强劲的声音在双通道以听力远程控制日常生活活动分类

文摘

尽管最近进步领域的远程控制,自动检测声音的挑战签名活动的日常生活使用不可靠的方法仍然是一个上了年纪的病人。本文调查的分类日常生活的八个典型的声音从任意位置two-microphone传感器在现实嘈杂的情况下。特别是,几个源分离的角色和声音活动检测方法被认为是。评估新four-microphone数据库收集四个现实的噪声条件下检测显示,有效的声音活动可以产生显著提高分类精度,进一步上涨可以使用基于独立分量分析的源分离方法。令人鼓舞的是,结果表明,识别精度范围在70% - -100%可以使用不同microphone-pair持续获得职位,除了最严重的噪声条件下。

1。介绍

1.1。家庭远程控制

对父母已经显示在时间和在不同的文化中,因此,通常包括照顾年老的父母。在殖民时期,虚弱的老年人的护理主要是家庭的责任。今天在西方,老人主要照顾在医院、疗养院或他们的家庭。

联合国预测,到2100年,28.1%的世界人口将是65岁或以上的老人,相比2000年的10.0%和1990年的6.9% (1]。在卫生系统产生的需求增加,加上减少纳税人的支持和更少的年轻人来照顾老人,将介绍老年护理服务的重大压力。这些服务的主要需求监控和支持老年人。例如,老年人的第五高的死亡原因是瀑布(2],瀑布本身可能不是轻易可以预防的,在很多情况下死亡后,以适当的监控和支持。因此,重要的研究兴趣一直关注于home-telecare解决方案允许老年人独立生活安全、在他们的房子里。

近年来,有人建议,声音“签名”是适合老年人和优越的自动化远程控制摄像机从隐私的角度(3]。远程控制使用声音签名在文献中是一个相对较少探讨的领域,与其他技术相比,步态参数和姿态和运动等信息。

监测老年人的主要方法是“健康智能家居”,可穿戴设备,或两者的结合。第一健康智能家居(4]使用磁开关之间的门、红外传感器、声音传感器监控房间或房间的一部分的人在和他们进行的活动。在[5),红外传感器和磁开关是用于监控的活动主题和比较他们预期的行为。健康智能家居的主要缺点是只监视nonbiomechanical参数的限制,它无法监控老年人在他们的家门外,和需要区分别人的老人在家里。

可穿戴设备是用来测量生物力学/生理参数,可以附加到衣服,穿作为珠宝或作为一个单独的设备(6]。计步器、foot-switches和心率测量可以监视一个人的日常活动和能量消耗。加速度计测量加速度沿x,y,z轴,可以测量动态和静态活动在短或长时间。从旋转角速度陀螺仪测量科里奥利加速度,可以测量佩戴者的姿态的变化。可穿戴设备的主要缺点是,它们不能被人无法使用,身体或精神上的操作和维护。

调查遥控使用声音传感器一直由法国财团的剪辑和TIMC实验室,他们开发了一种five-microphone系统[3,7,8]。这项工作的主要缺点是专业布线在专用测试公寓(9]。此外,声音文件的数据库记录在一个受控环境和人为的噪声源混合。然而,这组展示了一系列不同的家庭分类的可行性[声音6,8- - - - - -10]。

源分离是一个问题,一个声音传感器接收组件来源,数量和目标是确定原始组件来源。单麦克风源分离的一种技术是表达每个分离源的加权和部分波段(refiltering) [11]。一种新算法,它使用可独立分量分析,提出了在每个频率的箱子由相应的线性组合频率垃圾箱。这种技术结合beamformer估计到达的方向(12]。在[13),一个声学事件分类体系应用颞ICA在描述单麦克风音频信号来确定颞窗期间应提取的特性,导致系统性能的改善。在这种背景下,ICA被用作方法细分不同的声音来源而不是分离的一种声学使用多个麦克风。

仿生小波变换的一种变体,一种自适应小波变换源于非线性耳蜗听觉模型,已被应用到任务单麦克风的语音增强[14]。小说预滤器也被开发和使用时间和同时掩蔽阈值语音频谱形状为了获得一个更好的描述语音频谱的自回归系数估计(15]。

