一种基于空气传导下的学习耳机智能消除不健康声音方法与流程

1.本发明涉及声音过滤消除的技术领域，尤其涉及一种基于空气传导下的学习耳机智能消除不健康声音方法。


背景技术：

2.无线蓝牙耳机和wi-fi之间存在信号干扰问题，造成该问题的原因在于二者都是使用2.4ghz频段，导致同时开启时，蓝牙的数据吞吐量会急剧下降，配对设备困难，存在不健康噪音问题，影响用户健康和用户体验，当检测到不健康声音的无线通信信号时，需要对该无线通信信号进行过滤消除处理。cn102780938b提供了一种蓝牙耳机电路板，自上而下包括信号层s1、接地层g、电源层p和信号层s2，其中，所述蓝牙耳机电路板中的射频信号层和音频信号层分设在信号层s1和信号层s2，以接地层g和电源层p将所述音频信号层和射频信号层隔离开来；以及，在所述音频信号层，音频走线实施差分走线原则，对于给音频电路供电的电源也采用差分的方式；并且，所述差分走线等长、等粗、线间等距离且平行，可以从信号层布局、麦克风端、扬声器端全方位降低信号干扰，提高蓝牙耳机的音质。cn109587714a提供了一种发送音频数据的方法、装置、存储介质及蓝牙耳机，方法包括：主耳机向从耳机发送音频数据之前或与智能设备收发音频数据之前，确定wifi cts信号的发送时间提前量，其中，发送时间提前量至少为cts数据包的持续时间加上sifs时间；按照发送时间提前量在满足预定条件的频段上发送wifi cts信号，其中，wifi cts信号中携带有请求wifi设备保持静默的时间，保持静默的时间至少包括主从耳机或主耳机与智能设备间一个或多个蓝牙包的持续时间；向从耳机发送音频数据，或者与智能设备收发音频数据，能够使得蓝牙信号少受wifi信号干扰。尽管现有耳机能够减少所受wifi信号干扰，提高耳机的音质，但仍存在如下两个方面的问题：一是没有实现不健康声音的识别，对所有无线通信信号强度进行减弱处理，使得有用通信信号同样被减弱；二是需要对耳机的硬件配置以及音频数据接收方式进行调整，调整范围过大。针对该问题本专利提出一种空气传导下的学习耳机智能消除不健康声音方法，基于无线通信信号在空气中传播的特征实现不健康声音的识别，并将识别到的不健康声音无线通信信号进行消除。


技术实现要素：

3.有鉴于此，本发明提供一种基于空气传导下的学习耳机智能消除不健康声音方法，目的在于(1)构建无线通信信号的时频瀑布图，其中所述时频瀑布图包含了通信信号的时域信息、频域信息以及信号强度，表示了通信信号的完整信息，利用多尺度图像结构特征提取方法获取时频瀑布图的结构特征，所提取结构特征有效表示了通信信号在不同尺度上的信号特征，所述多尺度结构特征具有几何和光学转化不变性，避免几何局部区域的信号强度变化对所提取特征造成影响，具有更好的全局性；(2)基于稀疏表示方法实现结构特征向量的降维，减少后续检测识别的计算量，并基于vc维理论的不健康声音识别模型，得到可以在高维空间进行不健康声音无线通信信号准确检测识别的模型。
4.实现上述目的，本发明提供的一种基于空气传导下的学习耳机智能消除不健康声音方法，包括以下步骤：
5.s1：分别接收室内蓝牙无线通信和wifi无线通信的通信信号，并将所接收到的通信信号转化为时频瀑布图，其中所述时频瀑布图包含通信信号的时域信息、频域信息以及信号强度；
6.s2：利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，其中方向梯度直方图特征提取算法为多尺度特征提取主要方法；
7.s3：对提取得到的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量，其中基于过完备字典的稀疏表示为所述结构特征向量稀疏处理的主要方法；
8.s4：构建基于vc维理论的不健康声音识别模型，将无线通信信号稀疏特征向量输入到模型中，模型输出无线通信信号的检测识别结果，并将检测得到的不健康声音无线通信信号进行消除，其中所述不健康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别。
9.作为本发明的进一步改进方法：
10.可选地，所述s1步骤中分别接收室内蓝牙无线通信和wifi无线通信的通信信号，包括：
11.学习耳机利用内置的信号接收装置分别接收无线通信信号，其中所述无线通信信号包括蓝牙无线通信信号以及wifi无线通信信号，所述室内蓝牙无线通信信号包括室内物联网设备以及移动通信设备的无线通信信号，所述wifi无线通信信号包括局域网下多种终端设备的无线通信信号；
12.所述信号接收装置所接收的无线通信信号集合s为：
13.s＝{s1(t1)，s2(t2)，...，si(ti)，...，sm(tm)}
[0014][0015]
其中：
[0016]
si(ti)表示信号接收装置所接收的第i个无线通信信号，ti表示无线通信信号si(ti)的时域信息，ti∈[t
i，0
，t
i，end
