，它的处理过程为：首先，得到数字助听器接收到的信号；然后，根据已知的输入信号，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差；最后，应用零吸引?最小平均范数算法，在每一离散时间点上进行迭代，对未知的声反馈路径进行估计和更新调整。本发明与现有技术相比，具有如下优点：减少其对声反馈消除效果的影响。在收敛速度和估计精度方面达到了更好的折中，并大大减少了计算复杂度；能够有效提高数字助听器的稳健性和适应性。

Description

数字助听器自适应声反馈消除方法

技术领域：本发明涉及一种针对数字助听器的自适应声反馈消除技术，基于稳健估计理论对具有冲击特征的噪声进行非线性抑制，采用自适应滤波方法实现数字助听器中声反馈路径的辨识，属于信号处理技术领域。

背景技术：“听“是人类接收语音信息的一种重要途径，但是很多人由于年老、疾病或者噪声等原因，听力不断下降，甚至很多人生来就是听力障碍者，这一生理缺陷严重损害人们的身心健康和生活质量，加重社会负担。按世界听力研究机构的统计，中度以上听力障碍患者约占世界总人口的6％，过半的听力障碍患者来自经济欠发达地区，我国是世界上听力障碍人数最多的国家，有听力残疾人2780多万，大多数是老年患者。加快的老龄化速度、各种慢性疾病的影响，是听力障碍患者激增的现实原因，客观上要求我们国家必须重视听力健康问题。

助听器是一种最常用、最有效的补偿听力损失的医疗设备，它能够将声音放大，最大限度地利用听力障碍者的残余听力，使之听到原来听不到或听不清的声音，提高患者的听力水平。现阶段的主流助听器是数字助听器，体积大多数都很小，其扬声器与麦克风距离很近，扬声器输出信号很容易从耳模与外耳道的缝隙或者通气孔泄露出去，重新被麦克风拾取，并被不断放大，形成声反馈(回声)现象。声反馈问题是助听器的常见问题，也是助听器用户抱怨最大的问题。比较轻微的声反馈会使用户感受到的声音听起来有混响的效果，影响语音质量，降低用户使用舒适度，严重的声反馈会使助听器产生高密度的震荡，产生啸叫，不仅影响聆听效果，甚至损害器件和用户的残余听力。因此如何抑制反馈显得尤为重要。

目前声反馈消除方法包括自动增益控制、陷波滤波器法、反相位法和自适应滤波法。其中的自适应滤波器法是目前数字助听器中最常用的声反馈消除方法，它通过实时调整滤波器的权值来对声反馈路径进行自适应建模，以获取声反馈路径的参数，进而产生声反馈的估计信号，并将其从助听器输出中减去，从而有效地消除因声反馈产生的啸叫，还可以滤除混响产生的声反馈，极大地改善助听器输出声音的品质，使得制造大功率耳内数字助听器成为可能。自适应滤波器法首先要解决的问题是：如何根据反馈路径的变化准确估计声反馈路径，声反馈路径的自适应估计算法包括不连续和连续两大类算法。不连续估计算法只有在系统输出能量到达某一阈值时才开始估计声反馈，需要中断正常语音信号的传输，向助昕器输入端注入探测噪声信号，通过接收到的信号估计出声反馈路径，然后在正常语音传输时减去由该声反馈路径引起的声反馈信号，因此该方法会使用户感觉到语音的中断，影响舒适性，而且，由于不是实时算法，声反馈路径快速变化时算法有较大的误差。当前自适应声反馈消除算法的研究热点是连续型算法，它不需要中断正常语音的传输，直接使用正在传输的语音实时估计系统当前的声反馈路径，并进一步估计并减去声反馈信号，不影响原始语音质量，计算量小、收敛性好，而且可以跟踪快速变化的声反馈路径。

但是，由于语音信号本身是有色信号，而且期望信号与声反馈信号又是相关信号，使得声反馈路径估计的问题变得相当复杂，如何设计估计算法，对信号进行解相关，得到对声反馈路径的无偏估计是当前数字助听器语音处理算法研究的难点。现存主流自适应声反馈消除算法不断努力追求的目标主要是如何消除信号相关性，实现无偏地估计声反馈路径，提高收敛速度，减少计算复杂度和失调量。而对影响信号参数估计结果的另一重要因素——随机噪声只作了简单的高斯假设，即只考虑了噪声概率密度函数轻薄拖尾的情况，从而其代价函数或是基于均方误差准则或是基于最小二乘准则，或是基于距离定义。当然，根据中心极限定理，这个假设是合理的。而且，这个假设给信号处理带来了极大的方便。比如：信号处理模型存在简易的封闭表达式，这些表达式通常都是线性的；只需要均值和方差两个统计量就足以表达信号和噪声的特性等等。

