CN111739551A - 一种基于低秩与稀疏张量分解的多通道心肺音去噪系统 - Google Patents

一种基于低秩与稀疏张量分解的多通道心肺音去噪系统 Download PDF

Info

Publication number
CN111739551A
CN111739551A CN202010591998.2A CN202010591998A CN111739551A CN 111739551 A CN111739551 A CN 111739551A CN 202010591998 A CN202010591998 A CN 202010591998A CN 111739551 A CN111739551 A CN 111739551A
Authority
CN
China
Prior art keywords
sparse
tensor
rank
cardiopulmonary
signals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010591998.2A
Other languages
English (en)
Inventor
邱育宁
欧思嘉
谢胜利
谢侃
杨其宇
吕俊
周郭许
王艳娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010591998.2A priority Critical patent/CN111739551A/zh
Publication of CN111739551A publication Critical patent/CN111739551A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/26—Pre-filtering or post-filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
    • G10L2021/02166—Microphone arrays; Beamforming

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本发明公开了一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，包括：通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强；单片机将增强后的纯净的肺音数字信号传输至DAC模块，转化成模拟信号后，利用功率放大器输出至扬声器播放。通过本发明能能减少运算量，增加运算速度，能获得更高的心肺音的听觉质量。

Description

一种基于低秩与稀疏张量分解的多通道心肺音去噪系统
技术领域
本发明涉及智能听诊领域，具体是一种基于低秩与稀疏张量分解的多通道心肺音去噪系统。
背景技术
多通道心肺音去噪的目的是将采集的心肺音信号从复杂的噪声环境中分理出干净的心肺音信号。多通道心肺音在人体胸腔表面采集时，由于其声音微弱及环境噪声污染等因素的影响，往往无法直接传送至医生收听，因此通过多种机器学习、信号处理等方式去除心肺音的噪声尤为重要。
多通道心肺音去噪是近年来智能听诊设备发展带来的重要难题，虽然多通道心肺音信号可以简单地使用单通道心肺音去噪的方法实现，但该类方法将大大地破坏数据原有的通道间的关系，无法获得高质量的心肺音。这类方法常用的包括基于时域的方法，如子空间估计法；还包括基于频域的方法，如谱减法、维纳滤波。这类方法在面对简单噪声时能获得不错的性能，但多通道心肺音信号微弱且外部环境噪声复杂，该类算法无法获得令人满意的性能。
此外，基于有辅助信息的多通道心肺音去噪方法在近年来也得到了重视，如基于基函数的非负矩阵分解的单通道心肺音去噪方法，可以通过给定训练样本来学习噪声字典和心肺音字典，从而在测试阶段去除多个通道的心肺音噪声(Wilson K W,Raj B,Smaragdis P,et al.Speech denoising using nonnegative matrix factorizationwith priors[C]//Acoustics,Speech and Signal Processing,2008.ICASSP 2008.IEEEInternational Conference on.IEEE,2008:4029-4032)。基于非负矩阵分解的方法在处理多通道心肺音信号时，往往需要将多个通道信号转变成单通道的信号来处理，容易丢失通道间的空间结构信息，无法获得良好的性能表现；另一方面，将多通道信息转变成单通道信息处理时，由于待处理的信号矩阵/向量变大，容易造成计算量过大的问题。基于回归深度神经网络的方法(Y.Wang and D.Wang.Towards scaling up classification-basedspeech separation.IEEE Trans.Audio,Speech,Lang.Process,2013:1381–1390)，通过预训练大量的干净心肺音数据和多种类型的噪声数据，获得神经网络的学习参数，再在离线环境下通过xx获得干净的心肺音噪声。基于回归深度神经网络的心肺音去噪方法，虽然能在性能上达到良好的效果，但是需要预先训练大量的已标注的样本，在实际生产应用中并不现实；此外，当实际心肺音噪声和训练时的噪声模式不一致时，该类方法往往无法去除噪声污染。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，包括：
通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；
单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强；
单片机将增强后的纯净的肺音数字信号传输至DAC模块，转化成模拟信号后，利用功率放大器输出至扬声器播放。
进一步的，所述的通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机，包括如下过程：
采集的3个通道的含有多种噪声的心肺音信号分别为x1(t)，x2(t)，x3(t)，对x1(t)，x2(t)，x3(t)分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100～128，窗移动的补偿设置为50～64；对3通道信号逐一进行短时傅里叶变换后，得到3个时频谱X1，X2，X3，对3个二维含噪声的时频图在通道方向进行堆叠，得到一个三维的时频图张量
Figure BDA0002555945990000021
进一步的，将张量时频图分解为低秩与稀疏张量：
Figure BDA0002555945990000022
其中
Figure BDA0002555945990000023
