一种骨传导耳机音频智能去噪增强方法与流程

1.本发明涉及音频处理技术领域，具体涉及一种骨传导耳机音频智能去噪增强方法。


背景技术：

2.骨传导耳机原理为声音由空气振动传入耳道再敲撞鼓膜，深入耳朵内里带动耳小骨一起振动；由于骨传感耳机通过皮肤、颅骨传递至耳小骨，其音质与传统耳机相比较差，需要对骨传导耳机音频进行去噪增强预处理。
3.由于骨传导耳机中的音频噪声大多属于外界噪声，现有通常使用anc主动降噪技术通过采集外接噪音，并产生与噪音反相的信号用耳机等装置回放，用以抵消噪音；但外界噪声与误差传感器之间存在三条传播通路，信号在通道内循环转化和传输过程中会出现采样点丢失及时延问题，导致出现较高的fm（调频）使降噪效果较差；morgan在lms的基础上提出了fxlms，在参考信号送入lms算法模块前增加一个对次级通道传递函数的估计，从而解决次级通道所引起的相关延时问题，但并没有解决信号在传输通道中的循环损失问题。


技术实现要素：

4.本发明提供一种骨传导耳机音频智能去噪增强方法，以解决现有的利用anc主动降噪技术对骨传导耳机音频进行去噪增强时，降噪效果较差的问题。
5.本发明的一种骨传导耳机音频智能去噪增强方法采用如下技术方案：本发明一个实施例提供了一种骨传导耳机音频智能去噪增强方法，该方法包括以下步骤：获取参考信号；对参考信号进行分解获取若干信号分量，利用参考信号及信号分量的波谷点进行分割，获取若干单峰信号及单分量信号；根据每一单峰信号与不同单分量信号峰值点的时序值的差异及时宽差异获取每一单峰信号的分解信号集合；将单峰信号视为第零级分量；在单峰信号的分解信号集合中的第一个信号分量中，将时宽上包含第零级分量的单分量信号记为第一级分量，根据第零级分量和第一级分量获得第一个分解复杂程度；在分解信号集合中的第二个信号分量中，将时宽上包含第一级分量的单分量信号记为第二级分量，根据第一级分量和第二级分量获得第二个分解复杂程度，依次类推，获得所有分解复杂程度；对获取的所有分解复杂程度进行累乘处理，得到每一单峰信号的成分复杂度；根据每一单峰信号的成分复杂度获取每一单峰信号的自适应采样点个数，根据每一自适应采样点与上一自适应采样点的采样间隔变化、每一自适应采样点上一自适应采样点的调整步长因子获取每一自适应采样点的调整步长因子，根据调整步长因子获取每一自适应采样点处的更新滤波权重；根据自适应采样点个数与更新滤波权重利用anc算法对参考信号进行去噪处理。
6.可选的，所述根据每一单峰信号与不同单分量信号峰值点的时序值的差异及时宽差异获取每一单峰信号的分解信号集合，包括的具体步骤如下：记参考信号的任意一单峰信号为关注单峰信号，根据每一单分量信号与关注单峰信号的峰值时序值差异与时序宽度差异获取每一单分量信号的差异程度，获取差异程度最小值对应的单分量信号所在的信号分量，记为关注单峰信号的起始信号分量；将信号分量按照获取的先后顺序从小到大进行编号，将编号大于等于起始信号分量编号的所有信号分量记为关注单峰信号的信号分量集合；将关注单峰信号与关注单峰信号的信号分量集合共同构成一个新集合，记为关注单峰信号的分解信号集合。
7.可选的，所述根据每一单分量信号与关注单峰信号的峰值时序值差异与时序宽度差异获取每一单分量信号的差异程度，包括的具体步骤如下：记参考信号的任意一单峰信号为关注单峰信号，获取每一单分量信号与关注单峰信号峰值点时序值的差值绝对值，记为每一单分量信号的时序差异，获取每一单分量信号与关注单峰信号在时序上宽度的差值绝对值，记为每一单分量信号的宽度差异，对每一单分量信号的时序差异的平方与宽度差异的平方进行求和，记为每一单分量信号的差异程度。
8.可选的，所述根据第零级分量和第一级分量获得第一个分解复杂程度，包括的具体步骤如下：