然而，真实世界中的信号和噪声并不呈现高斯特性。数字助听器的实际使用环境非常复杂，汽车喇叭、锣鼓喧天、响雷、汽车发动机点火引起的电磁噪声等都表现出比高斯噪声显著得多的冲击性，在直方图上表现为厚重的拖尾。因此，对环境噪声仅仅做出高斯分布的假设并不完全符合真实情况。而由稳健估计理论可知，前面所述算法中对代价函数的运算都可以归结为二范数的范畴，它们对不符合高斯分布的冲击噪声和信号具有放大作用，因而使得自适应声反馈消除算法中的梯度估计偏差很大，影响权向量的搜索方向和相关矩阵的估计，继而降低声反馈路径的估计精度和声反馈消除的效果，从而限制其实用性。

发明内容：

发明目的：

本发明所要解决的技术问题是提供一种冲击噪声环境下数字助听器声反馈抑制方法，其目的是解决以往所存在的问题，其能够准确估计出声反馈路径，得到纯净的语音信号，且计算复杂度低。

技术方案：

本发明解决上述技术问题所采用的技术方案为：一种数字助听器自适应声反馈消除方法，其特征在于它的处理过程为：首先，得到数字助听器接收到的信号；然后，根据已知的输入信号，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差；最后，应用零吸引-最小平均l_p范数算法，在每一离散时间点上进行迭代，对未知的声反馈路径进行估计和更新调整。

本发明的一种数字助听器自适应声反馈消除方法，其特征在于：该方法包括以下步骤：

步骤一、获得一个采样序列x(n)，其中n＝1,2,...,N，N为采样序列x(n)的采样点数量；所述的采样序列x(n)是一维信号，且其中包含N个采样点；

步骤二、获得误差信号：采用所得到的采样序列x(n)，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差信号e(n)；

步骤三、权系数的更新：应用零吸引-最小平均l_p范数算法，在每一离散时间点上进行迭代，对未知的声反馈路径h进行估计和更新调整，计算出自适应滤波器的输出当自适应滤波器收敛后，该输出信号即为声反馈信号的一个复制，将其从期望信号d(n)中减去便可消除声反馈。

步骤四、对上述步骤一至步骤三重复执行50～100次，然后计算所有滤波器输出信号的平均值，将该平均值作为最终消除掉声反馈的纯净信号。

步骤三中应用零吸引-最小平均l_p范数算法是在每一离散时间点上进行迭代，其更新过程为：

$e\left(n\right)=d\left(n\right)-x^T\left(n\right)\hat{h}(n-1)---\left(1\right)$

h(n)＝h(n-1)-κsgn{h(n)}+μ|e(n)|^p-1sgn[e(n)]x(n) (2)

其中，是对未知的声反馈路径h进行估计和更新调整，0＜μ＜1是每个独立自适应滤波器的步长，e(n)是误差信号，d(n)是期望信号，L是滤波器长度，x(n)＝[x(n),x(n-1),...,x(n-L+1)]^T。

为消除梯度噪声问题，对权值自适应更新公式进行归一化：

$h\left(n\right)=h(n-1)-\mathrm{\&kappa;}\mathrm{sgn}\left\{h(n-1)\right\}+\mathrm{\&mu;}\frac{|e{\left(n\right)}^{p-1}\mathrm{sgn}\&lsqb;e\left(n\right)\&rsqb;|}{\mathrm{\&lambda;}+\left|\right|x\left(n\right)|{|}_p^p}x\left(n\right),(0<p<\mathrm{\&alpha;})---\left(3\right)$