]，t
i，0
表示接收到无线通信信号si(ti)的时刻，t
i，end
表示无线通信信号si(ti)的消失时刻；
[0017]ai
表示无线通信信号的信号幅度si(ti)，fi表示无线通信信号si(ti)的频率，表示无线通信信号si(ti)的初始相位；
[0018]
m表示信号接收装置所接收到的无线通信信号数量；
[0019]
信号接收装置内的数模转换器将所接收到的无线通信信号转换为模拟信号，所述模拟信号的转换流程为：
[0020]
s11：构建频率为fs的冲激序列：
[0021][0022][0023]
则无线通信信号集合s中任意无线通信信号si(ti)的冲激序列为
[0024]
s12：基于无线通信信号的冲激序列，将无线通信信号集合s中的任意无线通信信号si(ti)转换为模拟信号
[0025][0026]
s13：数模转换器按照模拟信号转换流程将无线通信信号集合s中的无线通信信号转换为模拟信号，得到转换后的集合
[0027]
可选地，所述s1步骤中对将所接收到的无线通信信号转化为时频瀑布图，包括：
[0028]
学习耳机中内置的时频转换器将集合s
′
中的模拟信号转化为时频瀑布图，所述时频瀑布图的转化流程为：
[0029]
对集合s
′
中的任意模拟信号进行时频转化：
[0030][0031]
其中：
[0032]
si(0)表示模拟信号中的第1个采样信号点的值，si(n
i-1)表示模拟信号中的最后一个采样信号点的值，ni表示模拟信号中采样信号点的数目；
[0033]
j表示虚数单位，j2＝-1；
[0034]
z(
·
)表示窗函数，l表示窗函数的长度，z
*
(
·
)表示窗函数的共轭复数；
[0035]fi
表示集合s
′
中的任意模拟信号的时频转化结果；
[0036]
计算任意模拟信号的信号强度eni：
[0037]
eni＝(fi)2[0038]
基于模拟信号的时域信息、频域信息以及信号强度构建模拟信号的时频瀑布图，所述任意模拟信号的时域瀑布图结果为gi(ti，fi，eni)，其中所述时域瀑布图gi(ti，fi，eni)为二维彩色图像，以图像左下角为原点建立直角坐标系，坐标系的横轴表示模拟信号的频域范围fi，纵轴表示模拟信号的时域范围ti，图像中任意像素点(x，y)对应频率为x，时间点为y的信号，像素颜色表示对应时间点、频率点上信号的信号强度，信号强度越高表示颜色越接近红色；
[0039]
所述集合s
′
中模拟信号的时频瀑布图集合为：{g1(t1，f1，en1)，...，gm(tm，fm，enm)}，将时频瀑布图集合发送到学习耳机内的处理器中。
[0040]
可选地，所述s2步骤中利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，包括：
[0041]
学习耳机内的处理器利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，其中方向梯度直方图特征提取算法为多尺度特征提取主要方法，则对
于时频瀑布图集合中任意时频瀑布图gi(ti，fi，eni)，所述多尺度特征提取方法流程为：
[0042]
s21：将时频瀑布图中任意像素(x，y)的像素值转化为灰度值，所述像素值的转化公式为：
[0043]
g(x，y)＝0.299
×
r(x，y) 0.587
×
g(x，y) 0.114
×
b(x，y)
[0044]
其中：
[0045]
r(x，y)表示像素(x，y)在红色颜色通道的值，g(x，y)表示像素(x，y)在绿色颜色通道的值，b(x，y)表示像素(x，y)在蓝色颜色通道的值；
[0046]
g(x，y)表示像素(x，y)的灰度值；
[0047]
s22：计算任意像素(x，y)的梯度值和梯度方向，所述像素梯度值以及梯度方向的计算公式为：
[0048][0049][0050]
其中：
[0051]
α(x，y)表示像素(x，y)的梯度值；
[0052]
β(x，y)表示像素(x，y)的梯度方向；
[0053]
s23：使用16
×
16像素大小的滑动窗口对时频瀑布图gi(ti，fi，eni)进行滑动分割，所述滑动分割采用从左到右，从上到下的顺序，所述时频瀑布图的图像规格均为64
×
128，共分割得到32个像素块；
[0054]
s24：计算每个像素块内像素的梯度值以及梯度方向，划分梯度方向统计区间为(0
°
，90
°
]，(90
°
，180
°
]，(180
°
，270
°
]，(270
°
，360
°
]，并计算得到每个像素块的梯度分布直方图，所述梯度分布直方图的横轴为梯度方向统计区间，纵轴为像素块内属于任意梯度方向统计区间的像素梯度之和；
[0055]
s25：将32个像素块的梯度分布直方图进行组合，所述组合结果hi为：
[0056][0057]
其中：
[0058]h1，i
表示时频瀑布图gi(ti，fi，eni)中第1个像素块在4个方向的梯度分布直方图；
[0059]hi