9.获取属于第一级分量时宽范围内、且在第零级分量所在信号分量上的所有单分量信号的峰值幅值总个数；获取峰值幅值类型个数，获取所有峰值幅值类型中每类峰值幅值的个数记为，其中，根据与的比值得到第零级分量和第一级分量获得的第一个分解复杂程度。
10.可选的，所述根据与的比值得到第零级分量和第一级分量获得的第一个分解复杂程度，包括的具体步骤如下：
11.其中，表示第零级分量和第一级分量获得的第一个分解复杂程度。
12.可选的，所述第零级分量所在信号分量是指单峰信号所在的参考信号。
13.可选的，所述对获取的所有分解复杂程度进行累乘处理，得到每一单峰信号的成分复杂度，包括的具体步骤如下：
14.其中，表示第个单峰信号的成分复杂度，表示第个单峰信号的第个分解复杂程度，表示第个单峰信号的分解复杂程度的个数。
15.可选的，所述根据每一单峰信号的成分复杂度获取每一单峰信号的自适应采样点个数，包括的具体步骤如下：
16.其中，表示第个单峰信号的自适应采样点个数，表示第个单峰信号的成分复杂度，表示第个单峰信号的原始采样点个数，表示进行向下取整操作。
17.可选的，所述根据每一自适应采样点与上一自适应采样点的采样间隔变化、每一自适应采样点上一自适应采样点的调整步长因子获取每一自适应采样点的调整步长因子，包括的具体步骤如下：
18.其中，表示第个自适应采样点的调整步长因子，表示第个自适应采样点至第个自适应采样点的调整步长因子，表示参考信号的固定步长因子，表示参考信号上第个自适应采样点所在时刻，、分别表示参考信号第、个自适应采样点所在时刻，表示第个自适应采样点与第个自适应采样点的采样间隔，表示第个自适应采样点与第个自适应采样点的采样间隔。
19.可选的，所述获取参考信号，包括使用声学传感器获取环境噪声信号，记为参考信号。
20.可选的，所述对参考信号进行分解获取若干信号分量，包括对参考信号进行emd分解，获取若干个信号分量。
21.可选的，所述利用参考信号及信号分量的波谷点进行分割，获取若干单峰信号及单分量信号，包括的具体步骤如下：使用sg滤波算法对参考信号进行去噪平滑处理；获取去噪后的参考信号的所有波谷点，对参考信号按照波谷点进行分割，获取若干个单峰信号；获取每一信号分量的所有波谷点，对每一信号分量按照波谷点进行分割，获取得到若干个单分量信号。
22.本发明的技术方案的有益效果是：本方法考虑使用anc算法对骨传感耳机音频信号进行去噪的过程中，参考信号多次迭代循环会发生数据丢失进而产生fm调频的问题，首先对参考信号进行分解获取信号分量，进而对参考信号及信号分量进行划分，获取单峰信号及单分量信号，根据每一单峰信号其信号分解的变化情况获取每一单峰信号的成分复杂度，进而根据成分复杂度调节采样点数量、采样频率，使冗余度较低，对频率较大、易丢失的单峰信号增加较多的采样点数量，提高保真率，并考虑新增采样点输入自适应滤波器后无响应的问题，通过调节步长因子，获取新增采样点的滤波权重。本方法相比于传统anc去噪算法而言，在原有fxlms算法解决时延问题的基础上，优化了信号在传输通道中迭代循环的损失问题，进一步减少了出现fm的可能性，降低其对去噪精度的影响，保证参考信号的保真率，使误差信号迭代收敛更快，去噪效果更好。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
24.图1为本发明一个实施例提供的一种骨传导耳机音频智能去噪增强方法的步骤流程图；图2为本发明一实施例所提供的参考信号；图3、图4、图5、图6为参考信号的信号分量；图7为第个单峰信号的部分信号分量。
具体实施方式
25.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种骨传导耳机音频智能去噪增强方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
