动态信号提取论文

动态信号提取论文（共7篇）

动态信号提取论文 篇1

心率变异性(Heart Rate Variability,HRV)是指人体心脏搏动周期产生的微小变化,反映自主神经系统内迷走神经和交感神经活性及其平衡性关系, 大量的研究表明HRV信号中蕴含着丰富的生理和病理信息[1]。但HRV从心电信号中提取,心电信号采集过程中连线繁杂,使得HRV在便携式医疗设备应用中受到限制。脉率变异性(Pulse Rate Variability, P RV ) 也产生于心脏周期的微小变化 , 可从脉搏信号中提取,已有研究表明PRV可代替HRV,应用于疾病检测[2,3]。动态脉率变异性(Dynamic Pulse Rate Variability, DPRV)是指从动态脉搏信号中提取的PRV信号,相比于从离线信号中提取的PRV信号,DPRV信号对疾病的实时监护有十分重要的意义。

本文研制一种基于手机的便携式监护系统,并提出一种DPRV信号的提取方法。将该方法应用于所研制的系统,从动态脉搏信号中获取DPRV信号,评估所提出方法的实时性和准确性。同时在线对DPRV进行时域和频域以及采用非线性方法处理,提取相关的参数,实现DPRV信号的在线提取与分析。

1系统总体结构

图1为系统总体结构图。脉搏传感器拾取人体脉搏信号,经过调理电路放大、滤波转换为电压信号。 经单片机内部的A/D转换器转换为数字信号,通过蓝牙模块无线发送至手机。在手机终端上,Android应用程序驱动蓝牙模块接收脉搏信号,并进行预处理, 从中实时提取和处理DPRV信号;同时,对DPRV信号提取的参数设定阈值,评估人体的状态,当人体发生异常时,发出声光报警,通过3G/4G/Wi Fi网络向家属或医院以自动发送短信和连续拨打求救电话的方式求救,并将被监护者的数据发送到云端数据库备份。家属通过短信获取被监护者的状态和位置,及时施救。医院通过收到的数据分析被监护者状态,进行远程救治,必要时根据获取的短信赶赴现场进行救助。

2系统设计与实现

2.1脉搏信号采集与无线发送前端的设计与实现

以单片机为核心设计了脉搏信号采集与无线发送前端装置(以下简称前端),主要由反射式脉搏传感器、信号调理电路、信号A/D转换和无线发送模块组成,如图2所示。

本文设计并制作了绿光反射式脉搏传感器,其通过光线反射的方式采集脉搏信号,可测量人体多部位的脉搏信号。设计信号调理电路,经过I/V转换电路、 低通滤波器降低、高通滤波器和放大电路将生理脉搏信号调理为电压信号。选用PIC16F887A型单片机,其内部集成8路10位A/D转换器,满足信号采样需求。通过串口外扩蓝牙模块与手机终端实现无线通信。

2.2Android手机终端应用程序设计与实现

以Eclipse软件为平台,开发Android手机应用程序,实现动态脉搏信号的检测,以及动态脉率变异性信号提取与分析,对人体健康状态进行在线监护与预警。该应用软件运行环境为:Android 2.2版本以上手机系统,256 MB缓存,2 GB以上硬盘用于存储24 h数据,含有三轴加速度传感器用于跌倒检测。

3动态脉率变异性信号的提取和处理

3.1动态脉搏信号预处理

动态脉搏信号的采集过程中,会引入许多干扰, 主要为工频干扰、基线漂移和肌电干扰等,这些干扰的存在会影响脉搏信号峰值提取结果。针对这些干扰的特点,分别设计0 Hz和50 Hz整系数陷波器滤除基线漂移和工频干扰,截至频率为62.5 Hz的低通滤波器抑制肌电干扰[4]。滤波器传递函数分别为:

分别求得式(1)式(2)的差分方程写入手机, 通过迭代实现动态脉搏信号的实时滤波。

为了消除动态脉搏信号幅度变化对峰值提取结果准确性的影响,对滤波后的信号进行幅度归一化,公式如下:

在手机采集动态脉搏信号的过程中,只缓存有限长度的数据,长度记为N。最新的采样点放在缓冲区最高位,记为ylp(N),其它采样点向低位移动一位, 移除最低位采样点。式(3)中s(N)为新采样点归一化结果,max(ylp)、min(ylp)分别为滤波后缓存区信号的最大和最小值。

3.2动态脉率变异性信号提取

根据动态脉搏信号的特点,提出一种自适应幅度阈值法,从动态脉搏信号实时地提取DPRV信号,图3为所提出方法的示意图和流程图。首先,根据手机缓存数据的长度及脉搏信号的特点设定一个固定窗, 含有2~5个周期的脉搏波,保证初始幅度阈值的准确性,经过实验选用2fs采样点长度为窗宽。对于幅度阈值T,初始值取0,之后根据固定窗内数据的均值和的极大值,实时地更新和修正阈值。当缓冲区数据长度小于窗宽时,计算当前所有数据的均值;当长度大于窗宽时,由于窗宽固定,通过迭代的方式计算窗口采样点数值总和,先加上新采样值s(N),再减去最早的采样值s(0),之后除以窗宽N计算均值。然后,给均值加上修正值μ产生幅度阈值,初始μ=0。判断当前脉搏信号采样值是否大于阈值T,若大于阈值,则此采样点位于脉搏信号的上半部分,可能为波峰。对于大于阈值的采样点,判断其是否为极大值,如果不是则认为不是波峰,如果是则认为是疑似波峰。为了防止噪声引起的极大值及重搏前波的影响,继续判断此极大值是否为最大的极值点,如果是则认为此极大值为波峰,存储极大值及位置,并计算阈值修正值。 采用峰值与均值差值的一半作为修正值,将阈值限定在波峰与均值曲线之间,可有效地降低重搏前波对峰值检测准确性的影响。修正阈值之后,返回处理新的采样点,直到采样值小于阈值,此周期的波峰检测完毕,与上一个周期检测的峰值位置作差,求出相邻周期脉搏信号的波峰间期,即为DPRV信号。