为稀疏张量，表示需要得到的纯净语音信号；
Figure BDA0002555945990000024
表示稀疏张量的不为零的元素的约束，目的是让我们的模型能够更加准确地获得稀疏的语音成分；
Figure BDA0002555945990000025
为低管秩(tubal rank)的张量，在心肺音信号中表现为噪声成分；
Figure BDA0002555945990000026
表示张量的管秩小于r。
进一步的，所述的单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强包括如下过程：
Figure BDA0002555945990000027
将问题
Figure BDA0002555945990000028
拆分为两个子问题：
Figure BDA0002555945990000029
更新低秩张量
Figure BDA00025559459900000210
Figure BDA00025559459900000211
其中*为张量乘积(t-product)，
Figure BDA0002555945990000031
为张量
Figure BDA0002555945990000032
的前r个最大的左奇异张量；
更新稀疏成分
Figure BDA0002555945990000033
Figure BDA0002555945990000034
其中
Figure BDA0002555945990000035
为收缩算子，
Figure BDA0002555945990000036
为非零投影算子，Ω表示待投影张量的前τ个最大的元素集合。
检查算法是否得到收敛：
Figure BDA0002555945990000037
其中∈＝1e-6是收敛参数，若上述条件满足，则说明算法已经收敛，停止迭代。
获得的
Figure BDA0002555945990000038
张量为所需的干净的多通道心肺音信号。
本发明的有益效果是：本发明目的是通过低秩和稀疏张量分解的方式，无需采用辅助信息，并且可以保留多通道的心肺音空间结构信息，能够在复杂噪声污染的心肺音信号中获得干净的心肺音。
附图说明
图1为一种基于低秩与稀疏张量分解的多通道心肺音去噪系统的处理流程示意图；
图2为基于低秩与稀疏张量分解的多通道心肺音去噪系统示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，本发明所提供的一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，包括如下处理流程；
通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；
单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强；
单片机将增强后的纯净的肺音数字信号传输至DAC模块，转化成模拟信号后，利用功率放大器输出至扬声器播放。
通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机，包括如下过程：
采集的3个通道的含有多种噪声的心肺音信号分别为x1(t)，x2(t)，x3(t)，对x1(t)，x2(t)，x3(t)分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100～128，窗移动的补偿设置为50～64；对3通道信号逐一进行短时傅里叶变换后，得到3个时频谱X1，X2，X3，对3个二维含噪声的时频图在通道方向进行堆叠，得到一个三维的时频图张量
Figure BDA0002555945990000041
将张量时频图分解为低秩与稀疏张量：
Figure BDA0002555945990000042
其中
Figure BDA0002555945990000043
为稀疏张量，表示需要得到的纯净语音信号；
Figure BDA0002555945990000044
表示稀疏张量的不为零的元素的约束，目的是让我们的模型能够更加准确地获得稀疏的语音成分；
Figure BDA0002555945990000045
为低管秩(tubal rank)的张量，在心肺音信号中表现为噪声成分；
Figure BDA0002555945990000046
表示张量的管秩小于r。
单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强包括如下过程：
Figure BDA0002555945990000047
将问题
Figure BDA0002555945990000048
拆分为两个子问题：
Figure BDA0002555945990000049
更新低秩张量
Figure BDA00025559459900000410
Figure BDA00025559459900000411
其中*为张量乘积(t-product)，
Figure BDA00025559459900000412
为张量
Figure BDA00025559459900000413
的前r个最大的左奇异张量；
更新稀疏成分
Figure BDA00025559459900000414
Figure BDA00025559459900000415
其中
Figure BDA00025559459900000416
为收缩算子，
Figure BDA00025559459900000417
为非零投影算子，Ω表示待投影张量的前τ个最大的元素集合；检查算法是否得到收敛：
Figure BDA00025559459900000418
其中∈＝1e-6是收敛参数，若上述条件满足，则算法已经收敛，停止迭代；
获得的
Figure BDA00025559459900000419
张量为所需的干净的多通道心肺音信号。
具体的，采集的3个通道的含有多种噪声的心肺音信号x1(t)，x2(t)，x3(t)，对采集信号分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100～128，窗移动的补偿设置为50～64。对3通道信号逐一进行短时傅里叶变换后，得到3个时频谱X1，X2，X3；
对3个二维含噪声的时频图在通道方向进行堆叠，得到一个三维的时频图张量
Figure BDA0002555945990000051
前述研究表明，时频图中的噪声往往表现为低秩属性，而真实心肺音信号往往是稀疏的。因此，将上述采集的张量时频图分解为低秩与稀疏张量：
Figure BDA0002555945990000052
其中
Figure BDA0002555945990000053
为稀疏张量，表示我们需要得到的纯净语音信号；
Figure BDA0002555945990000054
表示稀疏张量的不为零的元素的约束，目的是让我们的模型能够更加准确地获得稀疏的语音成分；