26.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
27.下面结合附图具体的说明本发明所提供的一种骨传导耳机音频智能去噪增强方法的具体方案。
28.请参阅图1，其示出了本发明一个实施例提供的一种骨传导耳机音频智能去噪增强方法的步骤流程图，该方法包括以下步骤：步骤s001、获取参考信号。
29.由于对于骨传感耳机而言，音频噪声即为外界任意声音信号，使用声学传感器获取环境噪声信号，记为参考信号；其中，声学传感器获取参考信号的步骤为现有技术，本实施例不再赘述。
30.步骤s002、获取若干信号分量，对参考信号进行平滑处理，根据参考信号及每一信号分量的波谷点获取若干单峰信号及单分量信号，获取每一单峰信号的分解信号集合，根据分解信号集合获取每一单峰信号的所有级分量，获取所有级分量中相邻两级分量的分解复杂程度，对分解复杂程度进行累乘处理，获取每一单峰信号的成分复杂度。
31.需要说明的是，由于使用anc算法对参考信号进行去噪时，参考信号在通路中多次循环，每次传输过程中不可避免的传输通道波动会导致采样点丢失，进而导致信号损耗，使得参考信号频率与实际耳机音频信号中的噪声信号频率存在误差；由于信号的冗余度越高即局部重复信号越多，在传输过程中的传输效率越高、传输速率越快，其由于传输通道波动导致信号损失的可能性越小，但外界噪声信号成分复杂，不同频率信号互相叠加，不易区分和评估，因此首先需要对参考信号进行emd分解，依次获得获取多个信号分量，越向下分解，信号频率越低，每个信号分量内信号频率几乎一致；由于对参考信号进行emd分解后，参考信号中的各类信号分解在不同的分量信号中，对于局部信号损失概率进行分析时，需要找到参考信号中的每个各类信号初次分解至完全分解的过程，即对参考信号分割为单峰信号进行分析时，对于某一频率较大的单峰信号，可能在中不存在该单峰信号的信号分量，需要先找到该单峰信号首个分解时所在分量，再开始对向下的信号分量进行分析。
32.具体的，对参考信号进行emd分解，获取若干个信号分量，其中，表示获取
得到的信号分量个数；需要说明的是，对信号进行emd分解获取信号分量的步骤为现有技术，本实施例不再赘述；根据信号分量获得的先后顺序，将这些信号分量从小到大进行编号：1，2，
…
，。
33.请参阅图2至图6；其中，图2为一参考信号；图3至图6为图2所示参考信号进行emd分解获取的信号分量。
34.进一步需要说明的是，由于参考信号上存在幅值极低的小波动，这些波动不具有较大的噪声干扰，但是会对获取参考信号中的各类信号的过程产生干扰，使某些各类信号的峰值点不突出，因此设置阈值将弱的小噪声滤除。
35.使用sg滤波算法对参考信号进行去噪平滑处理，设定滤波窗口为，本实施例设定，具体实施过程实施者可根据实际情况设定窗口大小，为方便后续叙述，记去噪后的参考信号为参考信号，即后续步骤中出现的参考信号均指的是去噪后的参考信号。
36.获取参考信号的所有波谷点，对参考信号按照波谷点进行分割，获取得到若干个单峰信号，获取每一单峰信号的峰值点及该单峰信号在时序上的宽度；获取每一信号分量的波谷点，对每一信号分量按照波谷点进行分割，获取得到若干个单分量信号，获取每一单分量信号的峰值点及该单分量信号在时序上的宽度。
37.记参考信号的任意一单峰信号为关注单峰信号，获取所有单分量信号与关注单峰信号峰值点时序值的差值绝对值，记为每一单分量信号的时序差异，获取所有单分量信号与关注单峰信号在时序上宽度的差值绝对值，记为每一单分量信号的宽度差异，对每一单分量信号的时序差异的平方与宽度差异的平方进行求和，记为每一单分量信号的差异程度，获取差异程度最小值对应的单分量信号所在的信号分量，记为关注单峰信号的起始信号分量；将起始信号分量作为关注单信号分量的下一级信号分量，记自起始信号分量起始的所有信号分量为关注单峰信号的信号分量集合，也即编号大于等于起始信号分量编号的所有信号分量为关注单峰信号的信号分量集合。