表示时频瀑布图gi(ti，fi，eni)中梯度分布直方图的组合结果；
[0060]
所述组合结果包含时频瀑布图在4个方向的128个特征点，对hi进行归一化处理，所述归一化处理公式为：
[0061][0062]
其中：
[0063]
表示l2范数；
[0064]
ε＝0.01；
[0065]h′i为时频瀑布图gi(ti，fi，eni)的结构特征向量；
[0066]
基于多尺度特征提取方法提取时频瀑布图集合中所有时频瀑布图的结构特征向
量。
[0067]
可选地，所述s3步骤中对提取得到的结构特征向量进行稀疏表示处理，包括：
[0068]
对所提取的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量，其中基于过完备字典的稀疏表示为所述结构特征向量稀疏处理的主要方法，所述稀疏表示处理流程为：
[0069]
s31：构建用于稀疏表示的字典，并初始化字典为d0，所述字典的维度为64
×
128维；
[0070]
s32：设置字典的当前迭代次数为d，d的初始值为0；
[0071]
s33：采集用于字典训练的训练集data1，训练集data1中的样本为图像结构特征向量；
[0072]
s34：构建训练集datal中各样本的稀疏系数表示，则训练集data1中第q个样本的稀疏系数表示为：
[0073][0074]
其中：
[0075]
τq为训练集data1中第q个样本data1q的稀疏系数表示；
[0076]dd
表示第d次字典迭代的字典；
[0077]
s35：将训练集data1中所有样本的稀疏系数表示构成稀疏系数表示矩阵τ，矩阵τ中的每一列表示样本的稀疏系数表示，并对字典进行第d 1次的更新：
[0078]dd 1
＝τ
t
(ττ
t
)-1
[0079]
判断是否小于阈值，若小于阈值，则d
d 1
为训练得到的过完备字典d*，τ为对应的稀疏系数表示矩阵；否则令d＝d 1，返回步骤s34；
[0080]
s36：构建结构特征向量稀疏处理的目标函数：
[0081][0082]
其中：
[0083]h″i表示结构特征向量h
′i稀疏处理后的稀疏特征向量；
[0084]
所述目标函数的约束条件为：
[0085][0086]
其中：
[0087]
τr为稀疏系数表示矩阵中的行向量，ε0为稀疏度约束阈值，||
·
||0表示l0范数；
[0088]
s37：将训练目标函数转换为拉格朗日函数：
[0089][0090]
其中：
[0091]
λ为拉格朗日乘子；
[0092]
将使得拉格朗日函数最小的h
″i作为稀疏表示处理后的稀疏特征向量，所述稀疏特征向量的维数为64维；则所述学习耳机所接收到的所有无线通信信号稀疏特征向量集合为{h
″1，h
″2，...，h
″i，...，h
″m}。
[0093]
可选地，所述s4步骤中构建基于vc维理论的不健康声音识别模型，其中所述不健
康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别，包括：
[0094]
构建基于vc维理论的不健康声音识别模型，其中所述不健康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别；
[0095]
基于所述vc维理论，所述稀疏特征向量可以被vc维大小为65维的假设空间进行二分类，识别检测得到健康声音无线通信信号以及不健康声音无线通信信号，其中所述稀疏特征向量的维数维64维；
[0096]
所述不健康声音识别模型为65维的假设空间，不健康声音识别模型的识别流程为：
[0097]
将稀疏特征向量h
″i输入到不健康声音识别模型中：
[0098][0099]
其中：
[0100]
表示高维的非线性映射；
[0101]
w表示权重向量，b表示偏置量；
[0102]
u(h
″i)表示稀疏特征向量h
″i所对应无线通信信号si(ti)的不健康声音识别结果，u(h
″i)＝{0，1}，u(h
′i)＝1表示无线通信信号si(ti)为不健康声音无线通信信号，u(h
″i)＝0表示无线通信信号si(ti)为健康声音无线通信信号。
[0103]
可选地，所述不健康声音识别模型的训练流程，包括：
[0104]
s41：构建不健康声音识别模型的回归方程：
[0105][0106]
其中：
[0107]
h表示不健康声音识别模型的输入值；
[0108]
s42：采集用于训练不健康声音识别模型的训练数据构成训练数据集data2，所述训练数据集data2中每组训练数据包括稀疏特征向量以及对应的不健康声音识别结果；
[0109]
s43：基于训练数据集data2得到模型参数w和b，所述模型参数的计算公式为：
[0110][0111][0112]
其中：
[0113]
ω表示训练数据集data2中的稀疏特征向量集合，v表示ω中的稀疏特征向量；
[0114]n
表示训练数据集中健康声音无线通信信号的数量，n-表示训练数据集中不健康声音无线通信信号的数量；