优点及效果：本发明与现有技术相比，具有如下优点：

(1)本发明采用l_p范数作为代价函数，可以大大降低冲击噪声的冲击幅度，减少其对声反馈消除效果的影响。

(2)本发明充分应用了系统的特性，利用零吸引算子对系统权系数进行约束，使得本发明在收敛速度和估计精度方面达到了更好的折中，并大大减少了计算复杂度。

(3)本发明能够准确有效地估计出数字助听器声反馈路径参数，消除声反馈，并通过合理的参数选择有效抑制各类冲击噪声，能够有效提高数字助听器的稳健性和适应性。

附图说明：

图1是本发明的数字助听器自适应声反馈消除器的原理框图；

图2是本发明的应用流程图；

图3是本发明实施例中用到的声反馈路径，(a)实测路径(b)仿真路径；

图4是在非高斯噪声条件下，本发明的性能图；

图5是在高斯噪声条件下，本发明的性能图；

具体实施方式：

本发明的技术解决方案是：利用稳健估计思想，将原代价函数中的l₂范数用l_p，通过对参数p的选择，实现了对各种冲击程度不同的噪声的抑制。同时，在迭代过程中，采用零吸引算子实现对系统中非零值的有效利用，达到了减少计算量的效果。具体地，本发明包括如下步骤：

步骤一、获得一个采样序列x(n)，其中n＝1,2,...,N，N为采样序列x(n)的采样点数量；所述的采样序列x(n)是一维信号，且其中包含N个采样点；

步骤二、获得误差信号：采用所得到的采样序列x(n)，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差信号e(n)；

步骤三、应用零吸引-最小平均l_p范数方法在每一离散时间点上进行迭代，按照公式： $h\left(n\right)=h(n-1)-\mathrm{\&kappa;}\mathrm{sgn}\left\{h(n-1)\right\}+\mathrm{\&mu;}\frac{|e{\left(n\right)}^{p-1}\mathrm{sgn}\&lsqb;e\left(n\right)\&rsqb;|}{\mathrm{\&lambda;}+\left|\right|x\left(n\right)|{|}_p^p}x\left(n\right),(0<p<\mathrm{\&alpha;}),$ 对未知的声反馈路径h进行估计和更新调整，其中κ是一个比较小的正数，0＜μ＜1是每个独立自适应滤波器的步长，这样分别计算出两个自适应滤波器的输出e(n)是误差信号，e(n)＝d(n)-x^T(n)h(n-1)，d(n)是期望信号，x(n)＝[x(n),x(n-1),...,x(n-L+1)]^T，L是滤波器长度；

步骤四、对上述步骤一至步骤三重复执行50～100次，然后计算所有滤波器输出信号的平均值，将该平均值作为最终消除掉声反馈的纯净信号。。

下面通过附图对本发明加以具体说明：

参照图1本发明实施例中，自适应滤波器用于建模未知的声反馈路径h，其中L是滤波器长度，n是时间系数，e(n)是误差信号，是对h的估计。当麦克风输入信号x(n)通过h时，会产生声反馈信号y(n)，其叠加到与扬声器输出信号s(n)(一般受到加性噪声v(n)的污染)一起作为自适应滤波器的期望信号d(n)。当自适应滤波器的收敛后，该输出信号即为声反馈信号的一个复制，将其从期望信号d(n)中减去便可消除声反馈。

参照图2，本实施例的具体实现步骤如下：

步骤一、获得一个采样序列x(n)，其中n＝1,2,...,N，N为采样序列x(n)的采样点数量；所述的采样序列x(n)是一维信号，且其中包含N个采样点；

步骤二、获得误差信号：采用所得到的采样序列x(n)，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差信号e(n)；

步骤三、权系数的更新：应用零吸引-最小平均l_p范数算法，在每一离散时间点上进行迭代，对未知的声反馈路径h进行估计和更新调整，计算出自适应滤波器的输出当自适应滤波器收敛后，该输出信号即为声反馈信号的一个复制，将其从期望信号d(n)中减去便可消除声反馈。

步骤四、对上述步骤一至步骤三重复执行50～100次，然后计算所有滤波器输出信号的平均值，将该平均值作为最终消除掉声反馈的纯净信号。

本实施例中，步骤一中的信号麦克风输入信号分别选用的是零均值、方差为1的WGN(White Gausssian Noise)信号和一段与人类语音信号的频谱类似的USASI(USA Standards Institute)信号。噪声为外加的信噪比为30dB的WGN(White Gausssian Noise)和符合α稳定分布的冲击噪声，近端信号s(t)＝0。因此，目标信号分别为两种不同的麦克风输入信号叠加WGN。