3.3动态脉率变异性信号处理

在动态脉搏信号的采集过程中,因采集对象体动、传感器移动等因素会使提取的DPRV信号中含有奇异点,对DPRV信号的分析结果影响很大。在对DPRV信号分析前,需去除这些奇异点,方法如下[5]:

(1) 对于PRV信号的第一个数据点PRV(1),若:

则P R V ( 1 ) 为异常点 , 需要剔除 。 其中 , mean(PRV),std(PRV)为PRV信号的均值和标准差。

(2) 对于PRV信号中的其它数据点PRV(i),若:

则PRV(i)为异常点,需要剔除。其中,PRV(i-1) 为PRV(i)的前一个数据点。

获取动态脉率变异性信号后,提取其时域、频域指标,以及通过非线性分析方法计算熵值和洛仑兹散点图,对这些指标设定阈值,实现人体异常状态的监测[2]。

时域指标为:SDANN、RMSSD、p NN50。其中,SDANN是指24 h内288段(每段5 min)脉率变异性信号均值的标准差,反映心脏搏动的长期慢变化成分的大小,正常范围:127±35 ms;RMSSD是指相邻PRV信号差值的均方根,反映心脏搏动快变化成分的大小,正常范围:24±12 ms;p NN50是指相邻PRV数据点差值>50ms个数占整个PRV信号个数的比例,反映心脏搏动的突变情况,正常范围: 16.7±12.3%。

频域指标:LF、HF和LF/HF。通过对获取的DPRV进行FFT变换,获得其频谱,将频谱化为不同的频段,获得频域指标。其中,LF为DPRV信号的低频段:0.04 Hz~0.15 Hz,反映交感和副交感神经的相互作用,正常范围:1 170±416 ms×ms;HF为高频段:0.15 Hz~0.4 Hz,反映迷走神经的兴奋度,正常范围:975±203 ms×ms;LF/HF为低频成分与高频成分的比值,反映自主神经系统的平衡状态,正常范围:1.5~2.0。

非线性分析:SSE、Lorenz Plot。其中,SSE是指符号序列熵[6],可以反映心脏搏动的变化规律,随着年龄的增大SSE值会增加,但某些疾病患者,如心血管疾病患者的SSE值显著小于正常人。Lorenz Plot为洛仑兹散点图[7],分别以相邻PRV数据点作为横纵坐标绘制的图像,通过散点分布的形状来分析心脏的搏动状况。健康人的散点图呈“彗星状”或“棒球拍状”,患者呈特殊的图形,如轻度心衰病人呈 “鱼雷状”、严重心衰患者或房颤患者散点图呈 “扇形”等。

4实验测试与结果

4.1动态PRV信号提取结果

设计实验验证所提出算法提取DPRV的准确性和实用性。先让实验对象原地匀速跑步5 min;然后, 佩戴所设计的系统,在静坐状态下实时采集并存储脉搏信号,同时,手机终端提取并存储DPRV信号;脉搏信号采样频率250 Hz,采样时间为16 min。实验结束后,将手机终端存储的DPRV和脉搏信号通过USB接口传至PC,通过Matlab软件从离线脉搏信号中提取PRV信号,并通过人工校对,作为标准脉搏信号, 与手机终端得到的DPRV信号比较。手机终端提取的DPRV信号如图4(a)所示,离线提取的标准PRV信号如图4(b)所示,通过对比可以看出,所提出的方法可以准确地提取DPRV信号。

同时,采用均方根误差(Mean Square Error, MSE)计算DPRV信号与标准PRV信号之间误差,即:

式中,PRV(i)为离线提取的标准PRV信号, DPRV(i)为手机提取的DPRV信号,n为信号的长度。 两种方法的MSE为0.58%,表明所提出方法可以准确地提取DPRV信号。

4.2动态PRV信号分析

将所提出的DPRV信号提取及处理算法应用于手机终端,结果如图5所示。其中,图5(a)为DPRV实时显示界面,上半部分显示脉搏信号,下半部分显示DPRV信号。通过对DPRV信号进行时域、频域及采用非线性方法分析,实现人体健康状态监护与预警, 结果如图5(b)所示。

4.3系统预警功能测试

手机终端设置了报警求救功能,当人体处于异常状态,如跌倒不能爬起、心梗等,可通过手动或系统自动方式触发。通过循环打开和关闭手机闪光灯以及交替改变手机屏幕背景颜色(黑白色交替)实现光报警,通过扬声器播放报警声音,实现声报警,引起周围行人注意,如图5(c)。在向周围行人求救的同时, 自动开启GPS定位功能,实时更新被监护者所处经纬度和具体地址,以短信形式向监护人或医院求救,如图5(d)。在发送短信的同时,每间隔20秒循环拨打两个求救电话,引起施救方的注意,使其能够根据短信内容及时施救。

5结论与讨论

本文研制了一种基于手机的便携式监护系统,提出一种可从动态脉搏信号提取DPRV信号的方法。将该方法应用于所研制的系统,结果表明其可以准确地提取DPRV信号,且系统能够实时处理与分析DPRV信号,提取相关指标,为进一步实现疾病的在线监护与预警提供硬件平台和方法。

目前,该系统还处于研发阶段,脉搏信号采集与无线发送前端体积较大,需要继续小型化,能够方便地佩戴于手腕。同时,需要进一步对DPRV信号中提取的参数进行融合分析,实现如心血管等疾病的监护与预警,推动我国移动医疗的不断发展。

直扩信号特征提取技术 篇2

直接序列扩频(DSSS)信号被认为是一种低截获概率信号(LPI),由于具有低功率谱密度发射的隐蔽性、伪随机编码的保密性以及信号相关处理的抗干扰性等良好的性能,被广泛应用于航天测控、导航等多个领域。因此对直扩信号检测和截获技术的研究已成为一个刻不容缓的研究方向,而对于未知扩频码的情况下直扩信号的检测和截获技术一直是一个难题。