[0115]
表示稀疏特征向量对应的不健康声音识别结果；
[0116]
将使得模型参数计算公式达到最小的w，b作为训练得到的模型参数。
[0117]
可选地，所述s4步骤中将无线通信信号稀疏特征向量输入到不健康声音识别模型
[0132]
基于模拟信号的时域信息、频域信息以及信号强度构建模拟信号的时频瀑布图，所述任意模拟信号的时域瀑布图结果为gi(ti，fi，eni)，其中所述时域瀑布图gi(ti，fi，eni)为二维彩色图像，以图像左下角为原点建立直角坐标系，坐标系的横轴表示模拟信号的频域范围fi，纵轴表示模拟信号的时域范围ti，图像中任意像素点(x，y)对应频率为x，时间点为y的信号，像素颜色表示对应时间点、频率点上信号的信号强度，信号强度越高表示颜色越接近红色，对于时频瀑布图集合中任意时频瀑布图gi(ti，fi，eni)，所述多尺度特征提取方法流程为：将时频瀑布图中任意像素(x，y)的像素值转化为灰度值，所述像素值的转化公式为：
[0133]
g(x，y)＝0.299
×
r(x，y) 0.587
×
g(x，y) 0.114
×
b(x，y)
[0134]
其中：r(x，y)表示像素(x，y)在红色颜色通道的值，g(x，y)表示像素(x，y)在绿色颜色通道的值，b(x，y)表示像素(x，y)在蓝色颜色通道的值；g(x，y)表示像素(x，y)的灰度值；计算任意像素(x，y)的梯度值和梯度方向，所述像素梯度值以及梯度方向的计算公式为：
[0135][0136][0137]
其中：α(x，y)表示像素(x，y)的梯度值；β(x，y)表示像素(x，y)的梯度方向；使用16
×
16像素大小的滑动窗口对时频瀑布图gi(ti，fi，eni)进行滑动分割，所述滑动分割采用从左到右，从上到下的顺序，所述时频瀑布图的图像规格均为64
×
128，共分割得到32个像素块；计算每个像素块内像素的梯度值以及梯度方向，划分梯度方向统计区间为(0
°
，90
°
]，(90
°
，180
°
]，(180
°
，270
°
]，(270
°
，360
°
]，并计算得到每个像素块的梯度分布直方图，所述梯度分布直方图的横轴为梯度方向统计区间，纵轴为像素块内属于任意梯度方向统计区间的像素梯度之和；将32个像素块的梯度分布直方图进行组合，所述组合结果hi为：
[0138][0139]
其中：h
1，i
表示时频瀑布图gi(ti，fi，eni)中第1个像素块在4个方向的梯度分布直方图；hi表示时频瀑布图gi(ti，fi，eni)中梯度分布直方图的组合结果；所述组合结果包含时频瀑布图在4个方向的128个特征点，对hi进行归一化处理，所述归一化处理公式为：
[0140][0141]
其中：表示l2范数；ε＝0.01；hi′
为时频瀑布图gi(ti，fi，eni)的结构特征向量；相较于传统技术，本方案通过构建无线通信信号的时频瀑布图，其中所述时频瀑布图包含了通信信号的时域信息、频域信息以及信号强度，表示了通信信号的完整信息，利用多尺度图像结构特征提取方法获取时频瀑布图的结构特征，所提取结构特征有效表示了通信信号在不同尺度上的信号特征，所述多尺度结构特征具有几何和光学转化不变性，避免几何局部区域的信号强度变化对所提取特征造成影响，具有更好的全局性。
[0142]
同时，本方案提出一种特征向量稀疏方法以及高维空间识别检测方法，通过对所提取的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量，所述稀疏表示处理流程为：构建用于稀疏表示的字典，并初始化字典为d0，所述字典的维度为64
×
128维；设置字典的当前迭代次数为d，d的初始值为0；采集用于字典训练的训练集data1，训练集data1中的样本为图像结构特征向量；构建训练集data1中各样本的稀疏系数表示，则训练集data1中第q个样本的稀疏系数表示为：
[0143][0144]
其中：τq为训练集data1中第q个样本data1q的稀疏系数表示；dd表示第d次字典迭代的字典；将训练集data1中所有样本的稀疏系数表示构成稀疏系数表示矩阵τ，矩阵τ中的每一列表示样本的稀疏系数表示，并对字典进行第d 1次的更新：
[0145]dd 1
＝τ
t
(ττ
t
)-1
[0146]
判断是否小于阈值，若小于阈值，则d
d 1
为训练得到的过完备字典d
*
，τ为对应的稀疏系数表示矩阵4；构建结构特征向量稀疏处理的目标函数：
[0147][0148]
其中：h
″i表示结构特征向量h
′i稀疏处理后的稀疏特征向量；所述目标函数的约束条件为：
[0149][0150]
其中：τr为稀疏系数表示矩阵中的行向量，ε0为稀疏度约束阈值，||
·
||0表示l0范数；将训练目标函数转换为拉格朗日函数：
[0151][0152]
其中：λ为拉格朗日乘子；将使得拉格朗日函数最小的h
