基于稀疏分解的音頻信號(hào)智能識(shí)別

劉 彥

（青島市技師學(xué)院 山東 青島 266229）

0 引言

在科學(xué)技術(shù)不斷發(fā)展的時(shí)代背景下，音頻信號(hào)識(shí)別技術(shù)的應(yīng)用范圍逐漸擴(kuò)大，無(wú)論是聲音信息檢索領(lǐng)域，還是在計(jì)算機(jī)應(yīng)用領(lǐng)域，其都發(fā)揮著重要價(jià)值[1]。針對(duì)音頻信號(hào)識(shí)別技術(shù)的研究，鄭偉哲等[2]提出了一種多尺度注意力融合機(jī)制，利用卷積循環(huán)神經(jīng)網(wǎng)絡(luò)降低聲音時(shí)頻噪聲，實(shí)現(xiàn)了對(duì)聲音信號(hào)的有效識(shí)別，但是其識(shí)別精度受時(shí)頻影響較高，在適用性方面表現(xiàn)出了一定的局限性；孫夢(mèng)青[3]以數(shù)字音頻為研究對(duì)象，通過音頻的時(shí)頻域信息實(shí)現(xiàn)了對(duì)樂音的有效識(shí)別，但是同樣地，其也存在識(shí)別效果穩(wěn)定性較低的問題，當(dāng)音頻中的噪聲含量較高時(shí)，其識(shí)別精度會(huì)大大降低；傅靖等[4]建立了基于PRA接口的錄音自動(dòng)識(shí)別調(diào)度下令系統(tǒng)，通過AVSR雙模態(tài)語(yǔ)音識(shí)別模型去噪原始音頻信號(hào)，有效提取音頻特征，音頻識(shí)別結(jié)果具有較高的精度，但是對(duì)于精度要求在50 ms以內(nèi)的識(shí)別要求，難以實(shí)現(xiàn)有效滿足。通過對(duì)上述研究成果進(jìn)行分析不難看出，受客觀環(huán)境的影響，聲波中的噪聲是影響音頻識(shí)別結(jié)果的關(guān)鍵因素[5]。

稀疏分解作為一種在圖像和信號(hào)處理中得到廣泛應(yīng)用的算法，將其應(yīng)用到音頻信號(hào)智能識(shí)別，具有巨大的開發(fā)空間[6]。稀疏分解可以使信號(hào)處理更加簡(jiǎn)潔化，通過自適應(yīng)的線性組合行為對(duì)信號(hào)的特征進(jìn)行有效提取，使信號(hào)剔除噪聲干擾影響因素。將稀疏分解的表示形式作為音頻信號(hào)的表征，通過迭代匹配信號(hào)的方式獲取最終信號(hào)結(jié)果，提升音頻信號(hào)去噪性能。為此，本文提出基于稀疏分解的音頻信號(hào)智能識(shí)別方法研究，并在對(duì)比實(shí)驗(yàn)測(cè)試中分析驗(yàn)證了識(shí)別效果的可靠性。借助本文的研究，希望可以為音頻信號(hào)識(shí)別相關(guān)領(lǐng)域的研究和應(yīng)用提供有價(jià)值的參考。

1 音頻信號(hào)智能識(shí)別方法設(shè)計(jì)

1.1 基于稀疏分解的音頻信號(hào)去噪

考慮到影響音頻片段識(shí)別精度的主要因素為音頻中噪聲信號(hào)的干擾[7]，為此，本文首先對(duì)音頻進(jìn)行去噪處理。假設(shè)含有噪聲的音頻信號(hào)數(shù)學(xué)模型為

其中，f表示含有噪聲的音頻信號(hào)，fr表示原始無(wú)噪聲的音頻信號(hào)，fz表示噪聲信號(hào)。

由于原始無(wú)噪聲音頻信號(hào)本身是具有特定的結(jié)構(gòu)特征的[8]，因此，本文構(gòu)建了能夠與之匹配的過完備原子庫(kù)，其可以表示為

其中，E(f)表示原始無(wú)噪聲音頻信號(hào)的短時(shí)平均過零率，sgn 表示符號(hào)函數(shù)，g表示聲壓波在聲道中共振函數(shù)，xi和xi-1分別表示相鄰的音頻信號(hào)序列。

利用式（2）構(gòu)建的過完備原子庫(kù)對(duì)含有噪聲的音頻信號(hào)進(jìn)行稀疏分解時(shí)，本文主要利用了fr結(jié)構(gòu)特性與E(f)中原子特性的相關(guān)性。由于噪聲信號(hào)結(jié)構(gòu)與E(f)中任一原子不存在相關(guān)性，本文對(duì)f進(jìn)行稀疏分解時(shí)，E(f)與fr的內(nèi)積將遠(yuǎn)遠(yuǎn)大于E(f)與fz的內(nèi)積，以此為基礎(chǔ)，分解出的原始無(wú)噪聲音頻信號(hào)可以表示為