从直扩系统的基本原理和信号特征入手,详细分析了信号的相关性、循环平稳特性、频域正交性和准周期性等。根据特征提取的原理分析归纳出其可检测性和可识别性特征,选择出那些能够集中表征DSSS信号波形和频域显著个体特征的参数,研究了噪声对信号特征参数的影响。在此基础上应用时域相关、循环谱、倒谱和高阶累积量等现代数字信号处理技术实现了对DSSS信号特征参数的提取。分析总结了在低信噪比下直扩信号的特征提取方法,并比较了各种方法的优缺点。

1 直扩信号特征提取方法

1.1 时域相关检测法

由于信号和噪声在时域相关域有明显的特征差异,所以可以在相关域完成信号特征的提取。自相关检测是将信号与自身延迟一个时延后的信号做相关处理,或用双通道接收机的输出进行相关,得到扩频信号的自相关函数。一般来说,相关域检测能在一定程度上降低对背景噪声变化的敏感程度,甚至在多频单音干扰下也有良好的稳健性。

接收信号r(t)=s(t)+n(t)的自相关函数为:

Rr(τ)=E{r(t)r(t+τ)}=

E{[s(t)+n(t)]·[s(t+τ)+n(t+τ)]}=

Rss(τ)+Rsn(τ)+Rns(τ)+Rnn(τ)。 (1)

当τ≠nNTpn时,由直接序列扩频信号的自相关特性可知,Rss(τ)值很小,即不会出现明显的相关峰;当τ=nNTpn时,Rss(τ)出现明显的相关峰;而噪声在τ≠0时,Rnn(τ)≈0。因而,通过检测输出自相关函数的峰值可检测到扩频信号的存在,检测相邻相关峰之间的时间间隔可以实现对直接序列扩频信号码周期的估计。

1.2 循环谱检测法

循环谱在信号特征提取方面的突出优点是谱分辨能力强,即使在频率轴上的功率谱是连续的,信号特征也以循环谱的形式离散的分布在周期频率轴上,而且,不同调制方式的信号其周期谱分布也不

同。这样,即使信号在时域或频谱域中混叠在一起的特征可能会在循环谱中显现出来,从而更充分的提取信号特征。直扩信号循环谱如图1所示。

由图1可见,直扩信号的循环谱在循环频率α为零和不为零时均有峰值出现,其在循环频率α不为零时出现的非零值,是直扩信号检测和参数估计的依据。要得到信号的循环谱需要大量的运算量,计算结果的数据量也很大。为了尽可能集中地反映信号的特征,缩小选取的数据量,选取DSSS信号循环谱f=0循环频率切面观察发现:其切面集中反应了信号的载频和伪码速率信息。所以,利用谱相关函数可提取调制信号的特征参数;另外,循环谱为谱分析提供了更加丰富的信号分析域,将通常的功率谱定义域从频率轴推广到频率—周期频率双频平面,更明显地表现出了信号的特征。

1.3 倒谱检测法

由于DSSS信号中伪随机序列的周期重复,使信号的频谱具有了准周期性,而噪声则没有准周期性,因此通过提取信号频域的准周期性可以检测到信号的存在,并估计其参数。

倒谱是一种同态信号处理技术,利用信号中某些分量在频率域上的准周期性,对信号的对数功率谱再求功率谱,在伪时域或倒频率域上将这种周期性显现出来,用来分离和提取密集泛频信号中的周期成分。倒谱是从时域到频域、频域到频域、频域到伪时域的3次映射。即

$C(\tau )=\left|FF{\rm T}\left(\ln \left|FF{\rm T}\left\{s\left(t\right)\right\}\right|{}^2\right)\right|{}^2$。 (2)

倒谱的对数变换可将乘性噪声变为加性噪声,有助于消除乘性干扰。该技术充分利用信号频域上的准周期特性,检测淹没在噪声之中的信号分量,实现信号的检测和参数估计。直扩信号倒谱如图2所示。

将DSSS信号的表达式代入上式,即对直扩信号频谱求对数功率谱得到DSSS信号的倒谱为:

$\begin{array}{l}C(\tau )=\left|F{\rm T}(\ln \left|F{\rm T}\left\{s(t)\right\}\right|{}^2)\right|{}^2=\\ \left|F{\rm T}(a+bGs(w)+cG{}_s^2(w)+dG{}_s^3(w)+\cdots \cdots )\right|{}^2=\\ \left|a\cdot 2\text{π}\cdot \delta (\tau )+b\cdot 2\text{π}\cdot R{}_s(-\tau )+c\cdot 2\text{π}\cdot R{}_s(-\tau )+\cdots \cdots \right|{}^2。(3)\end{array}$

式(3)第1项为信号的直流分量,以后各项为信号的自相关函数及多个自相关函数的卷积,由于在第2次傅里叶变换之后取模的平方所以丢失了相位信息,相关结果在其伪码周期的整数倍处出现峰值,而在其他位置相关值较小,因此,倒谱的处理结果中峰值也是出现在伪码周期的整数倍处,通过检测峰值有无判断信号的存在,通过计算峰值间隔可以估计出伪码周期大小。

1.4 高阶累计量检测法

直扩信号的4阶统计量包含扩频码周期和载频信息,而且理论上可以完全抑制任何形式的高斯噪声,因此可以解决二阶统计量不能解决的问题。加噪信号的4阶累积量为:

$\begin{array}{l}c{}_{4x}(\tau {}_1,\tau {}_2,\tau {}_3)=\frac{1}{2}{\rm P}{}^{2}E[c(t)c(t+\tau {}_1)c(t+\tau {}_2)c(t+\tau {}_3)]\cdot \\ [\cos 2\text{π}f{}_0(\tau {}_2+\tau {}_3-\tau {}_1)+\cos 2\text{π}f{}_0(\tau {}_1+\tau {}_2-\\ \tau {}_3)+\cos 2\text{π}f{}_0(\tau {}_1+\tau {}_3-\tau {}_2)]-{\rm P}{}^{2}R{}_c(\tau {}_1)\cdot \\ \cos (2\text{π}f{}_0\tau {}_1)R{}_c(\tau {}_2-\tau {}_3)\cos (2\text{π}f{}_0(\tau {}_2-\tau {}_3))-\\ {\rm P}{}^{2}R{}_c(\tau {}_2)\cos (2\text{π}f{}_0\tau {}_2)R{}_c(\tau {}_3-\tau {}_1)\cdot \\ \cos (2\text{π}f{}_0(\tau {}_3-\tau {}_1))-{\rm P}{}^{2}R{}_c(\tau {}_3)\cdot \\ \cos (2\pi f{}_0\tau {}_3)R{}_c(\tau {}_1-\tau {}_2)\cdot \\ \cos (2\pi f{}_0(\tau {}_1-\tau {}_2))。(4)\end{array}$

由式(4)可以看出利用接收信号的4阶累积量可以检测到直扩信号的周期信息;理论上可以完全抑制高斯噪声(包括有色和白色),所以有更好的检测性能。由于4阶累积量的计算量很大,为了实现工程应用,取其切片。

$\begin{array}{l}c{}_{4x}(0,\tau ,\tau )=\frac{1}{2}{\rm P}{}^2\left[\cos 4\text{π}f{}_0\tau \right]-\\ {\rm P}{}^{2}R{}_c^2(\tau )(1+\cos 4\text{π}f{}_0\tau )。(5)\end{array}$

$\begin{array}{l}c{}_{4x}(0,0,\tau )=c{}_{4x}\left(\tau ,\tau ,\tau \right)=\\ -\frac{3}{2}{\rm P}{}^{2}R{}_c\left(\tau \right)\cos \left(2\text{π}f{}_0\tau \right)。(6)\end{array}$

由式(5)和式(6)可以看出,接收信号的4阶累积量切片均包含扩频码周期自相关信息,并且在理论上都可以完全抑制高斯噪声,因此检测和参数估计性能较好。直扩信号4阶累积量切片如图3所示。

2 仿真验证

仿真假设条件如下:① 待检测信号为DSSS/BPSK扩频信号;② 扩频码采用小m序列,扩频码长为1 023。

各种检测方法的性能如表1所示。由以上分析表明,运用时域相关检测法算法简单、检测时间最短,但是其检测性能较差,在带内信噪比为-8 dB时检测概率大于90%;循环谱检测法性能比时域相关检测略好;倒谱检测法在带内信噪比-14 dB时检测概率91%,计算复杂度居中;高阶累积量检测法在带内信噪比-15 dB时检测概率接近90%,但是由于高阶累积量计算的复杂性使得其检测时间较长。

3 结束语

从理论分析还可得出直扩信号的检测不仅和信噪比有关,而且有赖于伪码长度和检测数据长度等因素,在伪码长度不可控的情况下,增加检测的数据长度,能够改善各种方法的检测性能。由于直扩信号的隐蔽性,导致难以检测到长码扩频信号,如何在扩频码很长,接收信号不足一个伪码周期情况下侦察信号是未来直扩信号检测和特征分析的难点和重点。

参考文献

[1]张天骐,周正中,邝育军,等.低信噪比长伪码直扩信号伪码周期的估计方法[J].系统工程与电子技术,2007,29(1):12-16.

[2]钟志,赵雅琴,杨刚,等.一种简单的长码周期估计方法[J].湖南科技大学学报,2006,21(4):75-78.

[3]资晓军,谢丹,易克初.基于四阶累积量的二次谱法检测DSSS伪码周期[J].电子信息对抗技术,2006,21(1):18-21.

语音信号特征参数的提取 篇3

1.1 汉语的音素、音节和音调

我们发现依据人类声音产生的机制, 由于激励方式的不同会形成清音和浊音两种不同的语音。由这两种语音又可以组合成两种不一样音素:元音及辅音。构成语音的最小单位是音素。元音由不相同的口腔形状发声而形成, 辅音的形成由发声的部位以及发声的方法决定。

音节是构成汉语的最小单位。我们所说的音节指的是一个元音加上一或两个辅音所构成的音素的组合。汉语当中包括以下4种音节, 即:元音、元音+辅音、辅音+元音, 辅音+元音+鼻音。一般汉语可以简单划分为声母+韵母两个部分。音节前部分的辅音称之为声母, 元音和元音后面有时候出现的鼻音称之为韵母。汉语可认为是一种声调语言, 根据声调的不同所表达的意思很可能完全不一样, 汉语共有阴平、阳平、上声及去声四种声调。而声调的变化可以看成浊音周期的变化。声调曲线从韵母起始点至韵母的终止点。

1.2 语音信号的数学模型

语音的产生是因为声道激励发生共振, 因为发声过程中声道是振动的, 所以能够用一个时变线性系统来描述。可以用如图1所示描述语音生成模型。

由图1可知一个完整的语音信号模型由激励模型、声道模型、及辐射模型三个子模型串联而成。激励模型由浊音激励与清音激励组成。对清音部分来说, 激励信号等同于白噪声, 而对于浊音部分来说, 因为声带在不断地张开与闭合, 所以会有间隙性的脉冲波产生。共振峰模型是当前广泛使用的一种声道模型。声道的终端是人类口与唇, 速度波通过声道输出, 然而语音信号是一种声压波。

2 语音信号的前端处理

为了得到我们所需要的信号, 须先对模拟语音信号进行数字化, 接着进行预处理与加窗。

2.1 语音信号的数字化

为将模拟语音信号转变为数字信号, 先对信号进行采样与量化。在采样与量化之前, 须进行语音信号的预滤波, 其目的在于:第一, 滤除高频噪声;第二, 防止50Hz的工频干扰。

2.2 语音信号的预处理与加窗

因为语音信号的平均功率受到鼻辐射以及声门激励的很大影响, 因此在语音信号频谱的求取时, 随着频率的增高相应的响应成分越小, 也就是说高频部分频谱比起低频部分来不够精确, 为此我们需要对信号进行预加重。为了平滑频域信号, 使得信号处理的后面阶段对有限长响应不那么敏感, 通常情况下让数字语音信号通过一个低阶的系统。目前广泛使用的是固定的一阶数字滤波器, 即