″i作为稀疏表示处理后的稀疏特征向量，所述稀疏特征向量的维数为64维。构建基于vc维理论的不健康声音识别模型，其中所述不健康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别；基于所述vc维理论，所述稀疏特征向量可以被vc维大小为65维的假设空间进行二分类，识别检测得到健康声音无线通信信号以及不健康声音无线通信信号，其中所述稀疏特征向量的维数维64维；所述不健康声音识别模型为65维的假设空间，不健康声音识别模型的识别流程为：将稀疏特征向量h
″i输入到不健康声音识别模型中：
[0153][0154]
其中：表示高维的非线性映射；w表示权重向量，b表示偏置量；u(h
″i)表示稀疏特征向量h
″i所对应无线通信信号si(ti)的不健康声音识别结果，u(h
″i)＝{0，1}，u(h
″i)＝1表示无线通信信号si(ti)为不健康声音无线通信信号，u(h
″i)＝0表示无线通信信号si(ti)为健康声音无线通信信号。相较于传统方案，本方案基于稀疏表示方法实现结构特征向量的降维，减少后续不健康声音无线通信信号检测识别的计算量，并基于vc维理论的不健康声音识别模型，得到可以在高维空间进行不健康声音无线通信信号准确检测识别的模型。
附图说明
[0155]
图1为本发明一实施例提供的一种基于空气传导下的学习耳机智能消除不健康声音方法的流程示意图；
[0156]
图2为图1实施例其中一个步骤的流程示意图；
[0157]
图3为本发明一实施例提供的基于空气传导下的学习耳机智能消除不健康声音装置的功能模块图；
[0158]
图4为本发明一实施例提供的实现基于空气传导下的学习耳机智能消除不健康声音方法的电子设备的结构示意图。
[0159]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0160]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0161]
本技术实施例提供一种基于空气传导下的学习耳机智能消除不健康声音方法。所述基于空气传导下的学习耳机智能消除不健康声音方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于空气传导下的学习耳机智能消除不健康声音方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
[0162]
实施例1：
[0163]
s1：分别接收室内蓝牙无线通信和wifi无线通信的通信信号，并将所接收到的通信信号转化为时频瀑布图，其中所述时频瀑布图包含通信信号的时域信息、频域信息以及信号强度。
[0164]
所述s1步骤中分别接收室内蓝牙无线通信和wifi无线通信的通信信号，包括：
[0165]
学习耳机利用内置的信号接收装置分别接收无线通信信号，其中所述无线通信信号包括蓝牙无线通信信号以及wifi无线通信信号，所述室内蓝牙无线通信信号包括室内物联网设备以及移动通信设备的无线通信信号，所述wifi无线通信信号包括局域网下多种终端设备的无线通信信号；
[0166]
所述信号接收装置所接收的无线通信信号集合s为：
[0167]
s＝{s1(t1)，s2(t2)，...，si(ti)，...，sm(tm)}
[0168][0169]
其中：
[0170]
si(ti)表示信号接收装置所接收的第i个无线通信信号，ti表示无线通信信号si(ti)的时域信息，ti∈[t
i，0
，t
i，end
]，t
i，0
表示接收到无线通信信号si(ti)的时刻，t
i，end
表示无线通信信号si(ti)的消失时刻；
[0171]ai
表示无线通信信号的信号幅度si(ti)，fi表示无线通信信号si(ti)的频率，表示无线通信信号si(ti)的初始相位；
[0172]
m表示信号接收装置所接收到的无线通信信号数量；
[0173]
信号接收装置内的数模转换器将所接收到的无线通信信号转换为模拟信号，详细地，参阅图2所示，所述模拟信号的转换流程为：
[0174]
s11：构建频率为fs的冲激序列：
[0175][0176][0177]
则无线通信信号集合s中任意无线通信信号si(ti)的冲激序列为)的冲激序列为
[0178]
s12：基于无线通信信号的冲激序列，将无线通信信号集合s中的任意无线通信信号si(ti)转换为模拟信号
[0179][0180]
s13：数模转换器将无线通信信号集合s中的无线通信信号转换为模拟信号，得到转换后的集合
[0181]
所述s1步骤中对将所接收到的无线通信信号转化为时频瀑布图，包括：
[0182]
学习耳机中内置的时频转换器将集合s
′
中的模拟信号转化为时频瀑布图，所述时频瀑布图的转化流程为：
[0183]
对集合s
′
中的任意模拟信号进行时频转化：
[0184][0185]
其中：
[0186]
si(0)表示模拟信号中的第1个采样信号点的值，si(n