1.2。日常生活的健壮的声音从双通道音频分类

在许多情况下,远程控制的目的是形成一个模型的“日常生活”活动6),因此偏离这个模型可用于自动提示的帮助。在类以声音为基础的远程控制,其目的是类似的:区分不同的日常生活的“声音”(sdl),这可能与部分或全部日常生活的活动。

图1描述了一个通用的声音签名分类系统。提取的声音特征参数发生在“前端”信息推定地用于区分声音从话筒信号获得签名。前端的前兆,显然是可取的检测相关的SDL的存在与否。类似的方法已被采用(3,7,8,16)的能量最歧视乐队的离散小波变换(DWT)被用来区分一个事件和噪音。例如,区分一个水壶的声音和一扇耳光,能量可能是一个有用的参数,在水壶的声音的能量要远远低于门的耳光(假设每个声源的麦克风是等距)。声音建模和分类然后进行后端。因为两个麦克风通常会同时包含信号和噪声组件,提出了一种两级系统,试图确定第一阶段估计信号和噪声。

1.3。源分离

日常生活的一般来说,multimicrophone感应的声音在现实环境中可能产生个人麦克风信号叠加组成的日常生活和其他背景噪音的声音。一个相关的问题是称为“鸡尾酒会效应”,很多人的演讲和一个侦听器的欲望只听其中一个。在遥控应用程序中,目标是不同的:背景噪声的声源分离源,为了更准确地进行分类。假设我们定义每个麦克风信号,作为一个未知来源的线性组合,

独立分量分析(ICA)假定输入源分布的非高斯和独立。ICA估计一个矩阵B的倒数(在)(1),单独的来源(17]。

ICA利用中心极限定理的结果,即非高斯独立源的线性组合将收敛于一个高斯分布。因此,传感器信号的分布将会有更多的高斯源的比。ICA估计矩阵B,当应用到传感器试图减少估计的Gaussianness分离来源。这将导致估计分离来源。各种指标可用于测量Gaussianness的来源,包括峰态和负熵(17]。

在这个工作环境中,传感器信号被记录麦克风和。每个麦克风由日常生活的声音源的线性组合和噪声来源: ICA估计矩阵B的Gaussianness最小化和并确定估计分离来源: 有使用ICA遇到的两个问题:(1)ICA只决定了分离来源比例因子。矩阵B可以乘以一个比例因子的Gaussianness不改变吗和;(2)ICA分离的来源,但不确定哪个是SDL和噪声源。

本文的重点是日常生活的声音(sdl)的分类从多个麦克风未知的位置,在噪音的存在。如果可以检测到一系列sdl,哭笑不得,比如砰的一声,这可能对应于下降或求助,可以发现和适当的医疗护理送到家里。此外,老年人的日常活动的模型可以开发的重要功能健康状态信息。这项工作比之前报道的便携式系统,采用固定麦克风(3,6- - - - - -10),采用两个麦克风,可以很容易地安装在一个私人住宅,和数据被记录在现实场景中存在典型的背景噪音。

特别是,我们制定解决方法识别的问题源分离后信号和声音活动检测,如图2,并评估这些大,现实的新的multi-microphone数据库。工作基础上,大大扩展了早期工作在日常生活的活动检测健壮的声音分类(18]。

2。提出了源选择方法

由于独立分量分析的源分离的问题,我们也采用这种方法。克服ICA的问题确定来源只有一个比例因子,日常生活的分离声音本规范化的最大值1。这使得数据一致。有许多方法来克服识别的问题源分离后的信号,每个国家都有它的优点。所采用的主要方法,是确定哪些分离源噪声;然而,它可能并不总是容易识别哪些信号组件是日常生活的声音和噪音。五个可能的解决方案对这个问题的建议如下。

2.1。源的选择与先天的信噪比

如果先验知识可用的麦克风有最好的信噪比,可以将分离矩阵分析,以确定哪些分离源具有更好的信噪比。不失一般性,假设有最好的信噪比。如果没有,可以交换来确保这一点。如果,第一个分离源包含更多数据从麦克风最好的信噪比,因此有最少的噪音。另外,如果,第二个分离噪音较小数量的来源: 该算法的主要缺点是,它需要先验信息,麦克风有最好的信噪比。这个要求是由三种方法解决在接下来的部分。

