专利名称：基于表面肌电信号的语音信号识别系统和识别方法
技术领域：
本发明涉及一种驾驶舱、工业生产线等噪声环境和太空作业、水下作业等特殊物理环境中使用的通过表情进行语音识别的技术，具体涉及一种基于表面肌电信号的语音信号识别系统和识别方法。
背景技术：
自从可以记录肌电信号开始，人们对肌电展开了研究，可以通过检测人体肌肉组织的肌电信号来识别肢体动作控制假肢、推断肌肉状态和肌肉相关的病情等，因此，对肌电的研究主要集中在医学方面。在语言学方面，主要是利用肌电信号进行协同发音的研究，也有人利用肌电信号来做手语识别、无声语言识别的研究。
发明内容
本发明的目的是提供一种基于表面肌电信号的语音信号识别系统，提供在噪声环境和特殊物理环境下控制指令的识别方法。上述的目的通过以下的技术方案实现
基于表面肌电信号的语音信号识别系统，其组成包括语音信号采集模块，所述的语音信号采集模块连接语音信号预处理模块，所述的语音信号预处理模块连接语音信号分隔模块，所述的语音信号分隔模块连接特征参数提取模块，所述的特征参数提取模块连接语音信号辨识模块。所述的基于表面肌电信号的语音信号识别系统，所述的语音信号采集模块的四对电极置于提肌口，颧肌部分，颈阔肌和二腹的前面腹部，参考电极置于鼻根部，采集四路表面肌电信号。一种基于表面肌电信号的语音信号识别方法，由语音信号采集模块的四路电极采集面部四块肌肉对应的肌电信号；将采集到的信号送到语音信号预处理模块进行去基线漂移、去工频干扰、去噪处理；将处理后的肌电信号通过语音信号分隔模块按汉语特征和应用场合要求分隔为三段；将分隔后的各段信号通过特征参数提取模块进行经验模式分解 (EMD)分解后提取希尔伯特hilbert space进行hilbert transform希伯特转换；通过希尔波特滤波器；Hilbert谱；建立三个BP神经网络，各段信号特征分别作BP神经网络的输入通过语音信号辨识模块识别。所述的基于表面肌电信号的语音信号识别方法，所述的语音信号预处理模块将所述的语音信号采集模块采集到的其中采取去均值后经过巴特沃斯高通滤波器的方法处理基线漂移，采取基于可变长最小均方误差自适应滤波器去除工频干扰，采取小波分析方法去噪。所述的基于表面肌电信号的语音信号识别方法，所述的语音信号分隔模块将所述的语音信号采集模块采集到的其中采用动态累加和方法，检测连续时间窗内信号幅值的变化，通过检测信号幅值比对数的极值点，确定语音信号变化点，将信号分为动作命令信号、 数量信号和数量单位信号三段。所述的基于表面肌电信号的语音信号识别方法，所述的特征参数提取模块，首先
权利要求
1.一种基于表面肌电信号的语音信号识别系统，其组成包括语音信号采集模块，其特征是所述的语音信号采集模块连接语音信号预处理模块，所述的语音信号预处理模块连接语音信号分隔模块，所述的语音信号分隔模块连接特征参数提取模块，所述的特征参数提取模块连接语音信号辨识模块。
2.根据权利要求1所述的基于表面肌电信号的语音信号识别系统，其特征是所述的语音信号采集模块的四对电极置于提肌口，颧肌部分，颈阔肌和二腹的前面腹部，参考电极置于鼻根部，采集四路表面肌电信号。
3.一种基于表面肌电信号的语音信号识别方法，其特征是由语音信号采集模块的四路电极采集面部四块肌肉对应的肌电信号；将采集到的信号送到语音信号预处理模块进行去基线漂移、去工频干扰、去噪处理；将处理后的肌电信号通过语音信号分隔模块按汉语特征和应用场合要求分隔为三段；将分隔后的各段信号通过特征参数提取模块进行经验模式分解(EMD)分解后提取希尔伯特hilbert space进行hilbert transform希伯特转换； 通过希尔波特滤波器；Hilbert谱；建立三个BP神经网络，各段信号特征分别作BP神经网络的输入通过语音信号辨识模块识别。
4.根据权利要求3所述的基于表面肌电信号的语音信号识别方法，其特征是所述的语音信号预处理模块将所述的语音信号采集模块采集到的其中采取去均值后经过巴特沃斯高通滤波器的方法处理基线漂移，采取基于可变长最小均方误差自适应滤波器去除工频干扰，采取小波分析方法去噪。