i-1)表示模拟信号中的最后一个采样信号点的值，ni表示模拟信号中采样信号点的数目；
[0187]
j表示虚数单位，j2＝-1；
[0188]
z(
·
)表示窗函数，l表示窗函数的长度，z
*
(
·
)表示窗函数的共轭复数；
[0189]fi
表示集合s
′
中的任意模拟信号的时频转化结果；
[0190]
计算任意模拟信号的信号强度eni：
[0191]
eni＝(fi)2[0192]
基于模拟信号的时域信息、频域信息以及信号强度构建模拟信号的时频瀑布图，所述任意模拟信号的时域瀑布图结果为gi(ti，fi，eni)，其中所述时域瀑布图gi(ti，fi，eni)为二维彩色图像，以图像左下角为原点建立直角坐标系，坐标系的横轴表示模拟信号的频域范围fi，纵轴表示模拟信号的时域范围ti，图像中任意像素点(x，y)对
应频率为x，时间点为y的信号，像素颜色表示对应时间点、频率点上信号的信号强度，信号强度越高表示颜色越接近红色；
[0193]
所述集合s
′
中模拟信号的时频瀑布图集合为：{g1(t1，f1，en1)，...，gm(tm，fm，enm)}，将时频瀑布图集合发送到学习耳机内的处理器中。
[0194]
s2：利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，其中方向梯度直方图特征提取算法为多尺度特征提取主要方法。
[0195]
所述s2步骤中利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，包括：
[0196]
学习耳机内的处理器利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，其中方向梯度直方图特征提取算法为多尺度特征提取主要方法，则对于时频瀑布图集合中任意时频瀑布图gi(ti，fi，eni)，所述多尺度特征提取方法流程为：
[0197]
s21：将时频瀑布图中任意像素(x，y)的像素值转化为灰度值，所述像素值的转化公式为：
[0198]
g(x，y)＝0.299
×
r(x，y) 0.587
×
g(x，y) 0.114
×
b(x，y)
[0199]
其中：
[0200]
r(x，y)表示像素(x，y)在红色颜色通道的值，g(x，y)表示像素(x，y)在绿色颜色通道的值，b(x，y)表示像素(x，y)在蓝色颜色通道的值；
[0201]
g(x，y)表示像素(x，y)的灰度值；
[0202]
s22：计算任意像素(x，y)的梯度值和梯度方向，所述像素梯度值以及梯度方向的计算公式为：
[0203][0204][0205]
其中：
[0206]
α(x，y)表示像素(x，y)的梯度值；
[0207]
β(x，y)表示像素(x，y)的梯度方向；
[0208]
s23：使用16
×
16像素大小的滑动窗口对时频瀑布图gi(ti，fi，eni)进行滑动分割，所述滑动分割采用从左到右，从上到下的顺序，所述时频瀑布图的图像规格均为64
×
128，共分割得到32个像素块；
[0209]
s24：计算每个像素块内像素的梯度值以及梯度方向，划分梯度方向统计区间为(0
°
，90
°
]，(90
°
，180
°
]，(180
°
，270
°
]，(270
°
，360
°
]，并计算得到每个像素块的梯度分布直方图，所述梯度分布直方图的横轴为梯度方向统计区间，纵轴为像素块内属于任意梯度方向统计区间的像素梯度之和；
[0210]
s25：将32个像素块的梯度分布直方图进行组合，所述组合结果hi为：
[0211][0212]
其中：
[0213]h1，i
表示时频瀑布图gi(ti，fi，eni)中第1个像素块在4个方向的梯度分布直方图；
[0214]hi
表示时频瀑布图gi(ti，fi，eni)中梯度分布直方图的组合结果；
[0215]
所述组合结果包含时频瀑布图在4个方向的128个特征点，对hi进行归一化处理，所述归一化处理公式为：
[0216][0217]
其中：
[0218]
表示l2范数；
[0219]
ε＝0.01；
[0220]h′i为时频瀑布图gi(ti，fi，eni)的结构特征向量；
[0221]
基于多尺度特征提取方法提取时频瀑布图集合中所有时频瀑布图的结构特征向量。
[0222]
s3：对提取得到的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量，其中基于过完备字典的稀疏表示为所述结构特征向量稀疏处理的主要方法。
[0223]
所述s3步骤中对提取得到的结构特征向量进行稀疏表示处理，包括：
[0224]
对所提取的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量，其中基于过完备字典的稀疏表示为所述结构特征向量稀疏处理的主要方法，所述稀疏表示处理流程为：
[0225]
s31：构建用于稀疏表示的字典，并初始化字典为d0，所述字典的维度为64