2.2。信噪比估计源选择使用麦克风和最好的信噪比

这种方法扩展了第一个方法和自动化的过程确定哪些麦克风有最少的噪音。一个相关的问题是确定是否存在一个声音,我们术语听起来活动检测(SAD)。为每个麦克风信号,可悲的算法(见部分3),SDL和噪音段被发现使用一个可靠的悲伤算法使用CSLE-and估计的信噪比确定使用以下公式: 在哪里平均SDL(信号加噪声)的力量和平均噪声功率,估计从疑似含有sdl的段的信号和噪声,分别。

发现麦克风最大的信噪比和(5)是应用。这种方法的优点是不需要先验信息。此外,由于不同的麦克风,噪音和SDL地点,麦克风最少的噪音可能会改变。然而,主要的缺点是,如果悲伤是不够准确的,麦克风用最少的噪音可能会错误地选择这将导致无法正确选择SDL。

该方法的一个变种 在哪里平均噪声功率。这意味着悲伤算法只需要正确分类噪声帧(它的性能是影响噪声帧分为SDL帧)。

2.3。源选择使用SDL分离和最好的信噪比

信噪比估计前一小节从麦克风输入信号中提取信息,以确定哪些分离源有最好的信噪比。详细的方法在这一节中使用来自分离的信息来源来确定最少的噪音。这种方法得到的信噪比估计应用(8)每个分离源和决定的最佳信噪比:

2.4。源选择使用SDL最小噪声分离

这种方法类似于部分2.3然而,只有噪音段使用。信噪比估计使用决定,然后用作信噪比估计(7),产生一个源分离。与计算,这种方法意味着悲伤分类不需要那么严格。

2.5。信噪比最大的提升(SSA)提高分离矩阵

作为讨论的部分2.1在某些情况下,可以使用声音活动检测识别区域的信号噪声只有或声音和噪音。两个源分离的特殊情况,这些信息可以用来估计改进估计分离矩阵的条目。考虑分开SDL (7),不失一般性,假设是分开后SDL源选择。我们定义分离的信噪比SDL如下: 在哪里SDL和噪声样本指标,然后呢是吵闹的样本指标。

作为和是多种多样的,信噪比的变化。信噪比空间可能出现任意数量的山峰如果两个参数是多种多样的。如果其中一个参数是恒定的,另一个是多样的,只有一个峰值应该存在。

图4描述了两个麦克风信号信噪比的变化如图3的函数。第一个图显示设置为主设置为第二个麦克风。第二个互换和(相当于不交换麦克风,但持有常数和不同)。两个图收益率相同的峰值信噪比,表明该算法只需要执行一个麦克风信号的组合。

试图找到合适的信噪比在整个范围值计算繁琐。因此,提出了最大提升的方法。让和是最好和最差的麦克风信号信噪比,分别。如果和然后 可以初始化算法和,即初始分离SDL相同信噪比的麦克风与最好的信噪比。采用的方法是改变分离源通过添加或减去一个按比例缩小的版本的麦克风最差的信噪比的改善信噪比的目的源分离, 在哪里

由于向量速上升的“点”的方向空间,调整参数在这个方向会增加分离来源的信噪比。

在(10),适应参数是常数,并确定算法的收敛性。如果,方法的值收益最小的信噪比。如果,方法一个值产生最大的信噪比。另外,如果小,收敛速度将是缓慢的。如果很大,有可能不稳定result-although问题都是通过适应减轻吗,如下面。

数据库中的信噪比的sdl非常多样化。因此,一些值,算法收敛迅速,有些人会慢慢收敛,和其他人将过度和完全错过高峰期。为了克服这一点,一个自适应是如何实现的。的价值始于高价值,当检测到超过(这是发现的负面变化信噪比),该算法由一个迭代和回溯却降低了。一种适当的方法来实现这一点,经验决定的,是越来越多0.1倍每次检测到一个过度。图5展示了算法的信噪比的发展在每个迭代中例如记录在图3。

