[发明专利]一种可提升个性化音质功能的智能耳机及方法

权利要求书

1.一种基于智能耳机提升个性化音质功能的方法，其特征在于，包括如下步骤：

步骤1、获取用户个性化的听力补偿参数集合和音质美化参数集合；

步骤2、根据用户个性化的听力补偿参数集合对智能耳机输出的声音进行听力补偿；

步骤3、根据用户个性化的音质美化参数集合对智能耳机补偿后的声音进行音质美化；

步骤4、经过音质美化的声音通过智能耳机的输出模块播放；

步骤1中通过纯音听力测试、言语听力测试和噪声感知测试，获取用户个性化的听力补偿参数集合和音质美化参数集合；

纯音听力测试包括如下步骤：

步骤101、通过智能终端产生不同给声强度的纯音信号，并通过连接的智能耳机播放；

步骤102、通过用户在智能终端上反馈是否能够听到播放的纯音信号，得到用户的纯音听阈曲线；通过用户在智能终端上反馈是否因为声音太大而不舒适，得到用户的不舒适阈曲线；

步骤103、智能终端根据得到的纯音听阈曲线、不舒适阈曲线和处方公式生成用户听力补偿参数集合初始值；

言语听力测试包括如下步骤：

步骤201、智能终端根据纯音听力测试获得的听力补偿参数集合初始值对测试用的单音节词表语音信号进行听力补偿，补偿后的第一个单音节词通过智能耳机播放；

步骤202、通过用户在智能终端上反馈所听到的单音节词，得到用户对该单音节词在当前给声强度下的识别记录；

步骤203、计算用户对当前测试用单音节词所包含的辅音和元音的言语识别率，计算公式为其中，R_ij为言语识别率，i＝1,2,…,32，j＝1,2,…,J，J为当前测试的词数，其中，没有测试到的辅音和元音的言语识别率保持原有值；

步骤204、计算当前测试用单音节词的FFT频谱{X_k,k＝1,2,…,K}，K为FFT频点数；

步骤205、将当前的言语识别率{R_ij，i＝1,2,…,32}和FFT频谱{X_k,k＝1,2,…,N}输入第一深度卷积神经网络，进行迭代更新，输出听力补偿参数集合，包括{多通道响度补偿各通道拐点P_ij；各通道压缩比CR_ij，i＝1,2,…,M；j＝1,2,…,N}，其中，N为每个通道的分段数，M表示通道数；

步骤206、智能终端根据迭代更新后的听力补偿参数集合对下一个测试用单音节词进行补偿，补偿后的单音节词通过智能耳机播放，并进入步骤202，直至单音节词表测试完毕，得到最优化听力补偿参数集合；

噪声感知测试包括如下步骤：

步骤301、智能终端播放不同噪声场景下的对话语音并通过智能耳机播放；

步骤302、针对各不同噪声场景下的对话语音，智能终端对用户提出一组引导性问题，用户在智能终端对上述问题进行反馈，根据反馈结果计算满意度评分；

步骤303、当满意度评分高于阈值T，输出最优化音质美化参数集合，退出噪声感知测试，否则，进入步骤304；

步骤304、将上述引导性问题的反馈输入第二深度卷积神经网络，进行迭代更新，输出音质美化参数集合，包括{各子带降噪参数NR_l，l＝1,2,…,L，各子带均衡器参数EQ_l，l＝1,2,…,L，各子带啸叫抑制参数HW_l，l＝1,2,…,L}，L为音质美化功能的子带数，进入步骤305；

步骤305、智能终端根据更新后的音质美化参数集合生成新的测试用对话语音，通过智能耳机播放，并进入步骤302。

2.根据权利要求1所述的一种基于智能耳机提升个性化音质功能的方法，其特征在于，步骤101中，通过智能终端产生从125Hz至8000Hz范围内不同给声强度的纯音信号，L取32，K取256，M取值为8，N取值为3，所述智能终端为手机；

第一深度卷积神经网络和第二深度卷积神经网络的网络结构都由3个卷积神经网络模块构成，每个模块包括一个卷积层、一个池化层和一个丢弃层，三个模块的输出通过扁平层将多维特征一维化，然后通过级联层将多个卷积层特征聚合，最后通过两层全连接层输出最终参数。