1.学習内容
1. 概要
- 心音信号のノイズ除去:(1週間)トランスミッションゲートは
、スペクトル減算、ウィーナーフィルタリング、LMSフィルター、NLMSフィルターを採用し、心音信号のノイズ低減は、
残留ノイズ、正規化された二乗平均平方根MRMS、相関係数、信号ノイズを使用します指標、LMSとNLMSのノイズ低減効果の比較 - 異常な心音の認識:(1週間)
MFCCを使用して特徴抽出を行い
、HMMの隠れマルコフモデルを学習します
2.発生した問題
- ノイズリダクション効果の評価は非常に簡単で、より包括的な評価内容を学ぶ必要があります
- LMSとNLMSの場合、エラー曲線を描くことはできません(何度も試しましたが、どこに問題があるのかわかりません。学校が始まるときに弟に尋ねるつもりです)
3. 具体内容
- ノイズリダクション
スペクトル減算:雑音が統計的に安定していると仮定して、加法性雑音が音声に関連しないという機能を利用して、音声ギャップなしで測定された雑音スペクトル推定を使用して、音声中の雑音の周波数スペクトルを置き換え、雑音を含む音声スペクトルから差し引きます音声スペクトルの推定値を取得する。
入力:
%信号入力信号シーケンス(列ベクトル)
%NIS先頭の非音声フレーム番号(スカラー)
%fnフレーム番号(スカラー)
%wlenフレーム長(スカラー)
%incフレームシフト(スカラー)
%a減算係数( (スカラー)
%bゲイン補償係数(スカラー)
出力:
%output_subspecスペクトル減算出力波形(列ベクトル)
ウィーナーフィルタリング:
最小平均二乗誤差基準(MSE)の下で、音声信号が推定されます。
入力:
%xノイズの多い音声信号
%音声セグメント長のないISプリアンブル%音声
があるかどうかを判断するためのT1しきい値
出力:
%拡張音声信号
LMSフィルタリングは、期待される応答とフィルターの出力信号との間の誤差
の最小平均二乗値に基づいています。入力信号に従って、勾配ベクトルが反復プロセスで推定され、最適に達した重み係数が更新されます。(勾配最大降下法)入力:%xn入力信号シーケンス(列ベクトル)%dn期待される応答シーケンス(列ベクトル)%Mフィルター次数(スカラー)%mu収束係数(ステップサイズ)(スカラー)出力:%Wフィルターの重み行列(行列)%サイズはM x itr、%eエラーシーケンス(itr x 1)(列ベクトル)%y実際の出力シーケンス(列ベクトル)
MFCCの
鍵は、Melフィルターバンクを使用することです。これは、聴覚特性のメカニズムとより一致しています。
HMM隠しマルコフ
観測に基づいてHMMモデル(A、B、π)を確立し、状態値
列を予測します。「観測」から、「観測」を生成する可能性が最も高いHMMモデル(EM +順方向-逆方向アルゴリズム)を見つけます。
テスト:「観測値」とHMMモデルから、最良の「状態値」を取得(ビタビ)
4.リフレクション
HMMの原理を学ぶとき、私は式の導出を直接学び始めました。問題を解決する方法を明確に理解していませんでした。実際のアプリケーションに行って、それが理解できないことに気付いた後、私は見続けました。
したがって、将来、同様のアルゴリズムを学習するときは、まず
問題が何であるか、解決策が何であるかを明確に理解してから、詳細な式の導出に注意を払う必要があります。
理由を尋ねて、あまり心配しないでください。
2.来週の計画
2016 Physionetの心音データ「train-a」を使用、HMMを使用した異常分類