这是研究该算法是否会在更短的时间内收敛比通过穷举搜索最佳信噪比被发现。记录从数据库不同的sdl无线电噪声。两个录音随机,每八sdl的收音机在愉快的听力水平和男性演讲者数据库,使用麦克风1和3。图6显示了一个阴谋的最好的信噪比之间的区别(这是由一个详尽的搜索和算法的信噪比)的发展。图7显示的值之间的差异,对应于最佳信噪比的值,和发展的价值。在这两种情况下,30岁以下的所有sdl收敛迭代。获得同样的信噪比最大使用穷举搜索的区域(假设我们知道哪个区域选择)分辨率为0.01,是2000所需的迭代次数。

2.6。噪音逆陡的上升(NISA)提高分离矩阵

这个方法是相同的SSA方法中描述的部分2.4,除了这里的目标是最小化在纯噪声段。这意味着悲伤算法只需要准确分类噪声帧。

3所示。声音活动检测

声音活动检测(SAD)的目的是识别的位置SDL的音频信号(原始麦克风信号或信号分隔)并尝试删除沉默或纯噪声组件产生不必要的可变性在分类。悲伤需要提取的特征可以区分信号和噪声,其次是一个分类规则。在这些方面,悲伤是类似于语音处理语音活动检测,而且下面讨论一些方法可以追溯到语言处理研究。

的空间分离多个麦克风表明差异的相对能量在每个麦克风声音和背景噪音信号可以被利用来检测声音的存在与否。在数组处理,传感器被放置在一个已知的空间模式中,特征值方法已成功地用于估计信号的轴承感兴趣的(19]。在当前问题,麦克风传感器是未知的空间格局;然而,麦克风的组成变化信号的存在与否(即一个特定的来源。日常生活的声音)仍然可以检测到使用相似的技术。出于类似的考虑,我们互谱矩阵定义为18]: 在哪里和离散傅里叶变换(阶)各自的麦克风信号和。假设噪声下的信号不相关的利益,它已经表明,最大的特征值包含信号和噪声方差方差计算,而其余特征值只包括噪声方差条件(19]。

自是一个等级一个矩阵,我们考虑而不是一个交叉谱矩阵吗 平均值连续帧,的交叉谱矩阵吗th帧计算使用(13),建议在20.]。现在这个矩阵的特征值(18]

在手边的问题,利用信号与噪声不相关的假设不能(典型的日常生活的声音和声音中讨论部分4);然而,频率或频率范围的选择计算可以选择经验减少的相关性,通过选择频率的信号和噪音有可能最大限度地不同的光谱特性。

秩一矩阵的特征值是 可以非常确定的阶麦克风信号。

当只有噪声源是活跃的,。因此(18),

因此,一个期望显著改变SDL时发生。自,最大特征值和最小的特征值是吗(在实践中但)。

因此,显著改变最大的特征值预计SDL时发生,相比在纯噪声段。随着交叉谱矩阵的秩,这是平均跨几个汉明窗口的框架,使其二阶,允许特征分解。计算最大特征值平均为每个窗口的框架在哪里DFT的长度。

的数量,,,代表(14),也被调查;然而,他们中没有人在隔离性能的匹配作为一个声音活动检测的方法。

图8显示了一个最大的特征值时频图记录当勺子掉了。根据经验,在3 - 4 kHz乐队,特征值大约为零当只有噪声源是活跃的和非零的SDL发生SDL的数据库。的一个例子显示了3 - 4 kHz乐队的勺子掉记录在无线电噪声图9。

特征值计算的平均在3 - 4 kHz乐队,然后转换为数据库规模和规范化dB。这期间收益率的指标小纯噪声段和SDL发生时高得多。一个阈值被应用到这个最大eigenvalue-based指标,一个方法我们称为基线悲伤。

结果CSLE算法的一个例子,显示在SDL把勺子记录被发现,在图10。估计的端点在±6%的真正的端点。声音文件的检查在整个数据库中描述的部分4发现了,类似的偏离真正的端点。

4所示。评价

4.1。数据库日常生活的嘈杂的声音

在以往的研究中作者(18七),数据库日常生活的声音了,在一个广播电台是靠近一个麦克风的录音环境。虽然许多降噪应用程序有一个声音传感器几乎完全致力于记录的噪音,这是不现实的一般实用环境,随着声音传感器和噪声源可以位于任何地方。进一步产生了很高的精度,使用数据库(18]。因此,我们决定研究更加困难麦克风配置和噪音。