式中a为预加重系数, 通常取值0.95左右。

因为语音信号的特性是随时间变化的, 而非平稳过程, 但由于人的发音器官的肌肉运动速度比较慢, 因此可以认为语音信号是个局部的短时平稳的信号。因此, 我们对对语音信号进行分帧加窗的处理。通常情况下语音信号帧长取为10ms~30ms, 每秒帧数约为33~100, 分帧可以是连续的, 有可以是交叠分段的, 在语音信号的分析当中常用“短时分析”来表述。我们一般采用窗函数来乘语音信号, 常用的窗函数是Hamming窗。

Hamming窗函数是:

2.3 语音信号的端点检测

端点检测指的是找出语音信号中的各段落的起始点以及终止点的位置。语音信号的时域处理方法包括:短时平均幅度、短时能量、短时过零率以及短时自相关。端点检测一般要用到语音信号的短时能量以及短时平均过零率两中参数。

用En来表示第m帧的短时能量, 其计算式如下:

短时平均幅度Mn的计算式如下:1N-

短时能量En的最主要作用是:区分清音与浊音、区分声母与韵母的分界、无声与有声的分界、连字的分界以及能够用于进行语音识别。

“过零率”指的是在单位时间内信号通过零的次数。短时过零率z (m) 是用来描述频谱的简单有效的方法之一, 计算公式如下:

在短时处理技术中, 描述一个随机信号的其中一个重要特征是自相关函数Rn, 可以用自相关函数区分清音与浊音, 计算公式如下:

短时频域处理作为语音信号处理的基本方法之一。短时频域处理适合缓慢变化的语音信号。第m帧的短时傅立叶变换计算式如下:

3 语音特征参数提取

在完成语音信号的预加重、分帧、及端点检测之后, 下一步关键的是提取特征参数。我们不可能直接识别原始波形, 语音信号需要经过变换, 提取出其特征参数后再进行识别, 特征参数需要满足:反映语音的本质、参数个分量之间耦合尽量小、参数的提取方便等几方面的要求。目前语音识别中线性预测倒普参数LPCC、美尔倒普参数MFCC使两种较为常用的参数。LPCC利用线性预测编码技术求取倒普参数。MFCC则构造人的听觉模型, 以语音信号经过该模型的输出值作为声学特征, 直接利用离散傅里叶变换得到。

3.1 线性预测倒普参数LPCC的提取

线性预测分析是语音特征分析方法之一, 能够有效的解决短时语音信号的模型化问题。LPCC的基本原理:语音信号的每个样值可以通过过去的若干个值的线性组合逼近求得, 也能够用实际语音信号的抽样与线性预测的均方差值最小的方式, 求出一组预测值。

其中a为加权系数, p为线性预测倒普参数的预测阶数。

LPCC系数表示的是语音信号频谱极值点的变化, 用该系数来表征语音信号, 能够获得比较平滑的语音频谱图。

3.2 美尔倒普参数MFCC的提取

MFCC参数与LPCC参数不同, 它考虑了人耳的听觉特性, 先将频谱转变为美尔频标的非线性频谱, 接着再转换到倒普域上。因为MFCC比较地充分考觉特性, 所以MFCC参数有很好的识别性能与抗噪能力。由测试可得, MFCC参数性能在汉语语音识别中要明显优于LPCC参数, 由于人类在对1 000Hz频率以上的声音的感知能力并不遵循通常的线性关系, 它遵循的是对数频率坐标上的线性关系。

首先, 语音信号在经过预处理、分帧加窗后转变为短时信号, 经过FFT变换将x (n) 转化为X (m) , 并计算出其短时能量谱P (f) 。在将P (f) 在频率轴上的频谱转化为在美尔坐标上的P (M) 。接着在美尔频域内将在美尔坐标上加入三角带通滤波器得到滤波器组Hm (K) , 再计算美尔坐标上的能量谱P (M) 通过该滤波器组的输出值。最后在美尔刻度谱上能够采取修改的离散余弦反变换来求取美尔倒普参数:

式中, p为MFCC阶数。

4 结论

本文主要介绍了语音学的基础知识、语音信号的数字化及其特征提取, 为语音模型的训练做了很好的铺垫。在计算机普及的今天能够让计算机识别出人的自然语言是人们一直努力的一个方向, 对计算机直接用语言信息发号施令, 我们的双手才能真正得到解放。

参考文献

[1]胡航.语音信号处理.2版.哈尔滨:哈尔滨工业大学出版社, 2002:256.

[2]刘幺和, 宋庭新.语音识别与控制应用技术.北京:科学出版社, 2008:201.

[3]易克初.语音信号处理.北京:国防工业出版社, 2000, 14:363.

[4]李波, 王成友, 杨聪, 等.基于语音频谱包络抽取的MFCC算法.长沙:国防科技大学学报, 2004.

动态信号提取论文 篇4

有效语音信号的提取是进行正确有效的说话人识别的前提和基础。而声音大多时候是带噪声的, 故语音段和非语音段的判定是语音系统处理的关键问题之一, 极大地影响着系统的性能。本文提出将非线性时间序列通过相重构, 在高维的相空间上利用局部投影算法将背景信号、特征信号和噪声分解到不同的子空间上, 利用子空间的重构, 分离出语音信号, 通过此算法对污染的信号进行降噪, 以提取出有效的语音。

1 局部投影算法基本原理[1]

假设某动力系统可以由如下的非线性状态方程描述:

当F未知时, 可以通过对状态 在某一状态xn的一个邻域u (n) 内线性化近似获得, 该近似方法为

通过式 (2) 可以获得参数An、bn的估计值。当Anxn+bnxn+1=0时, 则动态系统位于一个超平面内。当信号xn受到噪声污染时, 即 , 邻域内的状态就不会局限于该超平面, 而是形成围绕该平面的一些点。通过将yn向该平面投影可以达到消除噪声的目的。当观测信号为标量信号sn时, 此时根据F.Tankens嵌入定理重构状态空间。