本实施例中，声反馈路径采用两种形式。一种是实测的声反馈路径，即基于DSP构建由仿真耳、测试固定架、装有麦克风和扬声器的助听器外壳、A/D和D/A模块等组成的仿真人头录音平台，采用白噪声激励法获取助听器的脉冲响应。在此过程中，白噪声的采样频率为8KHz，精度是16位。由于测量结果会随时间而不同，因此为获得较为准确的冲激响应，这里我们记录了15次，然后取平均，每次记录1秒(8000个权值)的数据。为简化自适应滤波方法的测试，这里取160个权，即20ms的系统脉冲响应，详见图3(a)。另一种是根据G.168标准产生的声反馈路径，详见图3(b)。图3中，横轴表示单位是ms的时间变量，纵轴是幅度变量。

实际进行取值时，κ和μ是一个比较小的正数，可根据具体需要进行相应调整；0＜κ＜1，可根据具体需要进行选取；0＜μ＜1是每个独立自适应滤波器的步长因子，与所有基于梯度下降的自适应滤波方法一样，本发明所采用的方法也需要权衡收敛速度与估计精度，大的步长μ具有较快的收敛速度，但却会带来较大的失调量。在本实施例，步骤二中的自适应滤波器长度均设为100，κ＝5×10^-6，μ＝0.001，每个实验均是50次的平均结果。具体结果见,4，5。图4，5中，横轴表示迭代次数，纵轴表示单位为dB的WEVN(权误差向量)，通过WEVN的收敛过程来评价算法的收敛性能。该值愈小，意味着自适应算法越收敛。

Claims (3)

1.一种数字助听器自适应声反馈消除方法，其特征在于：首先，得到数字助听器接收到的信号；然后，根据已知的输入信号，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差；最后，应用零吸引-最小平均l_p范数算法，在每一离散时间点上进行迭代，对未知的声反馈路径进行估计和更新调整。

2.根据权利要求1所述的数字助听器自适应声反馈消除方法，其特征在于：

该方法包括以下步骤：

步骤一、获得一个采样序列x(n)，其中n＝1,2,…,N，N为采样序列x(n)的采样点数量；所述的采样序列x(n)是一维信号，且其中包含N个采样点；

步骤二、获得误差信号：采用所得到的采样序列x(n)，获得理想的输出信号，并计算实际接收信号和理想接收信号的误差信号e(n)；

步骤三、权系数的更新：应用零吸引-最小平均l_p范数算法，在每一离散时间点上进行迭代，对未知的声反馈路径h进行估计和更新调整，计算出自适应滤波器的输出当自适应滤波器收敛后，该输出信号即为声反馈信号的一个复制，将其从期望信号d(n)中减去便可消除声反馈；

步骤四、对上述步骤一至步骤三重复执行50～100次，然后计算所有滤波器输出信号的平均值，将该平均值作为最终消除掉声反馈的纯净信号。

3.根据权利要求2所述的数字助听器自适应声反馈消除方法，其特征在于：步骤三中应用零吸引-最小平均l_p范数算法是在每一离散时间点上进行迭代时，其更新过程为：

$e\left(n\right)=d\left(n\right)-x^T\left(n\right)\hat{h}(n-1)---\left(1\right)$

$h\left(n\right)=h(n-1)-\mathrm{\&kappa;}\mathrm{sgn}\left\{h(n-1)\right\}+\mathrm{\&mu;}\frac{|e{\left(n\right)}^{p-1}\mathrm{sgn}\&lsqb;e\left(n\right)\&rsqb;|}{\mathrm{\&lambda;}+\left|\right|x\left(n\right)|{|}_p^p}x\left(n\right),(0<p<\mathrm{\&alpha;})---\left(2\right)$

其中，是对未知的声反馈路径h进行估计和更新调整，0＜μ＜1是每个独立自适应滤波器的步长，e(n)是误差信号，d(n)是期望信号，L是滤波器长度，x(n)＝[x(n),x(n-1),…,x(n-L+1)]^T，T表示转置运算，λ为一个很小的正数，用于避免在自适应滤波器输入较小时过小而引起数值的不稳定，。0＜α≤2，是α稳定分布中的特征指数。