[发明专利]基于个人数据与人工神经网络的助听器降噪方法

权利要求书

1.一种基于个人数据与人工神经网络的助听器降噪方法，其特征是，通过分析助听器使用者接收到的语音信号，识别并储存有话段，利用储存的足够数量的语音信息对BP人工神经网络进行训练。通过训练对神经网络各层的权值与阈值的优化调整，以得到成熟的BP人工神经网络，来修正常规的语音降噪公式，进而令助听器使用者得到针对其个人优化过的更加清晰的降噪后语音。

2.如权利要求1所述的基于个人数据与人工神经网络的助听器降噪方法，其特征是，进一步地，将降噪算法设置于助听器端运行，将神经网络算法设置于智能设备运行，智能设备与助听器通过无线方式连接。用户可以自主设定语音积累量，每当积累的语音量达到用户设定值时，助听器自动将这些语音数据通过蓝牙模块发送到智能设备，并由智能设备进行存储与处理，智能设备使用这些语音数据对人工神经网络进行训练，并将训练后的参数发送给助听器，以调整降噪算法贴合用户个人使用。用户还可以自由选择将语音、神经网络参数数据上传到云端或从云端下载，以实现多个智能设备间的数据共享。

3.如权利要求1所述的基于个人数据与人工神经网络的助听器降噪方法，其特征是，BP人工神经网络的拓扑结构包括：输入层、隐含层和输出层三层结构，由于输入的语音信号需要经过梅尔倒谱系数法提取语音特征，而语音信号通过梅尔滤波器组后变为24维特征信号，因此输入层包含24个神经节点，初始的隐含层包含25个神经节点，并且节点数可以随着训练数据的变化而调整，输出层则包含30个神经节点，且为多通道输出，对应降噪算法中不同频率下的过减因子、增益补偿因子参数，输入层与隐含层、隐含层与输出层的连接权值分别为ω_ij,ω_jk，隐含层阈值为a，输出层阈值为b，ω_ij、ω_jk、a、b这些参数的初始值来自试训练的神经网络，即使用大量随机的语音数据训练得出的神经网络，训练过程使用BP人工神经网络常用的训练公式，式中输入层、隐含层、输出层节点数记为m,l,n：

步骤1：使用隐含层激励函数计算隐含层输出，式中H_j与a_j分别对应第j个节点的隐含层输出与隐含层阈值

步骤2：计算输出层误差，式中O_k与e_k分别对应第k个节点的输出与输出误差，Y_k为来自训练数据的期望输出

e_k＝Y_k-O_k

k＝1,2,…,l

步骤3：更新权值与阈值，式中η为学习速率，b_k为第k个节点的输出层阈值

ω_jk＝ω_jk+ηH_je_k

b_k＝b_k+e_k

利用上述公式进行不断迭代，直到达到设定的迭代次数。

4.如权利要求1所述的基于个人数据与人工神经网络的助听器降噪方法，其特征是，所用神经网络的训练流程如下：当用户在助听器使用过程中积累了足够多的语音数据后，神经网络算法会开始在智能设备端中运行，运行时首先会自主设定BP人工神经网络的结构，包括层数与各层的节点数，并将各层的阈值、权值等参数设定为程序给定的初始值，接下将数据通过梅尔滤波器组并开始训练人工神经网络，当达到设定的迭代次数后，程序会将输出参数发送到助听器并由此调整降噪算法，此后助听器进入日常使用阶段，直到积累了足够多的新语音数据后，算法会按照一定比例选择新数据与旧数据输入神经网络，进行再次训练。