一种智能降噪通信耳机的制作方法

1.本发明属于降噪和电子装备领域，具体涉及一种智能降噪通信耳机。


背景技术：

2.通过语音交流是人们进行沟通时用得最基本、最方便以及最多的方式。隧道工程施工人员、坦克装甲车辆乘员等人员之间的通信交流,语音信号会受到各种来自外界环境的噪声干扰，例如周围环境的噪声干扰、传输介质中引入的噪声干扰、通信设备自身的电噪声干扰等等。这些噪声干扰会污染接收端的有用语音，当干扰达到严重程度时，可将语音彻底埋没在噪声中，强噪声环境影响了通话、交流效果。为了噪声防护，一方面人员配备了隔噪耳套或头盔，进行被动降噪，另一方面采用主动降噪，麦克风收集外部的环境噪音，然后系统变换为一个反相的声波加到喇叭端，最终人耳听到的声音是：环境噪音 反相的环境噪音，两种噪音叠加从而实现感官上的噪音降低，此方法一定程度上可达到有效的降噪效果。然而，由于人员处于不同的位置，通信中噪声强度、相位不尽相同，尽管进行了抵消，但仍有较大的噪声存在；此外，由于每个人员的语音特征不同，受噪声的影响也各异。


技术实现要素：

3.(一)要解决的技术问题
4.本发明要解决的技术问题是如何提供一种智能降噪通信耳机，以解决现有的耳机降噪效果不理想的问题。
5.(二)技术方案
6.为了解决上述技术问题，本发明提出一种智能降噪通信耳机，该降噪耳机包括环境麦克、通话麦克、信号预处理模块、信号分析处理模块和无线传输模块，
7.环境麦克位于耳机顶部，获取环境噪声信号；
8.通话麦克通过通话麦克转动轴连于耳机一侧，转动轴能向下旋转，覆盖用户唇部下方，通话麦克获取人员交流通信的语音信号；
9.信号预处理模块完成环境噪声信号放大滤波、反相，并与放大滤波后的语音信号完成叠加运算；
10.信号分析处理模块包括信号数模转换模块和微处理器系统，完成环境噪声反相信号、语音放大滤波信号和两者叠加信号的采集、存储、学习建模及基于模型运算后数字语音信号的处理、模式选择和控制功能；
11.无线传输模块完成降噪后语音信号编码并发送，且接收通话人员语音信号，解码后输出给耳麦。
12.进一步地，所述通话麦克连接麦克风线，麦克风线外通过金属软管与塑料进行防护，可根据需要随意弯折，通话麦克位于麦克风线末端。
13.进一步地，所述信号分析处理模块包括采样控制模块、数据库、机器学习模块和数字信号处理系统，叠加后的信号和环境噪声信号、语音信号在采样控制模块下实现不同采
样频率的采样并存储在不同的数据库；其次，数据库的信号在机器学习模块完成机器学习模型的建模，采样信号在相应的模型参数下实现信号的分离、降噪；随后，再通过相应的数字信号处理系统进一步实现噪声信号的降噪。
14.进一步地，所述数字信号处理系统包括两大模块，即滤波模块和权值自适应调节模块；滤波模块决定了数字信号处理系统的结构，权值自适应调节模块调节每个输入信号向量的权值，该权值由机器学习模型参数决定。
15.进一步地，机器学习模块向数字信号处理系统提供输入信号，还提供期望响应及调节中产生的误差信号，经过加法器将加权过的延时算子叠加，再根据模型参数调节权值的大小，以得到最优的响应信号。
16.进一步地，所述机器学习模块将经过预处理后的噪声与语音信号作为机器学习模型的输入，低噪声环境获取的语音信号作为输出，基于信噪比最大作为模型的收敛准则，通过机器学习，建立训练模型，并向数字信号处理系统输出模型参数、期望响应及调节中产生的误差信号。
17.进一步地，预处理后的噪声为环境噪声或白噪声。
18.进一步地，所述机器学习模块首先提前获取大量低噪声环境下通话麦克接收到的语音信号与不同环境的噪声信号叠加为含噪信号作为机器学习的输入信号，将低噪声环境信号作为输出信号，对降噪模型进行训练；从含噪语音信号中预测和控制信号需要训练得到两个模型：一个是噪声信号模型，一个是语音信号模型；对信号进行预加重、分帧、加窗、快速傅里叶变换(fft)、滤波器组和离散余弦变换(dct)这几个步骤后，得到信号的特征系数；提取到信号特征后利用机器学习中朴素贝叶斯算法，通过特征判断每帧信号是否为语音信号，通过大量数据进行训练区分噪声信号和语音信号并将噪声信号剔除，将剔除噪声的信号与低噪声环境语音信号进行对比，判断剔除噪声后的语音信号是否合格，具体为预先设置信噪比，当达到预设的信噪比时，则继续下一步，若未达到则继续进行剔除噪声的步骤，直到达到要求，得到满足信噪比最佳的降噪模型。