×
128维；
[0226]
s32：设置字典的当前迭代次数为d，d的初始值为0；
[0227]
s33：采集用于字典训练的训练集data1，训练集data1中的样本为图像结构特征向量；
[0228]
s34：构建训练集datal中各样本的稀疏系数表示，则训练集data1中第q个样本的稀疏系数表示为：
[0229][0230]
其中：
[0231]
τq为训练集data1中第q个样本data1q的稀疏系数表示；
[0232]dd
表示第d次字典迭代的字典；
[0233]
s35：将训练集data1中所有样本的稀疏系数表示构成稀疏系数表示矩阵τ，矩阵τ中的每一列表示样本的稀疏系数表示，并对字典进行第d 1次的更新：
[0234]dd 1
＝τ
t
(ττ
t
)-1
[0235]
判断是否小于阈值，若小于阈值，则d
d 1
为训练得到的过完备字典d
*
，τ为对应的稀疏系数表示矩阵；否则令d＝d 1，返回步骤s34；
[0236]
s36：构建结构特征向量稀疏处理的目标函数：
[0237][0238]
其中：
[0239]h″i表示结构特征向量h
′i稀疏处理后的稀疏特征向量；
[0240]
所述目标函数的约束条件为：
[0241][0242]
其中：
[0243]
τr为稀疏系数表示矩阵中的行向量，ε0为稀疏度约束阈值，||
·
||0表示l0范数；
[0244]
s37：将训练目标函数转换为拉格朗日函数：
[0245][0246]
其中：
[0247]
λ为拉格朗日乘子；
[0248]
将使得拉格朗日函数最小的h
″i作为稀疏表示处理后的稀疏特征向量，所述稀疏特征向量的维数为64维；则所述学习耳机所接收到的所有无线通信信号稀疏特征向量集合为{h
″1，h
″2，...，h
″i，...，h
″m}。
[0249]
s4：构建基于vc维理论的不健康声音识别模型，将无线通信信号稀疏特征向量输入到模型中，模型输出无线通信信号的检测识别结果，并将检测得到的不健康声音无线通信信号进行消除，其中所述不健康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别。
[0250]
所述s4步骤中构建基于vc维理论的不健康声音识别模型，其中所述不健康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别，包括：
[0251]
构建基于vc维理论的不健康声音识别模型，其中所述不健康声音识别模型将稀疏表示的无线通信信号稀疏特征向量映射到高维空间，在高维空间进行不健康声音无线通信信号的检测识别；
[0252]
基于所述vc维理论，所述稀疏特征向量可以被vc维大小为65维的假设空间进行二分类，识别检测得到健康声音无线通信信号以及不健康声音无线通信信号，其中所述稀疏特征向量的维数维64维；
[0253]
所述不健康声音识别模型为65维的假设空间，不健康声音识别模型的识别流程为：
[0254]
将稀疏特征向量h
″i输入到不健康声音识别模型中：
[0255][0256]
其中：
[0257]
表示高维的非线性映射；
[0258]
w表示权重向量，b表示偏置量；
[0259]
u(h
″i)表示稀疏特征向量h
″i所对应无线通信信号si(ti)的不健康声音识别结果，u(h
″i)＝{0，1}，u(h
″i)＝1表示无线通信信号si(ti)为不健康声音无线通信信号，u(h
″i)＝0表示无线通信信号si(ti)为健康声音无线通信信号。
[0260]
所述不健康声音识别模型的训练流程，包括：
[0261]
s41：构建不健康声音识别模型的回归方程：
[0262][0263]
其中：
[0264]
h表示不健康声音识别模型的输入值；
[0265]
s42：采集用于训练不健康声音识别模型的训练数据构成训练数据集data2，所述训练数据集data2中每组训练数据包括稀疏特征向量以及对应的不健康声音识别结果；
[0266]
s43：基于训练数据集data2得到模型参数w和b，所述模型参数的计算公式为：
[0267][0268][0269]
其中：
[0270]
ω表示训练数据集data2中的稀疏特征向量集合，v表示ω中的稀疏特征向量；
[0271]n
表示训练数据集中健康声音无线通信信号的数量，n-表示训练数据集中不健康声音无线通信信号的数量；
[0272]
表示稀疏特征向量对应的不健康声音识别结果；
[0273]
将使得模型参数计算公式达到最小的w，b作为训练得到的模型参数。
[0274]
所述s4步骤中将无线通信信号稀疏特征向量输入到不健康声音识别模型中，模型输出无线通信信号的检测识别结果，并将检测得到的不健康声音进行消除，包括：
[0275]