Figure BDA0002555945990000055
为低管秩(tubal rank)的张量，在心肺音信号中表现为噪声成分；
Figure BDA0002555945990000056
表示张量的管秩小于r。
4.1为求解上述问题，提出如下优化算法：
a)将问题(1)拆分为两个子问题：
Figure BDA0002555945990000057
b)更新低秩张量
Figure BDA0002555945990000058
Figure BDA0002555945990000059
其中*为张量乘积(t-product)，
Figure BDA00025559459900000510
为张量
Figure BDA00025559459900000511
的前r个最大的左奇异张量；
c)更新稀疏成分
Figure BDA00025559459900000512
Figure BDA00025559459900000513
其中
Figure BDA00025559459900000514
为收缩算子，
Figure BDA00025559459900000515
为非零投影算子，Ω表示待投影张量的前τ个最大的元素集合。
d)检查算法是否得到收敛：
Figure BDA00025559459900000516
其中∈＝1e-6是收敛参数，若上述条件满足，则说明算法已经收敛，停止迭代。
e)最终获得的
Figure BDA00025559459900000517
张量为所需的干净的多通道心肺音信号；
相比基于子空间的时域心肺音去噪方法，本发明不需要估计噪声子空间和纯净心肺音子空间，本发明能减少运算量，增加运算速度。相比基于频域的谱减法，本发明不需要反复地调节相减的频谱，不需要担心信号失真与噪声残留过多的问题。相比基于，维纳滤波的多通道心肺音去噪方法，本发明能获得更高的心肺音的听觉质量。相比基于最小均方差估计得方法，本发明不需要对心肺音信号进行概率密度分布估计，能有效地减少运行时间与运算量。相比基于矩阵鲁邦主成分分析的心肺音去噪方法，本发明能有效地保留多个通道的时频谱中的空间信息，能获得更高的声音质量。相比基于基函数的非负矩阵分解方法和回归深度神经网络方法，本发明无需训练样本，并且可以保留多通道心肺音信号的空间结构信息。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，其特征在于，包括：
通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；
单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强；
单片机将增强后的纯净的肺音数字信号传输至DAC模块，转化成模拟信号后，利用功率放大器输出至扬声器播放。
2.根据权利要求1所述的一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，其特征在于，所述的通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机，包括如下过程：
采集的3个通道的含有多种噪声的心肺音信号分别为x1(t)，x2(t)，x3(t)，对x1(t)，x2(t)，x3(t)分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100～128，窗移动的补偿设置为50～64；对3通道信号逐一进行短时傅里叶变换后，得到3个时频谱X1，X2，X3，对3个二维含噪声的时频图在通道方向进行堆叠，得到一个三维的时频图张量
Figure FDA0002555945980000011
3.根据权利要求2所述的一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，其特征在于，将张量时频图分解为低秩与稀疏张量：
Figure FDA0002555945980000012
其中
Figure FDA0002555945980000013
为稀疏张量，表示需要得到的纯净语音信号；
Figure FDA0002555945980000014
表示稀疏张量的不为零的元素的约束，目的是让我们的模型能够更加准确地获得稀疏的语音成分；
Figure FDA0002555945980000015
为低管秩(tubal rank)的张量，在心肺音信号中表现为噪声成分；
Figure FDA0002555945980000016
表示张量的管秩小于r。
4.根据权利要求3所述的一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，其特征在于，所述的单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强包括如下过程：
将问题
Figure FDA0002555945980000017
拆分为两个子问题：
Figure FDA0002555945980000021
更新低秩张量
Figure FDA0002555945980000022
Figure FDA0002555945980000023
其中*为张量乘积(t-product)，
Figure FDA0002555945980000024
为张量
Figure FDA0002555945980000025
的前r个最大的左奇异张量；
更新稀疏成分
Figure FDA0002555945980000026
Figure FDA0002555945980000027
其中
Figure FDA0002555945980000028
为收缩算子，
Figure FDA0002555945980000029
为非零投影算子，Ω表示待投影张量的前τ个最大的元素集合。检查算法是否得到收敛：
Figure FDA00025559459800000210
其中∈＝1e-6是收敛参数，若上述条件满足，则算法已经收敛，停止迭代；
获得的
Figure FDA00025559459800000211
张量为所需的干净的多通道心肺音信号。
CN202010591998.2A 2020-06-24 2020-06-24 一种基于低秩与稀疏张量分解的多通道心肺音去噪系统 Pending CN111739551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010591998.2A CN111739551A (zh) 2020-06-24 2020-06-24 一种基于低秩与稀疏张量分解的多通道心肺音去噪系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010591998.2A CN111739551A (zh) 2020-06-24 2020-06-24 一种基于低秩与稀疏张量分解的多通道心肺音去噪系统