19.进一步地，所述机器学习模块基于满足信噪比最佳的降噪模型，读入机器学习得到的最优模型参数，输入采集到的待降噪信号，进行机器学习处理后通过传输模块发送到通话各端。
20.进一步地，通信各方均生成自己的降噪模型，输出最佳信噪比的语音信号。
21.(三)有益效果
22.本发明提出一种智能降噪通信耳机，本方法可根据噪声特征和个人的语音特征进行学习，自动生成与噪声和个人语音特征相关的降噪模型，达到优化降噪，将通话语音更加清晰的发送给对方；自己接收到的语音信号不受环境噪声干扰保证语音通信质量的效果。
23.本发明采用了人工智能原理，将处于不同环境中的人的语音信号与环境噪声信号共同建模，可实现不同噪声环境下语音通信信号的最佳信噪比。具体优点：
24.通信耳机的自学习功能；
25.基于人工智能方法的最佳信噪比准则下的语音信号输出与传输；
26.实验室环境下的建模调试验证及其噪声工作环境下的智能信息。
附图说明
27.图1为本发明的系统组成框图；
28.图2为本发明的机器学习流程图；
29.图3为本发明的数字信号处理系统结构图；
30.图4为本发明的机器训练流程图；
31.图5为本发明的实际噪声环境机器学习流程图；
32.图6为本发明的降噪工作过程流程图；
33.图7为本发明的基于白噪声的机器学习建模。
具体实施方式
34.为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
35.针对上述问题，本发明提出了一种基于人工智能的智能降噪方法。本方法可根据噪声特征和个人的语音特征进行学习，自动生成与噪声和个人语音特征相关的降噪模型，达到优化降噪。将通话语音更加清晰的发送给对方；自己接收到的语音信号不受环境噪声干扰保证语音通信质量的效果。
36.本发明以语音清晰度评价为准则，首先将环境噪声接收麦克获取的信号和通话麦克接收到的信号作为系统的输入信号，将通话人员在低噪声环境下的语音作为系统的输出，利用机器学习方法，建立机器学习模型。使用时，通话人员，根据各自的通话内容，对系统进行训练，使通话人之间，各自语音清晰。
37.训练完成后，即可应用。本发明包括如下几个方面：
38.1.一种基于人工智能的降噪耳机。
39.图1为系统组成框图。该降噪耳机包括环境麦克、通话麦克、信号预处理模块、信号分析处理模块和无线传输模块。
40.环境麦克位于耳机顶部，获取环境噪声信号。
41.通话麦克通过通话麦克转动轴连于耳机一侧，转动轴可以向下旋转，能够覆盖用户唇部下方，通话麦克连接麦克风线，麦克风线外通过金属软管与塑料进行防护，可根据需要随意弯折，通话麦克位于麦克风线末端，用来获取人员交流通信的语音信号。
42.信号预处理模块完成环境噪声信号放大滤波、反相，并与放大滤波后的语音信号完成叠加运算；
43.信号分析处理模块由信号数模转换模块和微处理器系统构成，完成环境噪声反相信号、语音放大滤波信号和两者叠加信号的采集、存储、学习建模及基于模型运算后数字语音信号的处理，模式选择和控制等功能；
44.无线传输模块完成降噪后语音信号编码并发送，接收通话人员语音信号，解码后输出给耳麦。
45.图2为系统工作流程。首先，系统分别从环境麦克和通话麦克中获取环境噪声信号和语音信号，两路信号经过不同的预处理后进行叠加，叠加的信号一部分噪声实现了对消。对消的基本原理：设通话麦克为a，环境麦克为b，a、b是两个性能相同的麦克风，正常语音通话时，嘴巴靠近话筒a，它产生较大的音频信号va，与此同时，话筒b多多少少也会得到一些
语音信号vb，但它要比a小得多，这两个信号输入话筒处理器，将两路信号分别放大后相减，于是得到的信号是vma＝va
a-vba。如果在使用环境中有背景噪音，因为噪声音源是远离耳机的，所以到达耳机两个麦克风声波的强度几乎是一样的，也就是van≈vbn，于是对于背景噪音，两个话筒虽然是都拾取了，但vmn＝va