所述学习耳机所接收到的所有无线通信信号稀疏特征向量输入到不健康声音识别模型中，模型输出无线通信信号的检测识别结果，并将检测得到的不健康声音无线通信信号进行过滤消除，在本发明实施例中，所述不健康声音无线通信信号过滤消除方法为：学习耳机设置信号接收装置的截止频率为不健康声音无线通信信号的频率，使得等于截止频率的无线通信信号无法被信号接收装置接收。
[0276]
实施例2：
[0277]
如图3所示，是本发明一实施例提供的基于空气传导下的学习耳机智能消除不健康声音装置的功能模块图，其可以实现实施例1中的学习耳机智能消除不健康声音方法。
[0278]
本发明所述基于空气传导下的学习耳机智能消除不健康声音装置100可以安装于电子设备中。根据实现的功能，所述基于空气传导下的学习耳机智能消除不健康声音装置可以包括信号接收装置101、信号特征提取模块102及不健康声音消除装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0279]
信号接收装置101，用于接收室内蓝牙无线通信和wifi无线通信的通信信号，并对所接收的无线通信信号进行数模转换；
[0280]
信号特征提取模块102，用于将无线通信信号转化为时频瀑布图，利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量，对提取得到的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量；
[0281]
不健康声音消除装置103，用于构建基于vc维理论的不健康声音识别模型，将无线通信信号稀疏特征向量输入到模型中，模型输出无线通信信号的检测识别结果，并将检测得到的不健康声音无线通信信号进行消除。
[0282]
详细地，本发明实施例中所述基于空气传导下的学习耳机智能消除不健康声音装置100中的所述各模块在使用时采用与上述的图1中所述的基于空气传导下的学习耳机智能消除不健康声音方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0283]
实施例3：
[0284]
如图4所示，是本发明一实施例提供的实现基于空气传导下的学习耳机智能消除不健康声音方法的电子设备的结构示意图。
[0285]
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
[0286]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0287]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(用于智能消除不健康声音的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0288]
所述总线可以是外设部件互连标准(peripheralcomponent interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0289]
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0290]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0291]
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子
设备之间建立通信连接。
[0292]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0293]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0294]
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
[0295]
分别接收室内蓝牙无线通信和wifi无线通信的通信信号，并将所接收到的通信信号转化为时频瀑布图；
[0296]
利用多尺度特征提取方法提取无线通信信号在时频瀑布图上的结构特征向量；
[0297]
对提取得到的结构特征向量进行稀疏表示处理，得到无线通信信号稀疏特征向量；
[0298]
构建基于vc维理论的不健康声音识别模型，将无线通信信号稀疏特征向量输入到模型中，模型输出无线通信信号的检测识别结果，并将检测得到的不健康声音无线通信信号进行消除。
[0299]
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图4对应实施例中相关步骤的描述，在此不赘述。
[0300]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0301]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0302]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。