一种基于变分模态分解的生物雷达语音增强方法及系统技术方案

本发明专利技术公开了一种基于变分模态分解的生物雷达语音增强方法及系统。包括获取生物雷达语音，得到原始带噪雷达语音信号；对所述原始带噪雷达语音信号进行经验模态分解的本征模态函数特征，根据本征模态函数特征确定变分模态分解层数；根据所述分解层数对原始带噪雷达语音进行变分模态分解VMD得到各阶本征模态分解；对各阶本征模态分解与原始雷达语音信号求解皮尔逊系数，以确定有用的分解重构模态；利用改进的阈值对有用的模态进行去噪处理，重构得到增强后的雷达语音。本发明专利技术具有较强的适应性，且能够在消除雷达语音中噪声的基础上显著提高语音的质量和可懂度。因此，本发明专利技术在雷达语音增强方面具有较强的使用价值和应用前景。语音增强方面具有较强的使用价值和应用前景。语音增强方面具有较强的使用价值和应用前景。

【技术实现步骤摘要】
一种基于变分模态分解的生物雷达语音增强方法及系统


[0001]本专利技术涉及语音增强
，尤其涉及一种基于变分模态分解的生物雷达语音增强方法及系统。

技术介绍

[0002]生物雷达语音探测技术克服了传统麦克风语音探测装置极易受环境声学噪声干扰，喉部送话器、骨传导麦克风需将探测装置与人体皮肤接触、光学语音探测传感器易受温度、气候等环境因素影响等缺点，具有非接触、非侵入、安全、方向性好、灵敏度高、探测距离远、抗干扰能力强等优点。生物雷达技术为语音信号的获取提供了一种新途径。目前，94GHz生物雷达能够在探测距离和探测灵敏度方面提供较好的折中，但仍然存在探测距离短的问题，以电磁波为媒介的雷达语音往往叠加有电路噪声、电磁干扰噪声以及谐波噪声。这些噪声在很大程度上降低了雷达语音的质量。因此，研究雷达语音增强方法，为该新的语音探测技术的发展具有重要意义。