所述麦克风位置数据库中精心挑选了没有麦克风尽可能接近收音机(18]。此外,麦克风被选择,在可能的情况下,靠近电源插座或电源电力(e。g,光),现实地评估系统的性能,因为麦克风会附加到电力网如果这是成为一个商业产品。麦克风1在一个光,麦克风2和3是安装电源插座附近和麦克风4被对角和水平相反麦克风2和3,分别,没有更合适的位置附近可能进入电源电力。嘈杂的SDL的配置记录在图中进行了描述11。

八sdl记录由一个柜门关上(),一杯下降(),勺子掉(),运行自来水()、切菜(),电话铃声()、一个搅拌机的操作(),微波炉门打开()。

在每个实例四通道记录比较系统性能在相同条件不同麦克风配售,但最多两个麦克风用于任何评估报告。

每个记录的持续时间5秒,数据库的总持续时间2.78小时(90训练样本在所有条件×8 sdl×5秒= 1小时。5秒40训练样本sdl 8×××4噪音退化= 1.78小时)。

系统性能在不同的噪声类型是特别感兴趣的。除了无线电在愉快的听力水平(如[18]),其他类型的噪声记录在收音机中一个很大的体积,一个男性演讲者说的背景,和数据记录在雨的存在(注意,雨不能被认为是一个点光源,所以不满足CSLE的假设)。估计的信噪比范围内,在所有条件,如表所示1。

4.2。系统描述

整个系统图所示2。的测试数据预处理特征提取之前,使用信号增强、声音检测活动,或两者兼而有之。特征被提取和最大后验(MAP)适应应用之前使用适应高斯混合模型(GMM)来确定最可能的SDL。

特征提取进行了使用梅尔频率cepstral系数(MFCCs)后早期研究表明,光谱信息级区分sdl的重要性(21]。移位的δcepstral署也使用特性,允许一些造型幅度谱的时空变化,并根据以往的结果(21,22]。

与6个混合组件采用GMM分类器,在相关应用成功后(21,23,24]。这是训练使用EM算法的迭代10次。地图GMM均值向量的适应性,提高日常生活的不同的声音之间的歧视类的简单替代配置包括GMM从每个类分别训练数据。在GMM训练,采用GMM的随机初始化参数,报告结果平均在10个不同的初始化。

分类器训练进行日常生活的使用干净的声音数据。如果是使用一组嘈杂的训练,这将是不切实际的优化为一个特定的光谱和空间配置。在任何情况下,训练数据和实际测试数据之间的不匹配是可以预料的。使用数据从两个麦克风系统训练。如果使用只有一个麦克风,麦克风的分类器是偏向数据(它有一个独特的频率响应和添加剂噪声特征)。一个低噪声信号将包含来自两个麦克风的数据,所显示(2)。因此,即使信号的信噪比是通过训练来提高使用麦克风和最好的信噪比,可能不会提高分类性能,因为纯粹的信号传递到分类器将包含来自两个麦克风的数据。

4.3。实验

所有实验都是在MATLAB和集中在八级提出系统的各个组件的分类精度。(1)七(ica方法的比较中源分离噪音的麦克风来源是被人为地混合到日常生活的清洁声音数据。这个实验的目的是消除麦克风之间的延迟,由于声音传播,作为结果的不确定性来源。(2)源分离和声音活动的组合检测方法都是检测一个吵闹的SDL的麦克风配置数据库,对四种不同噪声的配置。在这些实验中,CSLE被选为声音活动检测方法的选择在大多数配置,基于以前的工作(18]。(3)三个最有前途的源分离方法结合CSLE和测试麦克风嘈杂的SDL数据库的配置在所有四种不同噪声的配置。