其中，fr1表示在初代系數(shù)分解中得到的原始無(wú)噪聲音頻信號(hào)，p表示音頻信號(hào)的脈沖頻率，a表示信號(hào)的幅度值，sim擬合函數(shù)。

在經(jīng)過一次稀疏分解后，音頻信號(hào)中仍存在未被分解的原始無(wú)噪聲音頻信號(hào)[9]。為了確保稀疏分解結(jié)束時(shí)能夠?qū)崿F(xiàn)對(duì)噪聲的完全過濾，本文引入了殘差閾值參數(shù)作為稀疏分解算法的匹配原子依據(jù)。利用殘差閾值參數(shù)完善過完備原子庫(kù)的匹配效果，將殘差閾值參數(shù)作為稀疏分解的終止條件，以此減少選擇匹配原子的工作量，提高稀疏分解的效果。過完備原子庫(kù)最后分解得到的原始無(wú)噪聲音頻信號(hào)存在

其中，frn和frn-1分別表示稀疏分解的終止時(shí)與終止前一次分解的原始無(wú)噪聲音頻信號(hào)，k表示殘差閾值參數(shù)，該值的大小根據(jù)音頻信號(hào)的識(shí)別精度要求設(shè)置。通過這樣的方式，有效分解音頻信號(hào)固有的稀疏結(jié)構(gòu)特征，提升多通道的信號(hào)去噪效果。在對(duì)過完備原子庫(kù)匹配完成對(duì)音頻信號(hào)的去噪處理，獲取音頻信號(hào)之間的相關(guān)性，為后續(xù)音頻信號(hào)起止時(shí)刻識(shí)別提供數(shù)據(jù)計(jì)算依據(jù)。

1.2 音頻信號(hào)起止時(shí)刻識(shí)別

在得到無(wú)噪聲的音頻信號(hào)后，本文結(jié)合高頻內(nèi)容（high frequency content，HFC）實(shí)現(xiàn)對(duì)音頻片段信號(hào)起止時(shí)刻的識(shí)別，根據(jù)信號(hào)不同頻帶能量的差異，對(duì)其進(jìn)行差異化賦權(quán)。以此為基礎(chǔ)，權(quán)重值越大，對(duì)應(yīng)的高頻分量越多，識(shí)別幀為音頻片段起始點(diǎn)的可能性就越大。其中，對(duì)高頻部分進(jìn)行加權(quán)處理的計(jì)算方式可以表示為

其中，H(fr)表示加權(quán)處理后的高頻信號(hào)，y(fr)表示音頻信號(hào)的振幅，wm表示高頻信號(hào)的權(quán)重，d表示頻帶寬度，m表示高頻分量在頻帶上的分布。

按照這樣的方式，以每個(gè)高頻信號(hào)的峰值作為音頻片段的起始時(shí)刻，當(dāng)高頻信號(hào)回落攜帶能量與其他時(shí)刻相同時(shí)，則認(rèn)為此時(shí)為音頻信號(hào)的終止時(shí)刻?？赡軙?huì)出現(xiàn)單個(gè)的頻帶攜帶的能量遠(yuǎn)遠(yuǎn)大于其他時(shí)刻的情況，此時(shí)則表明該時(shí)刻為音頻信號(hào)的起始時(shí)刻，對(duì)應(yīng)的，終止時(shí)刻的判斷與單個(gè)高頻信號(hào)的判斷方式一致，由此實(shí)現(xiàn)對(duì)音頻信號(hào)起止時(shí)刻的準(zhǔn)確識(shí)別。

2 實(shí)驗(yàn)測(cè)試

本文將鄭偉哲等、孫夢(mèng)青和傅靖等提出的方法作為測(cè)試的對(duì)照組，開展了實(shí)驗(yàn)分析測(cè)試。通過對(duì)比4種方法的識(shí)別效果，對(duì)本文設(shè)計(jì)音頻信號(hào)智能識(shí)別方法的準(zhǔn)確性做出客觀評(píng)價(jià)。

2.1 測(cè)試數(shù)據(jù)準(zhǔn)備

為了確保測(cè)試數(shù)據(jù)對(duì)于不同識(shí)別方法的公平性，本文測(cè)試的音頻數(shù)據(jù)為自主錄制，按照采樣率為40.0 kHz的通過標(biāo)準(zhǔn)，共采集了30組共88個(gè)音頻信號(hào)，形成的數(shù)據(jù)組分別編號(hào)為CSYF001、CSYF002、…CSYF030。在此基礎(chǔ)上，采用隨機(jī)選擇的方式取其中一組數(shù)據(jù)構(gòu)建多樣本字典。在具體實(shí)施過程中，分別取88個(gè)音頻信號(hào)的第i幀，所有數(shù)據(jù)集共同構(gòu)成樣本字典，圖1為對(duì)音頻信號(hào)中各幀信號(hào)的提取方法。

