1. Contenido de aprendizaje

1. Descripción general

Elimine el ruido de la señal de sonido cardíaco: (una semana) la puerta de transmisión
adopta sustracción espectral, filtrado Wiener, filtro LMS, filtro NLMS, la reducción de ruido de la señal de sonido cardíaco
utiliza ruido residual, MRMS cuadrático medio normalizado de raíz, coeficiente de correlación, ruido de señal Indicadores, comparando los efectos de reducción de ruido de LMS y NLMS
Reconozca los ruidos cardíacos anormales: (una semana)
use MFCC para realizar la extracción de características y
aprender el modelo de Markov oculto HMM

2. Problemas encontrados

La evaluación del efecto de reducción de ruido es muy simple, y debería aprender un contenido de evaluación más completo
Para LMS y NLMS, la curva de error no se puede dibujar (lo intenté mucho, no sé dónde está el problema, planeo preguntarle a mi hermano cuándo comienza la escuela)

3. Contenidos específicos

Reducción de ruido

Resta espectral: aprovechando la característica de que el ruido aditivo no está relacionado con el habla, suponiendo que el ruido sea estadísticamente estable, la estimación del espectro de ruido medida sin espacios de voz se usa para reemplazar el espectro de frecuencia del ruido durante el habla y se resta del espectro del habla que contiene ruido Para obtener una estimación del espectro del habla.
Entrada:
% de señal Secuencia de señal de entrada (vector de columna)
% NIS Número de fotograma no vocal (escalar)
% fn Número de fotograma (escalar)
% wlen Longitud de fotograma (escalar)
% inc Desplazamiento de fotograma (escalar)
% a Factor de resta ( (Escalar)
% b factor de compensación de ganancia (escalar) de
salida:
% output_subspec forma de onda de salida de sustracción espectral (vector de columna)

Filtrado de Wiener: según
el criterio mínimo de error cuadrático medio (MSE), se estima la señal de voz.
Entrada:
% x señal de voz ruidosa
% IS Preámbulo sin longitud del segmento de voz
% T1 Umbral para juzgar si hay voz
Salida:
% Señal de voz mejorada

El filtrado LMS se
basa en el valor cuadrado medio mínimo del error entre la respuesta esperada y la señal de salida del filtro.Según la señal de entrada, el vector de gradiente se estima en el proceso iterativo y se actualiza el coeficiente de peso, que ha alcanzado el óptimo.
Entrada ( método de descenso máximo de gradiente) :
% xn secuencia de señal de entrada (vector de columna)
% dn secuencia de respuesta deseada (vector de columna)
% orden de filtro M (escalar)
% factor de convergencia mu (tamaño de paso) (escalar )
Salida:
% W matriz de peso del filtro (matriz)
% tamaño es M x itr,
% e secuencia de error (itr x 1) (vector de columna)
% y secuencia de salida real (vector de columna)

La
clave de MFCC es utilizar el banco de filtros Mel, que está más en línea con el mecanismo de las características auditivas.

HMM Hidden Markov
Establecer modelo HMM (A, B, π) basado en observaciones, predecir el
tren de valor de estado : desde "observación", encontrar el modelo HMM (algoritmo EM + hacia adelante y hacia atrás) con mayor probabilidad de producir "observación"
prueba: del "valor observado" y el modelo HMM, obtenga el mejor "valor de estado" (Viterbi)

4. Reflexión

Cuando aprendí los principios de HMM, comencé a aprender directamente la derivación de fórmulas. No entendía claramente la forma de resolver el problema. Después de ir a la aplicación real y descubrí que no la entendía, volví a seguir observando.

Por lo tanto, cuando aprenda algoritmos similares en el futuro, primero debe comprender claramente cuál es
el problema y cuál es la solución, y luego prestar atención a la derivación detallada de la fórmula.

Pregunta por qué, no estés demasiado ansioso.