技术实现思路

[0003]本专利技术的目的在于提供一种94GHz非对称天线生物雷达语音增强的方法，该方法根据经验模态分解确定变分模态分解的层数，然后根据层数对原始雷达语音信号进行变分模态分解，最后利用改进阈值策略有效去除雷达语音中的噪声含量。为生物雷达语音探测技术的发展提供了语音去噪方面的技术支持。
[0004]为实现上述目的，本专利技术采用如下技术方案。
[0005]一种基于变分模态分解的生物雷达语音增强方法，包括以下步骤：
[0006]获取生物雷达语音，得到原始带噪雷达语音信号；
[0007]对所述原始带噪雷达语音信号进行经验模态分解的本征模态函数特征，根据本征模态函数特征确定变分模态分解层数；
[0008]根据所述分解层数对原始带噪雷达语音进行变分模态分解VMD得到各阶本征模态分解；
[0009]对各阶本征模态分解与原始雷达语音信号求解皮尔逊系数，以确定有用的分解重构模态；
[0010]利用改进的阈值对有用的模态进行去噪处理，重构得到增强后的雷达语音。
[0011]作为本专利技术的进一步改进，所述获取生物雷达语音是利用8通道的Powerlab生理记录仪对生物雷达语音进行采样，采样率为10kHz。
[0012]作为本专利技术的进一步改进，所述根据经验模态分解的本征模态函数特征确定变分模态分解层数，包括：
[0013]给定语音信号为x(t)，经验模态分解方法通过筛分过程自适应的将该原始信号分解为本振模态函数，并且每个本振模态函数IMF都是原始信号的一个子频率成分；通过由高频到低频分析各IMF的幅度特征，当IMF的幅度值小于设定值时模态为语音细节信息，其余
模态为主要信息，主要信息模态数即为变分模态分解的层数；
[0014]EMD分解后的IMF从上到下，第一个出现幅度值小于设定值的IMF阶数为主要信息模态数，由下式得到：
[0015][0016]式中，IMF
i
为经验模态分解后的各阶本征模态函数，i代表本征模态函数的阶次。
[0017]作为本专利技术的进一步改进，所述根据所述分解层数对原始带噪雷达语音进行变分模态分解VMD得到各阶本征模态分解，包括：
[0018]给定原始雷达语音信号为x(t)，通过Hilbert变换得出各个模态u
k
的解析信号，并构造出变分约束问题：
[0019][0020][0021]将x(t)分解为K个模态，式中u
k
(k＝1,2,
…
,K)为VMD方法的K个模态，w
k
(k＝1,2,
…
,K)为各模态的中心频率；引入拉格朗日乘法算子：
[0022][0023]其中，α是控制带宽的惩罚因子，λ(t)为拉格朗日乘法算子,*代表卷积,δ(t)单位脉冲函数；
[0024]采用乘法算子交替方向法和Parseval傅里叶等距变换，由(2)式将各模态由时域转换到频域为：
[0025][0026]其中，各模态中心频率为：
[0027][0028]其中w
kn+1
是第k个模态的功率谱中心。
[0029]作为本专利技术的进一步改进，所述对各阶本征模态分解与原始雷达语音信号求解皮尔逊系数，包括：
[0030][0031]其中，x
t
和y
t
代表两个随机变量。
[0032]作为本专利技术的进一步改进，改进的阈值由下式表示：
[0033][0034]N
j
第j个尺度信号的长度，σ是各个模态信号的估计噪声；其中，改进的各模态估计噪声可用下式计算：
[0035][0036]其中，L是雷达语音信号初始静默段的估计长度。
[0037]作为本专利技术的进一步改进，利用改进的阈值对有用的模态进行去噪处理，包括：
[0038][0039]其中，m为补偿因子。
[0040]作为本专利技术的进一步改进，补偿因子m的取值为0.001。
[0041]作为本专利技术的进一步改进，所述重构得到增强后的雷达语音，是经改进阈值策略去噪后的94GHz雷达语音经重构得增强语音，具体重构按下式计算：
[0042][0043]其中，IMF为VMD分解的K各模态，a为计算皮尔逊系数确定的有用模态数。
[0044]一种基于变分模态分解的生物雷达语音增强系统，包括以下步骤：
[0045]获取模块，用于获取生物雷达语音，得到原始带噪雷达语音信号；
[0046]分解模块，用于对所述原始带噪雷达语音信号进行经验模态分解的本征模态函数特征，根据本征模态函数特征确定变分模态分解层数；根据所述分解层数对原始带噪雷达语音进行变分模态分解VMD得到各阶本征模态分解；对各阶本征模态分解与原始雷达语音信号求解皮尔逊系数，以确定有用的分解重构模态；
[0047]重构模块，用于利用改进的阈值对有用的模态进行去噪处理，重构得到增强后的雷达语音。
[0048]本专利技术由于采用上述技术，使之与现有雷达语音增强技术相比具有如下有益效果：
[0049]本专利技术是通过对获取的94GHz非对称天线雷达语音信号进行经验模态分解后，确定分解层数，根据分解层数进行变分模态分解，然后根据语音静默段信息估计出噪声方差，利用改进的软阈值方法，在不造成语音信号失真的前提下有效提高语音的质量和可懂度，具有较强的适应性和有效性。采用该方法的实例表明这种变分态分解方法能够有效提高雷达语音的质量和可懂度，与传统的语音增强方法相比，该方法可总体提高原始雷达语音的评分。说明本专利技术可有效增强原始雷达语音信号。本专利技术能够为以后利用生物雷达探测人体语音方面提供有效的技术支持。因此，本专利技术在消除雷达语音噪声方面具有较强的使用价值和应用前景。
附图说明
[0050]图1为一种基于变分模态分解和改进阈值策略的生物雷达语音增强方法流程图；
[0051]图2是一段经验模态分解后的雷达语音材料，其中(a)是含有噪声的原始雷达语音信号；(b)是分解后的各阶本征模态函数；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分模态分解的生物雷达语音增强方法，其特征在于，包括以下步骤：获取生物雷达语音，得到原始带噪雷达语音信号；对所述原始带噪雷达语音信号进行经验模态分解，得到本征模态函数特征，根据本征模态函数特征确定变分模态分解层数；根据所述分解层数对原始带噪雷达语音进行变分模态分解VMD得到各阶本征模态分解；对各阶本征模态分解与原始雷达语音信号求解皮尔逊系数，以确定有用的分解重构模态；利用改进的阈值对有用的模态进行去噪处理，重构得到增强后的雷达语音。2.根据权利要求1所述的一种基于变分模态分解的生物雷达语音增强方法，其特征在于：所述获取生物雷达语音是利用8通道的Powerlab生理记录仪对生物雷达语音进行采样，采样率为10kHz。3.根据权利要求1所述的一种基于变分模态分解的生物雷达语音增强方法，其特征在于：所述根据本征模态函数特征确定变分模态分解层数，包括：给定语音信号为x(t)，经验模态分解方法通过筛分过程自适应的将原始信号分解为本振模态函数，并且每个本振模态函数IMF都是原始信号的一个子频率成分；通过由高频到低频分析各IMF的幅度特征，当IMF的幅度值小于设定值时模态为语音细节信息，其余模态为主要信息，主要信息模态数即为变分模态分解的层数；经验模态分解方法分解后的IMF从上到下，第一个出现幅度值小于设定值的IMF阶数为主要信息模态数，由下式得到：式中，IMF
i
为经验模态分解后的各阶本征模态函数，i代表本征模态函数的阶次。4.根据权利要求1所述的一种基于变分模态分解的生物雷达语音增强方法，其特征在于：所述根据所述分解层数对原始带噪雷达语音进行变分模态分解VMD得到各阶本征模态分解，包括：给定原始雷达语音信号为x(t)，通过Hilbert变换得出各个模态u
k
的解析信号，并构造出变分约束问题：出变分约束问题：将x(t)分解为K个模态，式中u
k
(k＝1,2,
…
,K)为VMD方法的K个模态，w
k
(k＝1,2,
…
,K)为各模态的中心频率；引入拉格朗日...

【专利技术属性】
技术研发人员：陈扶明，王健琪，
申请(专利权)人：中国人民解放军联勤保障部队第九四〇医院，
类型：发明
国别省市：