n-vbn≈0，这样的设计可以有效地抵御周边的环境噪声干扰，大大提高正常通话的清晰度。理想条件下，通话的环境噪声被完全消除，但强环境噪声条件下，仍有一部分噪声残留在语音信号中，需要进一步的降噪。
46.如图2所示，信号分析处理模块包括采样控制模块、数据库、机器学习模块和数字信号处理系统，叠加后的信号和环境噪声信号、语音信号在采样控制模块下实现不同采样频率的采样并存储在不同的数据库。其次，数据库的信号在机器学习模块完成机器学习模型的建模，采样信号在相应的模型参数下实现信号的分离、降噪；随后，再通过相应的数字信号处理系统进一步实现噪声信号的降噪。
47.图3是数字信号处理系统结构图。它包括两大模块，即滤波模块和权值自适应调节模块。滤波模块决定了数字信号处理系统的结构，权值自适应调节模块调节每个输入信号向量的权值，该权值由机器学习模型参数决定。除了输入信号外，还需机器学习模型提供期望响应及调节中产生的误差信号，经过加法器将加权过的延时算子叠加，再根据模型参数调节权值的大小，可以得到最优的响应信号。
48.最后，编码发送给其他各端通话人员。其他通话人员的语音信号通过接收天线进入接收系统解调后经解码输出到耳麦。
49.2.基于机器学习的降噪方法。
50.机器学习模块将经过预处理后的噪声(环境噪声或白噪声)与语音信号作为机器学习模型的输入，低噪声环境获取的语音信号作为输出，基于信噪比最大作为模型的收敛准则，通过机器学习，建立训练模型，并向数字信号处理系统输出模型参数、期望响应及调节中产生的误差信号。具体步骤如图4所示，图5为机器学习流程图。
51.首先提前获取大量低噪声环境下通话麦克接收到的语音信号与不同环境的噪声信号叠加为含噪信号作为机器学习的输入信号，将低噪声环境信号作为输出信号，对降噪模型进行训练。从含噪语音信号中预测和控制信号需要训练得到两个模型：一个是噪声信号模型，一个是语音信号模型。对信号进行预加重、分帧、加窗、快速傅里叶变换(fft)、滤波器组和离散余弦变换(dct)这几个步骤后，得到信号的特征系数。提取到信号特征后利用机器学习中朴素贝叶斯算法，通过特征判断每帧信号是否为语音信号，通过大量数据进行训练区分噪声信号和语音信号并将噪声信号剔除，将剔除噪声的信号与低噪声环境语音信号进行对比，判断剔除噪声后的语音信号是否合格，具体为预先设置信噪比，当达到预设的信噪比时，则继续下一步，若未达到则继续进行剔除噪声的步骤，直到达到要求，得到满足信噪比最佳的降噪模型。
52.基于满足信噪比最佳的降噪模型，将经过数模转换后的信号输入该模型，即可获得信噪比最高的语音信号输出。通信各方均可依据上述过程生成自己的降噪模型，输出最佳信噪比的语音信号。图6为降噪工作过程流程图。首先读入机器学习得到的最优模型参数，输入采集到的待降噪信号，进行机器学习处理后通过传输模块发送到通话各端。
53.3.信号传输
54.将系统输出的数字语音信号经过编码，进行有线或无线传输，对方接收到信号后，
进行解码处理后，经过数模转换后直接输出到接收者的耳麦，即可得到信噪比最高的对方通信语音。
55.4.模拟实验方法
56.在实验室环境，为了进行机器学习，往往缺乏实际的噪声环境，为了对系统进行建模进行实验室考核调试，本发明提出了一种基于白噪声的系统学习方法。本方法将白噪声作为噪声信号，将不同强度的白噪声信号与低噪声语音信号叠加，作为机器学习系统的输入，低噪声语音信号作为机器学习系统的输出，进行机器学习建模。方法与过程与2相同。训练流程如图7所示。首先读入低噪声语音信号，根据所需考核调试的需求输入不同强度白噪声来模拟实际噪声环境，将经过机器学习处理后的低噪声语音信号与读入的低噪声语音信号进行比较，判断信噪比是否满足。将满足条件的模型固化、存储参数后建模结束。
57.本发明的优点
58.本发明采用了人工智能原理，将处于不同环境中的人的语音信号与环境噪声信号共同建模，可实现不同噪声环境下语音通信信号的最佳信噪比。具体优点：
59.1.通信耳机的自学习功能；
60.2.基于人工智能方法的最佳信噪比准则下的语音信号输出与传输。
61.实验室环境下的建模调试验证及其噪声工作环境下的智能信息。
62.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。