利用深度学习来提高光学麦克风系统的性能,使用未知的扬声器用于耳植入物
概括
这项研究引入了一种与深度学习集成的新型激光多普勒振动计 (LDV) 系统,以提高耳植入物 (CI) 用户在杂环境中的语音清晰度. 与传统麦克风相比,拟议的LDV系统显著提高了语音可理解性和语音质量.
科学领域:
- 听力学 听力学是指听力学.
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 耳植入物 (CI) 对于听力恢复至关重要,但在杂或远距离谈话场景中,与 poor 语音可理解性作斗争.
- 现有的语音增强方法在具有挑战性的声学条件下往往不足.
研究的目的:
- 开发和评估使用激光多普勒振动计 (LDV) 和深度学习的创新语音捕获系统,以改善噪音环境中的语音重建.
- 评估系统的性能与传统麦克风和基准LDV方法相比.
主要方法:
- 激光多普勒振动计 (LDV) 与深度学习算法的集成,用于语音信号处理.
- 进行了客观可理解性 (STOI) 和质量 (PESQ) 评估.
- 使用语音编码模拟器进行了听力测试,以评估单词准确性.
主要成果:
- 与传统麦克风 (STOI: 0.44, PESQ: 1.51) 和基线LDV (STOI: 0.48, PESQ: 1.4) 相比,拟议的LDV系统获得了显著更高的STOI (0.73) 和PESQ (1.96) 评分.
- 微日志MMSE的表现较低 (STOI:0.35,PESQ:0.73). 它们的表现较差.
- 语音编码器模拟证实了拟议系统在基线上的优越词精度.
结论:
- 新的LDV深度学习系统为捕捉清晰的语音提供了强大的解决方案,特别有利于耳植入物用户.
- 这项技术解决了当前助听器在噪音和远距离谈话情况下的关键局限性.