形成m维空间, 只要 , 其中, d是系统吸引子的维数, τ为延时时间, m称为嵌入维数;则原动力系统的任何微分或拓扑不变量可以再重构的相空间中计算。

以上所述方法即为非线性状态空间投影方法。该算法其实就是通过最小化式 (2) 修正状态向量sn。具体步骤为:

(1) 确定延时时间τ, 嵌入维数m, 重构相空间

(2) 确定邻域半径ε, 寻找的向量及向量个数; ;

(3) 计算这 个向量的质心

(4) 计算协方差矩阵

其中R为对角矩阵, 选取R11和Rmm的值比较大, 而其它Rii=1;

(5) 寻找关于协方差矩阵 的Q个最小特征值组成的正交特征向量 , 按照式 (7) 对实际信号进行修正, 消除噪声部分;

(6) 返回 (2) 直到所有相点都处理完毕;

(7) 为了将sn重构回原来的标量信号, 可以简单地将每一个已修正的矢量信号中的标量sn取平均值。[2]

2 仿真

仿真用的信号, 是作者在安静的实验室环境下自己录制的一个音频"我是韩丽娟", 然后加了23d B的噪声, 如图1所示。

根据上面所阐述的原理和步骤来进行仿真, 其中, 嵌入维数m=11;延时时间τ=4;邻域半径ε=550;R11和Rmm的值为103;Q=2;通过一次提取后的语音信号如图二所示。

从其波形上看, 效果不错, 将音频文件播放时, 几乎听不出其差别, 为了更好地检测其效果, 在自己搭建的平台上, 依次进行了端点检测、预处理、分帧 (帧长240、帧移120) , 提取了12级mfcc以及mfcc一阶差分的特征参数, 用DTW优化的识别方法进行了话者识别[3]。将原来的测试语音分别都加了23d B的噪声, 分别进行加噪之前和加噪之后的识别, 结果为:加噪之前错误拒绝和错误接受的在加噪之后仍然错误拒绝和错误接受, 而加噪之前能正确识别的, 加噪之后的正确识别率为原来的98%, 余下的2%错误拒识了。

3 结论

用非线性时间序列的方法来提取混沌背景下的语音信号, 方法可行。通过仿真, 对多个测试数据进行测试, 效果良好, 收到了满意的提取效果。

参考文献

[1]刑士勇, 金海薇, 等.基于改进局部投影算法的非线性时间序列降噪[J].军械工程学院学报, 2007 (2) :41-43.

[2]吕勇, 李友荣, 王志刚.基于局部投影算法的齿轮故障声信号特征提取[J].机械研究与应用.2006 (6) :52-53.

动态信号提取论文 篇5

对植物电信号的特征文中采用多小波熵来提取,并且结合信号本身的信息熵,构造二类干旱胁迫下君子兰叶片信号的特征向量,采用KNN方法对特征值进行分类别,实验表明,此方法对植物电信号分类很有效。

1 信号熵特征的描述

熵可定义为:平均不确定性,它来自于信号的平均信息量及信源,可表达信号潜在的变化过程的有效信息。若是将信源看成物质系统,假如消息输出非常多,信源的不确定性及随机性则越来越大,很紊乱,熵也越来越大,因此信息熵可以衡量系统紊乱的程度[5]。

1.1 定义信号时间熵

信号时间熵的定义:它统计分析在时域上的信号信息,并划分信号,最后用定量的熵来表示时间上信号的分布复杂度。

设x(n)为实测信号,其中n∈[0,N],N为信号数据的个数。将信号划分为如下L个区间,有:

式中,{Zl=[sl-1,sl],l=1,2,⋯,L}互不相交。

设p(Zl)表示信号x(n)落于区间Zl的概率,按古典概率分布,即等于x(n)落于Zl的数目与x(n)总数目N之比值,于是定义信号时间熵(signal time entropy):

1.2 信号频率熵的表述

信号频率熵是对信号在频域上信息的统计分析,对信号进行傅里叶变换,然后划分变换后的信号,最后用定量的熵来描述频率上信号的分布复杂度。

设y(w)为信号x(n)的傅里叶变换,将y(w)的绝对值划分为如下L个区间,有:

类似于信号时间熵Zk等价于Zl,p(Zk)等价于p(Zl),即就是等于y(w)落于Zk的数目与y(w)总数目的比值,因此可定义信号频率熵(signal frequency entropy):

2 描述小波熵特征

由于多分辨分析将小波基的构造和实施纳入统一框架,并有良好的时频局部化能力,且有快速实用算法,因此,将小波变换及信息熵结合在一起,有利于得出计算信号的小波熵的方法和定义。

2.1 小波能量熵

小波能量熵:它是统计分析在各频段上被分析信号的能量分布,以小波变换的尺度系数为基准对信号能量划分,最后用定量的熵值来表达信号能量频域上的复杂分布。

设在m个尺度上信号x(t)的小波能谱为:E=E1,E2,...,Em,则在尺度域上可得出E的分类的信号能量。根据正交小波的性质,在某一时间窗口内信号总功率E等于各分量功率Ej之和,设,则∑pj=1,故可给出小波能量熵(wavelet energy entropy)为:

当pj=0时,pjln(pj)=0。

2.2 小波奇异熵

奇异值分解的理论能够从被分析矩阵中快速地提取它的基本模态特征,利用SVD理论的该优势,小波奇异熵可从被分析信号中提取出小波变换系数矩阵特征,从而被分析信号的时频分布特征被充分地表示出来。

设在j(j=1,2,⋯,m)尺度下,Dj(n)为信号的小波分解,故在m个尺度的分解可以构成m×n的矩阵D,根据信号奇异值分解理论知,对于一个m×n的矩阵D,一定有一个m×l维的矩阵U、一个l×n维的矩阵V和一个l×l维的矩阵Λ,必定使得矩阵D分解为:

式中,对角线矩阵Λ的主对角线元素λi(i=1,2,⋯,l)是大于零的,并按照降序排列,即λ1≥λ2≥...≥λl≥0。为了使信号的频率成分以及分布特性精确地定量表示,可定义小波奇异熵为(wavelet singular entropy):

式中,Δpi为第j阶增量小波奇异熵。

2.3 小波方差谱熵

对于给定的信号经小波分解后得到的方差谱,j=1,2,⋯m,其中Wj为在尺度j下小波系数的方差谱。定义小波方差谱熵(wavelet Variance entropy):

式中,表示在尺度j下的方差概率。

3 提取和分类特征

3.1 特征向量的描述

从不同角度,信号的分布统计特征可由不同的信号熵和小波熵来描述。进而就为提取植物电信号的特征奠定了基础。可是因为特征信息,它存在了一定的不确定性和不完备性,故采用多种小波熵和信号本身的熵来分析植物电信号,就能够得到可信度很高的分类识别结果。文中将信号时间熵wt、信号频率熵wf、小波能量熵we、小波奇异熵ws、和小波方差谱熵wv等五种特征参数组合在一起,构造了特征向量T=[wewswvwtwf]。

3.2 KNN分类方法

k NN是一种非参数的分类技术,是最邻近法(NearesttNeighbors)的推广。其算法的基本思想:将所有N个训练样本都看做代表点,计算所有样本点到测试样本x的距离,然后查找出与x最近的训练样本中的k个最近邻,最后观察这k个近邻中的多数分属哪一类,便将x分配到哪类中。

4 特征提取实例

本文引用的二类植物电信号数据是由西安理工大学理学院习岗教授实验室所采集,测定生长状况正常下的君子兰叶片电信号,并将它作为对照组,然后加入14%的PEG溶液干旱胁迫,可测定叶片的相对含水量,当它达到重度胁迫时,采集得到对应的电信号。本文中将正常生长状况下的君子兰叶片电信号记为:一类;重度干旱胁迫下的君子兰叶片电信号记为:二类。试验得到二类君子兰叶片电信号的特征值,共计20组,每类10组。现采用KNN分类方法识别提取的特征向量,设训练样本为:每类中的前3组样本,则测试样本为:余下的7组样本。分类正确标记为1,分类错误标记为0,实验结果见表1。

5 结论

文中研究了三种小波熵及定义的两种信号熵在植物电信号识别中的应用原理,提出了基于多小波熵和信号熵在特征提取中的应用方法,得出了以下结论:1)结合小波变换、信息熵的原理,得出了各类小波熵的定义。在信号处理中融合三者的优势,为识别植物电信号的方法奠定了一定的基础。2)通过将小波熵及信号本身熵相结合,来提取特征向量,并采用了KNN分类方法,故而降低了分类结果的不稳定性,进一步提高了植物电信号可靠性的识别。

摘要：为了有效地对植物电信号进行分类,提出了一种基于多小波熵与信号自身熵的特征提取方法。小波熵由于结合了小波变换和信息熵理论的优势,能快速准确地提取植物电信号的特征,但由于植物电信号的非平稳性和多样性,依靠单一的小波熵可能出现分类困难和分类不准确等问题,结合多种小波熵和信号本身的熵信息进行了特征提取。该文以二类干旱胁迫下的君子兰叶片信号为对象,对它的特征向量进行提取,并且用KNN方法分类别。通过试验说明,此算法可以识别君子兰叶片的电信号,为植物电信号的识别提出了一种可行的新方法。

关键词：多小波熵,信号熵,植物电信号,特征提取,KNN分类

参考文献

[1]Gurovich L,Hermosilla P.Electric signaling in fruit trees inresponse to water applications and light-darkness conditions[J].J Plant Physiol 2009,166:290–300.

[2]Xiaofei Yan,Zhongyi Wang,Lan Huang,Cheng Wang,Rui-feng Hou,Zhilong Xu,Xiaojun Qiao.Research progress onelectrical signals in higher plants[J].Progress in Natural Sci-ence,2009,19(5):531–541.

[3]Rosson O A,Blanco S,Yordanova J,et al.Wavelet entropy:a new tool for analysis of short duration brain electrical signals[J].J Neurosci Meth,2001,105(1):65-75.

[4]曾庆虎,刘冠军,邱静.基于小波相关特征尺度熵的预测特征信息提取方法研究[J].中国机械工程,2008,19(10):1193-1196.

基于小波变换的信号边缘提取技术 篇6

信号的边界就是信号的突变部分, 如在一幅二维的文字图像中, 边界即是文字的边缘部分。人的视觉对图像中的突变是比较敏感的, 但是反映到具体的函数上会有很大的改变, 其实该改变能用该点的导数来确定, 用导数值较大的点代替边缘点。噪声总是随机分布的, 噪声的均值常被定义为零。在处理过程中, 对噪声区域加权平均操作, 就消除区域内大部分噪声, 这样的处理叫平滑。在提取边缘的过程中, 会把低通滤波与差商算子有机地组合, 首先要对边缘 (或边界) 进行定位, 因此需要找局部的最大点来提取边界的轮廓, 边界点的求值就是寻找小波变换中的局部模极大值。

二、对二维信号进行边缘提取

其中这里s>0表示个光滑尺度, 其作用为光滑的程度。

当求二维函数的导数时, 边界点是指沿着梯度方向取到了模极大值, 其梯度可用公式表示:

提取边缘时, 首先要寻找那些像素点, 这些点在梯度方向上达到模极大值:

然后由这些像素点组成了边界。定义

当θ (x, y) 对局部信号处理有良好效果时, 那么它应符合如下两个条件公式:

则与成为了二维小波。很容易发现:

这里表示相应的ψ1和ψ2小波变换。小波变换的模定义如下:

于是, 计算小波变换的模极大值就是先求光滑函数的导数再沿着其梯度方向寻找模极大值的过程。

其次, 就是要求出光滑函数的梯度与计算沿此方向的模极大值[1]。在离散的情况下, 一个函数的梯度方向较难精确地表示。但可在采样时就确定了在一个点的周围只有8个邻接点, 因此只需要考虑邻接的8个方向, 也就是说一幅离散的图像有8个梯度方向, 在这种情况下, 一个平面被分成8个扇区。