5.根据权利要求3或4所述的基于表面肌电信号的语音信号识别方法，其特征是所述的语音信号分隔模块将所述的语音信号采集模块采集到的其中采用动态累加和方法，检测连续时间窗内信号幅值的变化，通过检测信号幅值比对数的极值点，确定语音信号变化点，将信号分为动作命令信号、数量信号和数量单位信号三段。
6.根据权利要求3或4或5所述的基于表面肌电信号的语音信号识别方法，其特征是所述的特征参数提取模块，首先采用经验模态分解(EMD)的方法，将信号分解为系列本证模态函数(IMF)，然后对该函数求取希尔伯特(hilbert space希尔伯特空间hilbert transform希伯特转换；希耳伯特变换；希尔波特滤波器Hilbert)谱作为下一步识别的特征向量。
7.根据权利要求3或4或5或6所述的基于表面肌电信号的语音信号识别系统，其特征是所述的语音信号辨识模块，将希尔伯特hilbert space希尔伯特空间hilbert transform希伯特转换；希耳伯特变换；希尔波特滤波器Hilbert)谱作为BP神经网络的输入，设计神经网络结构进行训练学习，将语音信号按类分别对应识别。
8.根据权利要求3或4或5或6或7所述的基于表面肌电信号的语音信号识别系统的方法，其特征是所述的去基线漂移采用的方法首先将表面肌电时间序列去均值X1I m) = x(/2) — mean(x(n))然后通过一个巴特沃斯高通滤波器其中，φ)为原始肌电信号离散时间序列，？Φ)为去均值后的肌电信号离散时间序列，冗M为滤波后的肌电信号离散时间序列。
9.根据权利要求3或4或5或6或7或8所述的基于表面肌电信号的语音信号识别系统的方法，其特征是所述的去工频干扰的方法工频干扰的主要频率成分为50HZ，使用可变长最小均方误差(LMS)自适应滤波器去除，自适应滤波器能自动跟踪频率的漂移，具有非常好的适应性，其结构简单性能稳定， 其基本思想是调整滤波器自身参数，是滤波器的输出信号与期望输出信号之间的均方误差最小，这样系统输出的是有用信号的最佳估计；输入信号矢量为_ = V(n)其中·5'( ) = [H,…为期望提取的表面肌电信号，^(W) = K-I,-"J7-M^f为工频干扰噪声信号；参考输入信号为
10.根据权利要求3或4或5或6或7或8或9所述的基于表面肌电信号的语音信号识别系统的方法，其特征是所述的去噪处理方法即小波去噪方法小波消噪是利用噪声与信号在各尺度上的小波谱具有不同表现，将各尺度上由噪声产生的小波谱分量去掉，这样保留下来的小波谱基本上就是真实信号的小波谱，再利用小波变换的重构算法重构原信号，即可得去噪后的信号；一个含噪声的一维信号模型可以表示成如下的形式s(f)= f(i) + &(i)ι = 0,1,2··· -!式中m为真实信号，为高斯白噪声，雄)为含噪声信号，消噪过程可以按如下方法进行处理首先对信号进行小波分解；信号中的低频分量通常为有用信号，信号中的高频分量为噪声；用门限阈值形式对小波系数进行处理，抑制信号中的高频噪声部分，保留低频信号，最后，将低频信号进行小波重构，得到原始信号中的无噪部分。
全文摘要
基于表面肌电信号的语音信号识别系统和识别方法。如同前臂肌肉运动对应手、腕、肘的运动模式，说话时面部肌肉也对应着不同的运动模式，通过采集面部肌肉的表面肌电，完全可以从信号特征中识别对应的肌肉动作模式，进而识别语音信息。一种基于表面肌电信号的语音信号识别系统，其组成包括:语音信号采集模块(1)，所述的语音信号采集模块连接语音信号预处理模块(2)，所述的语音信号预处理模块连接语音信号分隔模块(3)，所述的语音信号分隔模块连接特征参数提取模块(4)，所述的特征参数提取模块连接语音信号辨识模块(5)。本发明用于表面肌电信号的语音信号识别。
文档编号G10L15/00GK102169690SQ20111008802
公开日2011年8月31日 申请日期2011年4月8日 优先权日2011年4月8日
发明者周丽娜, 尤波, 王焕灵, 黄玲 申请人:哈尔滨理工大学