Publications (1)

Publication Number Publication Date
CN111739551A true CN111739551A (zh) 2020-10-02

Family

ID=72651138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010591998.2A Pending CN111739551A (zh) 2020-06-24 2020-06-24 一种基于低秩与稀疏张量分解的多通道心肺音去噪系统

Country Status (1)

Country Link
CN (1) CN111739551A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113241090A (zh) * 2021-04-21 2021-08-10 西北工业大学 一种基于最小体积约束的多通道盲声源分离方法
CN114844544A (zh) * 2022-04-28 2022-08-02 中国人民解放军国防科技大学 一种基于低管秩张量分解的互质阵列波束成形方法、系统及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915742A (zh) * 2012-10-30 2013-02-06 中国人民解放军理工大学 基于低秩与稀疏矩阵分解的单通道无监督语噪分离方法
CN105266804A (zh) * 2015-11-12 2016-01-27 杭州电子科技大学 一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法
CN105580074A (zh) * 2013-09-24 2016-05-11 美国亚德诺半导体公司 音频信号的时频定向处理
CN105962967A (zh) * 2016-05-23 2016-09-28 四川长虹电器股份有限公司 基于双麦克听诊器的心音去噪方法
US9576583B1 (en) * 2014-12-01 2017-02-21 Cedar Audio Ltd Restoring audio signals with mask and latent variables
CN108447498A (zh) * 2018-03-19 2018-08-24 中国科学技术大学 应用于麦克风阵列的语音增强方法
CN208128510U (zh) * 2018-05-16 2018-11-20 合肥康聆医疗科技有限公司 基于低功耗蓝牙的双通道心肺音采集无线传输实时系统
CN110222041A (zh) * 2019-05-23 2019-09-10 东南大学 一种基于张量恢复的交通数据清洗方法
CN111274525A (zh) * 2020-01-19 2020-06-12 东南大学 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915742A (zh) * 2012-10-30 2013-02-06 中国人民解放军理工大学 基于低秩与稀疏矩阵分解的单通道无监督语噪分离方法
CN105580074A (zh) * 2013-09-24 2016-05-11 美国亚德诺半导体公司 音频信号的时频定向处理
US9576583B1 (en) * 2014-12-01 2017-02-21 Cedar Audio Ltd Restoring audio signals with mask and latent variables
CN105266804A (zh) * 2015-11-12 2016-01-27 杭州电子科技大学 一种基于低秩和稀疏矩阵分解的新型脑电信号处理方法
CN105962967A (zh) * 2016-05-23 2016-09-28 四川长虹电器股份有限公司 基于双麦克听诊器的心音去噪方法
CN108447498A (zh) * 2018-03-19 2018-08-24 中国科学技术大学 应用于麦克风阵列的语音增强方法
CN208128510U (zh) * 2018-05-16 2018-11-20 合肥康聆医疗科技有限公司 基于低功耗蓝牙的双通道心肺音采集无线传输实时系统
CN110222041A (zh) * 2019-05-23 2019-09-10 东南大学 一种基于张量恢复的交通数据清洗方法
CN111274525A (zh) * 2020-01-19 2020-06-12 东南大学 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAO ZHANG等: "CONSTRAINED LOW-RANK TENSOR RECOVERY FOR HYPERSPECTRAL IMAGES MIXED NOISE REMOVAL BY BILATERAL RANDOM PROJECTIONS", 《IEEE数据库IGARSS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113241090A (zh) * 2021-04-21 2021-08-10 西北工业大学 一种基于最小体积约束的多通道盲声源分离方法
CN113241090B (zh) * 2021-04-21 2023-10-17 西北工业大学 一种基于最小体积约束的多通道盲声源分离方法
CN114844544A (zh) * 2022-04-28 2022-08-02 中国人民解放军国防科技大学 一种基于低管秩张量分解的互质阵列波束成形方法、系统及介质
CN114844544B (zh) * 2022-04-28 2024-05-14 中国人民解放军国防科技大学 一种基于低管秩张量分解的互质阵列波束成形方法、系统及介质