当a落入其中的一个扇区, 可以用一个确定的向量来量化, 这个向量用该扇区的一个中心直线来表示。下图反映这样的关系:箭头表示一个向量, 用来指明一个梯度方向。

其中实线箭头表示8个梯度方向, 虚线表示平面的8个扇区, 通过些梯度方向能求出模极大值。通过上图可知这些梯度方向是相互对称的, 则只需考虑4个方向, 用4个码字来表示, 可用0, 1, 2, 3表示不同的4个梯度方向, 每个方向的正切tanas落入下面的区间之一:

三、总结

本文先介绍了信号边界的基本知识, 再介绍了小波函数的定义, 最后, 利用小波变换对信号进行处理及提取信号边界具体步骤, 这对后续的边缘提取提供有效的工具。

参考文献

动态信号提取论文 篇7

通信原理是电子信息工程、通信工程等专业的一门重要的专业基础理论课,能否正确理解其概念和基本理论对后续专业课程的学习非常关键。单纯依靠课堂讲解,对于繁琐的公式和理论推导,学生学起来相对乏味。借助辅助工具SystemView,使学生能从动态上直观地、形象地理解这些理论,从而使学生更好地掌握基础理论。文中设计对通信原理的接收信号中载波的提取作了仿真演示分析,提供了良好的用户界面,不仅可用于课堂演示,而且可作为实验指导。

1 SystemView动态仿真软件介绍

SystemView动态系统分析软件是用于现代工程与科学系统设计及仿真的动态系统分析平台,从滤波器设计、信号处理、完整通信系统的设计与仿真,直到一般的系统数学模型建立等各个领域。它还提供了一个真实而灵活的窗口用以检查、分析系统数据及波形。

引入EDA仿真软件进行前期的仿真已经是不可避免的事情。SystemView是强大的系统级EDA仿真软件,适合于现代通信系统的设计、仿真和方案论证,尤其适合于无线电话、无绳电话、寻呼机、调制解调器、卫星通信等通信系统。并可进行各种系统时域和频域分析,对各种逻辑电路、射频/模拟电路(混合器、放大器、RLC电路、运放电路等)进行理论分析和失真分析。

2 设计举例

在通信系统中,为使信号适于在实际信道中传输,引进了各种调制方式。因此,在信号的接收端,必须用一定的方式解调出原来的信号。当采用同步解调或相干解调时,接收端需要提供一个与发射端同频同相的相干载波,这个相干载波的获取就称为载波提取。这里,同频同相非常重要,它关系到是否能正确地恢复原来地信号,采用锁相环来保证所提取的载波和发射的载波同频同相。

一般以调制信号不包含载波分量,但对信号进行某种非线性变换后,可以直接从其中提取出载波分量来。

由锁相环的跟踪特性可知。当已调信号的调频率处于锁相环的闭环低通特性的通带之外时,输出信号的相位已不能跟踪输入信号相位的变化。此时,压控振荡器就没有相位调制,是一个未调载波U0(t)=uccosw0t

当输入信号Ui(t)的载频产生缓慢漂移时,由于环路要维持锁定,压控振荡器输出的未调载波的频率也会跟随着漂移。这种环路输出相位没有跟踪输入的相位的调制,而是跟踪了输入信号载频的漂移,这也是一种跟踪状态,称为载波跟踪。

由于θ2(t)(输出信号的相位),未跟踪输入信号的相位θ1(t),由θc(t)=θ1(t)-θ2(t)的关系,显然此环路的相位误差比较大,恰恰就是θc(t)跟踪了θ1(t)的相位调制。这就是误差频率响应的高通特性。载波跟踪环的压控振荡器输出电压与输入信号的载波相位上相差90°,经90°相移后可得到输入信号的相干载波,原理框图如图1所示。

2.1 原理框图

2.2 步骤

(1)根据载波提取原理框图,用SystemView软件建立仿真电路,如图2所示。

(2)元件参数配置。

Token 0:正弦载波,频率为2 Hz;

Token 4:正弦载波,频率为10 Hz;

Token1:阶跃信号,幅度2 V,偏置为0;

Token2:7相加器;

Token3:相成器;

Token5,6,14:信号分析点——观察窗;

Token8:正弦函数;

Token9:低通滤波器,截止频率99 Hz,极点数为2;

Token10:增益(1.7);

Token11:积分器,起始值为0;

Token12:微分器;

Token13:带通滤波器,频率9.8～10.2 Hz,极点数为3。

2.3 运行时间设置

运行时间=1 s,采样频率=1 000 Hz。

2.4 运行系统

在SystemView系统窗内运行该系统后,转到分析窗观察各个点的波形。接收信号的载波提取运行的结果,如图3和图4所示。

由图中可以看出,所提取的载波和原来发送的载波是同频同相的,这就是锁相环跟踪输入信号频率的结果。实验过程中应不断地调整各个参数,以达到最佳接收效果。

摘要：介绍了一种可用于CAI的动态设计和分析软件SystemView,对SystemView仿真软件进行了简要的介绍,并在此基础上完成了对通信系统原理的仿真。结果表明,通过用SystemView软件仿真,方便地得到所设计电路的输出结果与分析波形。

关键词：通信原理,接收信号,载波提取

参考文献

[1]吴怡,陈俊.SystemView仿真软件在《通信原理》课程教学中的应用[J].福建师范大学学报:自然科学版,2004,20(3):109-111.

[2]李曼,刘芸江,张水平,等.基于System View的通信系统仿真[J].现代电子技术,2002(3):17-15.

[3]陈绍溴.SystemView在通信工程实验中的应用[J].宜春学院学报,2005,27(2):23-25.

[4]徐伯庆,叶海霞.用SystemView辅助《通信原理》教学[J].电气电子教学学报,2007(s1):36-38.