数字家庭网络支撑消费电子业转型

向服务转型的口号风靡全球IT业，IBM已经为商业应用领域的转型提供了典范。然而消费电子行业的服务转型模式仍然不是十分清晰。对于国内惨淡经营的消费电子行业来说．由于技术上的短板，无法从正面同强大的欧美日企业较量．服务转型对它们显得尤其重要。数字家庭网络是IT制造业、家电业和互联网     

基于时频感知神经网络的语音频带扩展

为了进一步提高基于深度学习的语音频带扩展性能,提出了一种基于编解码器的神经网络结构,编码器对数据进行深度特征提取,解码器进行宽带语音重构,并在编解码器中间设计了局部敏感哈希自注意力层,用于增强模型对深度特征的有效选择。编解码器内部使用了时间卷积网络,有效提升了模型对语音时序数据上下文依赖关系的学习能力。为了促进模型朝更加准确的方向训练,还提出了一种时频感知损失函数,有利于模型在时域、频域以及感知域获取窄带语音到宽带语音的最优映射解。通过主观和客观实验结果表明,该方法优于传统方法和近几年基于深度神经网络的语音频带扩展方法。      

基于DHMM的低心率变异性心音的分割方法

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法。首先,通过集合经验模态分解（Ensemble empirical mode decomposition,EEMD）使用有效的本征模态函数（Intrinsic mode function,IMF）分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型（Gaussian mixture model,GMM）;接着,优化隐马尔可夫模型（Hidden Markov model, HMM）并建立基于时间相关性的隐马尔可夫模型（Duration-dependent hidden Markov model,DHMM）,更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s₁,收缩期,s₂和舒张期。将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型（Logistic regression hidden semi-Markov model,LRHSMM）算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优。     

基于功率谱密度与卷积神经网络的心音分类

正常与异常心音分类在心血管疾病的筛查中有着重要的作用。建立在无心音分割的基础上,提出了一种基于功率谱密度时频分布特征与卷积神经网络的心音分类方法。该方法采用小波降噪做预处理,通过循环自相关获取心动周期,采用双线性插值法提取维度一致的心动周期功率谱密度时频特征,并送入卷积神经网络进行训练与测试。实验采用Challenge 2016数据集进行训练与测试,测试集的分类精度达到0.847 2,灵敏度和特异性评分达到0.776 3和0.946 3,整体性能良好。与其他算法的对比结果显示,该算法获得了更高的总体评分。     

以语音出现时频相关性为基础的语音掩模估计

在二维的时频域网格结构中,相邻点上语音信号的存在与否是相关的,传统的马尔可夫链不能对二维的时频相关性进行自适应的建模.基于语音信号在时频域中的相关性,提出了一种利用二维的相关模型估计语音掩模的方法.该方法将时频域中带噪语音信号的对数功率谱划分为语音和非语音类,利用时域中的状态转移概率和前向因子描述语音信号的时域相关性,同时利用频域中的状态转移概率和邻域因子描述语音信号的频域相关性.通过全局的统计最优化,该模型将时域相关性和频域相关性相结合.给出了该模型的序贯化更新方法,逐帧更新模型并估计语音出现概率.在当前已知对数功率谱和模型参数的条件下,通过最大化后验概率得到的语音信号状态矩阵可以作为语音掩模的最优估计.将该方法与几种现有的语音掩模在线估计方法进行比较,实验结果显示出了该方法的优越性.     

心音信号MFCC特征向量提取方法的优化

为了提高利用梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients, MFCC）特征向量进行心音信号分类的准确率，本文提出以一种基于独立成分分析（Independent Component Analysis, ICA）及权值优化的MFCC特征向量优化方法。首先，通过消除趋势项、降噪、提取心动周期与基础心音分割等步骤对心音信号预处理；接着，对提取的基础心音信号做Mel频谱变换及倒谱分析提取MFCC特征向量，其中用ICA替代离散余弦变换去除分量间高阶量的相关性，同时采用相关系数为权值优化整体混合矩阵；最后，采用F比衡量特征向量贡献率，并以其为权值优化各维特征向量。通过提取MFCC特征向量采用支持向量机（Support Vector Machine, SVM）的分类器识别第一心音及第二心音，并与人工标注心音状态集进行对比。实验结果表明，基于ICA及权值优化的MFCC特征向量在SVM分类器中识别率得到了有效的提升，且优化算法具备一定抗噪性能。      

HMM-based noise estimator for speech enhancement

A noise estimator was presented in this paper by modeling the log-power sequence with hidden Markov model （HMM）. The smoothing factor of this estimator was motivated by the speech presence probability at each frequency band. This HMM had a speech state and a nonspeech state, and each state consisted of a unique Gaussian function. The mean of the nonspeech state was the estimation of the noise logarithmic power. To make this estimator run in an on-line manner, an HMM parameter updated method was used based on a first-order recursive process. The noise signal was tracked together with the HMM to be sequentially updated. For the sake of reliability, some constraints were introduced to the HMM. The proposed algorithm was compared with the conventional ones such as minimum statistics （MS） and improved minima controlled recursive averaging （IM- CRA）. The experimental results confirms its promising performance.