Similar Documents

Publication Publication Date Title
CN110600050B (zh) 基于深度神经网络的麦克风阵列语音增强方法及系统
CN111292762A (zh) 一种基于深度学习的单通道语音分离方法
CN110120227A (zh) 一种深度堆叠残差网络的语音分离方法
KR100647286B1 (ko) 교차채널 간섭을 제거하기 위한 후처리장치 및 방법과이를 이용한 다채널 음원 분리장치 및 방법
TWI508059B (zh) 增強回響化語音的方法與裝置
KR101305373B1 (ko) 관심음원 제거방법 및 그에 따른 음성인식방법
CN111341303A (zh) 一种声学模型的训练方法及装置、语音识别方法及装置
CN111739551A (zh) 一种基于低秩与稀疏张量分解的多通道心肺音去噪系统
Jangjit et al. A new wavelet denoising method for noise threshold
TWI819478B (zh) 具端至端神經網路之聽力裝置及音訊處理方法
CN115424627A (zh) 基于卷积循环网络和wpe算法的语音增强混合处理方法
Chen et al. Time domain speech enhancement with attentive multi-scale approach
Chao et al. Cross-domain single-channel speech enhancement model with bi-projection fusion module for noise-robust ASR
Do et al. Speech Separation in the Frequency Domain with Autoencoder.
CN114189781A (zh) 双麦神经网络降噪耳机的降噪方法及系统
CN112820311A (zh) 一种基于空间预测的回声消除方法及装置
CN111009259B (zh) 一种音频处理方法和装置
CN112185405A (zh) 一种基于差分运算和联合字典学习的骨导语音增强方法
CN112802490B (zh) 一种基于传声器阵列的波束形成方法和装置
CN111968627B (zh) 一种基于联合字典学习和稀疏表示的骨导语音增强方法
CN112967722A (zh) 一种基于盲源分离的文本无关型多源说话人识别方法
CN111028857A (zh) 基于深度学习的多通道音视频会议降噪的方法及系统
Muhsina et al. Signal enhancement of source separation techniques
Vanjari et al. Hearing Loss Adaptivity of Machine Learning Based Compressive Sensing Speech Enhancement for Hearing Aids
Chang et al. Distributed parameterized topology-independent noise reduction in acoustic sensor networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201002

RJ01 Rejection of invention patent application after publication