在所有的测试中,GMM训练与30录音/声音类(与样本选择统一整个数据库)和系统测试使用40每声音嘈杂的录音类在不同类型的噪声。每个记录的持续时间5秒。

5。结果与讨论

5.1。在控制条件下源分离

见表2条件下,噪声是人为地混合到日常生活的声音,有一个明显的优势,利用最速下降方法,与噪声提高分离系数的逆最速上升法生产两种情况下的最高精度测试。这表明SSA和原子力安全保安院的方法可能经常能够找到最优分离系数作为发生在图的例子4。

5.2。源噪声条件下分离和悲伤

最大的优势提升方法在其他源分离方法似乎并没有被保存在嘈杂的SDL实验数据库,噪音在听觉上混合在一个现实的方式。见表3,虽然信噪比最速上升法与CSLE表现最好的中等收入国家1和2响亮的无线电噪声条件下,这是险胜,而和其他各种配置证明为其他噪声条件略好。一般来说,表的结果3主要演示的重要性和有效性声音活动检测的多通道SDL分类问题的噪音。

5.3。源分离和悲伤在噪声条件下不同的麦克风配置

最后,在表4最有前途的精度选择的配置状况报告,以推荐一个好的测试系统配置在所有条件。从表4听起来,很明显,活动检测使用CSLE分类精度是主要的单一贡献者。然而,进一步上涨可能使用CSLE和ICA的基础上才能实现先天的信噪比(部分2.1),其精度改进或者是单独与CSLE大致相似。

6。结论

本文报道源分离和声音的应用活动检测方法分类问题的日常生活回家的声音遥控现实嘈杂的情况下使用多个任意位置的麦克风。压倒性的,包容的实验证据表明,一个有效的声音活动检测方法,如交叉谱最大特征值(CSLE)方法,在一个“日常生活”活动分类系统产生大的准确和一致的增长,90%的相对减少一系列噪声条件下误码率。源分离方法,包括ICA变量考虑,提供最好的小幅上涨。在这些中,使用估计方法,该方法识别两个纯粹的信号的信噪比,似乎表现良好,提供相对减少高达10%的错误率在最好的情况下。整体分类性能提供一个八级的任务之间的精度70% - -100%在三个不同的microphone-pair条件和三个噪声条件下,最具挑战性的低信噪比时大声的无线电噪声条件导致精度在40% - -50%范围内,仍远高于水平的机会。未来的工作将检查该系统的长期表现在老年人的住宅,检测一系列的声音,发现普遍发生,将开始把他们的发生与临床指标。