在上述基礎(chǔ)上，本文隨機(jī)選擇了200個(gè)音頻片段進(jìn)行實(shí)驗(yàn)測(cè)試，音頻的平均時(shí)長(zhǎng)為320.0 ms，最長(zhǎng)時(shí)長(zhǎng)為396.0 ms，最短時(shí)長(zhǎng)為265.0 ms，對(duì)應(yīng)的平均信號(hào)幀數(shù)數(shù)目為722個(gè)，最多信號(hào)幀數(shù)數(shù)目為1 006個(gè)，最少信號(hào)幀數(shù)數(shù)目為521個(gè)。隨機(jī)選擇其中180個(gè)音頻片段作為訓(xùn)練數(shù)據(jù)，20個(gè)音頻片段作為測(cè)試數(shù)據(jù)。在此基礎(chǔ)上，統(tǒng)計(jì)4種方法對(duì)音頻片段的測(cè)試識(shí)別結(jié)果。

2.2 測(cè)試結(jié)果

在上述基礎(chǔ)上，測(cè)試的20個(gè)音頻片段中包含信號(hào)數(shù)量14 400個(gè)，其中，中文音頻信號(hào)數(shù)量為9 250個(gè)，英文音頻信號(hào)數(shù)量為5 150個(gè)。本文對(duì)識(shí)別結(jié)果的分析分別對(duì)中文音頻信號(hào)和英文音頻信號(hào)的起始終止時(shí)刻識(shí)別情況3個(gè)角度進(jìn)行，其中，具體的時(shí)刻識(shí)別情況見表1和表2。

表2 英文音頻信號(hào)起始終止時(shí)刻識(shí)別情況統(tǒng)計(jì)表

從表1中可以看出，在測(cè)試的4種方法中，鄭偉哲等方法對(duì)中文音頻信號(hào)起始終止時(shí)刻的識(shí)別結(jié)果誤差主要分布在±50～±100 ms之間，其中，誤差低于±50 ms的占比為40.75%，但是識(shí)別結(jié)果誤差在±100.0 ms以上的占比達(dá)到了13.98%，處于較高水平，表明其識(shí)別準(zhǔn)確性仍存在一定的提升空間；孫夢(mèng)青方法的識(shí)別結(jié)果與之相比有所提升，但是也表現(xiàn)出了同樣的問題，識(shí)別結(jié)果誤差在±100.0 ms以上的占比達(dá)到了12.30%。傅靖等方法的識(shí)別結(jié)果中，誤差在±100.0 ms以上的占比明顯下降，僅為8.99%，對(duì)其識(shí)別誤差的主要分布情況進(jìn)行分析，誤差低于±50 ms的占比與鄭偉哲等和孫夢(mèng)青方法相近，為40.71%，主要誤差分布在±50～±100 ms之間，占比達(dá)到了50.30%，對(duì)本文方法的識(shí)別結(jié)果進(jìn)行分析，其中誤差在±100.0 ms以上的占比僅為5.72%，誤差低于±50 ms的占比達(dá)到了51.30%，明顯高于3種對(duì)比方法。測(cè)試結(jié)果表明，本文設(shè)計(jì)的音頻信號(hào)識(shí)別方法可以實(shí)現(xiàn)對(duì)中文音頻信號(hào)片段起始時(shí)刻的高精度識(shí)別。

表1 中文音頻信號(hào)起始終止時(shí)刻識(shí)別情況統(tǒng)計(jì)表

從表2 的數(shù)據(jù)結(jié)果中可以看出，在4種測(cè)試方法中，準(zhǔn)確性均出現(xiàn)了不同程度的下降，其中鄭偉哲等、孫夢(mèng)青和傅靖等提出識(shí)別方法中，誤差在±100.0 ms以上的占比分別達(dá)到了18.44%，16.76%和13.35%，均處于較高水平，誤差低于±50 ms的占比分別為36.99%，38.25%和36.95%，相比之下，本文方法識(shí)別結(jié)果的波動(dòng)性相對(duì)較低，其中，誤差在±100.0 ms以上的占比為6.94%，仍然在10%以內(nèi)，誤差低于±50 ms的占比為50.15%，同樣為測(cè)試結(jié)果的主要構(gòu)成。表明本文提出的方法也可以實(shí)現(xiàn)對(duì)英文音頻信號(hào)起始和終止時(shí)刻的準(zhǔn)確識(shí)別。

3 結(jié)語(yǔ)

傳統(tǒng)情況下以人耳為基礎(chǔ)的音頻信號(hào)起始時(shí)刻識(shí)別方法主觀性較強(qiáng)，且識(shí)別結(jié)果缺乏一定說服力。本文設(shè)計(jì)了一種基于稀疏分解的音頻信號(hào)智能識(shí)別方法，借助稀疏分解的方式實(shí)現(xiàn)對(duì)音頻中噪聲信號(hào)過濾，為音頻信號(hào)的準(zhǔn)確識(shí)別提供了可靠基礎(chǔ)，大大提高了對(duì)音頻信號(hào)起始和終止時(shí)刻識(shí)別的精度。通過本文的研究，希望可以為音頻信號(hào)識(shí)別或聲音識(shí)別等相關(guān)工作的開展提供有價(jià)值的幫助。