引用

1. 联合国,远程世界人口预测:根据1998年的修订。联合国人口司经济和社会事务部;2003年联合国秘书处。
2. d . Trewin澳大利亚统计局,死亡原因在澳大利亚,堪培拉,澳大利亚,1996年。
3. d . Istrate e·卡斯泰利m . Vacher l . Besacier和j . f . Serignat“医疗远程控制,从声音中提取信息”IEEE在生物医学信息技术,10卷,不。2、264 - 274年,2006页。视图:出版商的网站|谷歌学术搜索
4. b . g .玻璃纸,t·赫斯基w·恩肖和e . Ilsar”仪器系统的远程监控功能健康状态的变化老人在家,”第16届国际会议的程序IEEE在医学和生物学社会工程1994年11月,页908 - 909。视图:谷歌学术搜索
5. n . Noury t . Herve诉Rialle et al .,“监控行为在家里使用智能传感器和位置传感器,”第一届国际研讨会论文集在医学和生物技术,第610 - 607页,2000年。视图:谷歌学术搜索
6. a .百合花纹的m . Vacher, n . Noury”基于svm多通道的分类活动的日常生活健康智能家居:传感器、算法,和第一个实验结果,“IEEE在生物医学信息技术,14卷,不。2、274 - 283年,2010页。视图:出版商的网站|谷歌学术搜索
7. m . Vacher d . Istrate l . Besacier j . f . Serignat和e . Castelli”医疗telesurvey声音检测和分类,”适生物医学工程国际会议的程序学报出版社,页395 - 399年,因斯布鲁克,奥地利,2004年2月。视图:谷歌学术搜索
8. g . Virone d . Istrate m . Vacher n . Noury j . f . Serignat和j . Demongeot”第一步数据融合多通道音频采集与信息系统之间的家庭医疗保健、”Proceddings IEEE的第25届国际会议在医学和生物学社会工程2003年9月,页1364 - 1367。视图:谷歌学术搜索
9. e . Castelli m . Vacher d . Istrate l . Besacier和j . f . Serignat”栖息地基于声音监测、远程控制系统”《信息通信技术在国际会议上的健康,2003年。视图:谷歌学术搜索
10. m . Vacher d . Istrate f . Portet et al .,“甜蜜的家项目:音频技术在智能家居改善生活质量和依赖,”《IEEE国际会议在医学和生物工程2011年8月,页5291 - 5294。视图:谷歌学术搜索
11. s . t . Roweis,”一个麦克风源分离,”先进的神经信息处理系统,第799 - 793页,2001年。视图:谷歌学术搜索
12. h . Saruwatari s Kurita k .武田f . Itakura t . Nishikawa和k . Shikano“盲源分离结合独立分量分析和波束形成,”Eurasip应用信号处理》杂志上,卷2003,不。11日,第1146 - 1135页,2003年。视图:出版商的网站|谷歌学术搜索
13. f .卡夫r·马尔金t Schaaf和a . Waibel“颞ICA声学事件分类的厨房环境,”学报》国际会议演讲和语言处理,第2692 - 2689页,2005年。视图:谷歌学术搜索
14. m·t·约翰逊,x元,y任,“通过自适应小波阈值语音信号增强,”言语交际卷,49号2、123 - 133年,2007页。视图:出版商的网站|谷歌学术搜索
15. j . y . Wang,诉Sethu, e . Ambikairajah“感知动机预滤器对于使用卡尔曼滤波的语音增强,”学报第六届国际会议信息,通信和信号处理(ICICS ' 07)2007年12月,页1 - 4、新加坡。视图:出版商的网站|谷歌学术搜索
16. b . s .阿塔尔和l·r·拉宾”voiced-unvoiced-silence分类模式识别方法应用语音识别,”IEEE声学,演讲,和信号处理,24卷,不。3、201 - 212年,1976页。视图:谷歌学术搜索
17. a . Hyvarinen和大肠Oja独立分量分析:算法和应用程序”,神经网络,13卷,不。4 - 5,411 - 430年,2000页。视图:出版商的网站|谷歌学术搜索
18. d .徘徊,大肠Ambikairajah, j . Epps,玻璃纸,“Dual-microphone日常生活的声音分类为远程控制在一个嘈杂的环境中,“学报的年度国际会议IEEE在医学和生物学社会工程卷,2008年,第4639 - 4636页,2008年。视图:谷歌学术搜索
19. d·h·约翰逊和s . r . DeGraaf”,提高被动声纳阵列解决轴承的特征值分析,“IEEE声学,演讲,和信号处理,30卷,不。4、638 - 647年,1982页。视图:谷歌学术搜索
20. •王(george w . bush)和d·h·约翰逊”,象征信号的线性变换,计算”IEEE信号处理,50卷,不。3、628 - 634年,2002页。视图:出版商的网站|谷歌学术搜索
21. n . c . Laydrus大肠Ambikairajah,玻璃纸,“自动语音分析系统为家庭遥控使用移位的δcepstral特性,”学报》第15届国际会议上数字信号处理(DSP ' 07)卡迪夫,页135 - 138年,英国,2007年7月。视图:出版商的网站|谷歌学术搜索
22. p . a . Torres-Carrasquillo大肠歌手,m·a·科勒r . j .格林·d·a·雷诺兹和j·r·戴勒”语言识别方法使用高斯混合模型和移位的δcepstral特性,”国际会议的程序语言处理,第92 - 89页,2002年。视图:谷歌学术搜索
23. d·a·雷诺兹和r . c .玫瑰,“强劲text-independent发言者识别使用高斯混合模型,”IEEE语音和音频处理,3卷,不。1,第83 - 72页,1995。视图:出版商的网站|谷歌学术搜索
24. f·艾伦、大肠Ambikairajah和j . Epps”语言识别使用变形和移位的δ倒频谱,”《IEEE 7日研讨会多媒体信号处理(MMSP ' 05),页1 - 4,上海,中国,2005年11月。视图:出版商的网站|谷歌学术搜索

版权

版权©2013大卫徘徊等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。