38.上述获得了每个单峰信号的信号分量集合。
39.将每一单峰信号与每一单峰信号的信号分量集合共同构成一个新集合，记为每一单峰信号的分解信号集合，即每一单峰信号的信号分量集合中包含该单峰信号及该单峰信号的信号分量集合。
40.进一步需要说明的是，由于熵值可表征数据的混乱程度即复杂程度，可借助熵值的计算思想获取每一单峰信号的成分复杂程度。
41.以参考信号中的第个单峰信号为例，将第个单峰信号视为第个单峰信号的第零级分量，获取第个单峰信号的分解信号集合中的第1个信号分量，在第1个信号分量上，获取包含第个单峰信号时宽的单分量信号，记为第个单峰信号的下级分量，记为第个单峰信号的第一级分量，为至之间（包括和），其中，、分别为的左侧边界和右侧边界，即单分量信号的时宽为。
42.需要说明的是上述的所有信号分量都是基于参考信号分解得到的，本实施例中将参考信号也视可以为一个信号分量。
43.获取在至之间，第个单峰信号的第零级分量所在的参考信号中单峰信号的个数及每一单峰信号的峰值点的信号幅值，记为峰值幅值，由于每一单峰信号对应一
个峰值点，也可表示至之间的峰值幅值的总个数，记为第个单峰信号的第零级分量的峰值幅值总个数；由于至之间包含若干个峰值幅值，这些峰值幅值中取值相同的归为一类，总共获取类，记为第个单峰信号的第零级分量的峰值幅值类型个数，其中第类包含了个峰值幅值，进而表示至之间第类峰值幅值个数与至之间峰值幅值总个数的比值。
44.具体的，以第个单峰信号的第零级分量与第一级分量为例，获取第个单峰信号的第零级分量与第一级分量之间的分解复杂程度的计算方法为：
45.其中，表示第个单峰信号的第零级分量的峰值幅值总个数，表示第个单峰信号的第零级分量的峰值幅值类型个数，表示所在时宽在参考信号中的第类峰值幅值个数。
46.的计算过程为熵值计算公式，若所在时宽在参考信号中单峰信号个数越多，单峰信号的信号幅值的种类越多，说明单分量信号越复杂，即若越大，说明单分量信号越复杂；记为得到的第个单峰信号的第一个分解复杂程度。
47.至此，获取得到第个单峰信号的第零级分量与第一级分量之间的分解复杂程度，即第个单峰信号的第一个分解复杂程度。
48.进一步需要说明的是，由于每一单峰信号首次被分解至完全被分解获取得到的所有级信号为该单峰信号的所有信号组成成分，所有单峰信号的信号组成成分在参考信号上相互叠加、相互影响，因此每一单峰信号的成分复杂度为单峰信号的所有级信号中相邻两个信号分量之间的分解复杂程度的累乘。
49.记任意一单峰信号为目标单峰信号，将目标单峰信号视为目标单峰信号的第零级分量，目标单峰信号的分解信号集合中的第一个信号分量中时宽上包含第零级分量的单分量信号记为目标单峰信号的第一级分量，分解信号集合中的第二个信号分量中时宽上包含第一级分量的单分量信号记为目标单峰信号的第二级分量，依次类推获得目标单峰信号的所有级分量。
50.按照上述根据每一单峰信号的第零级分量与第一级分量间的分解复杂程度获取方法，同理获取每一单峰信号的所有级分量中相邻两级分量之间的分解复杂程度。
51.至此，获取得到每一单峰信号的所有级分量中相邻两级分量之间的分解复杂程度。
52.请参阅图7，图7为在第个单峰信号的下级分量所在信号分量上，的下级分量所在时宽范围的单分量信号，其中每一单分量信号所对应的峰值幅值依次为、；在所在信号分量上，的下级分量所在时宽范围的单分量信号，其中每一单分量信号所对应的峰值幅值依次为、、、、、、、。
53.由图7可得与之间的分解复杂程度为0.69，与之间的分解复杂程度为1.39。
54.以第个单峰信号为例，将得到的所有分解复杂程度记为，，
……
，，其中表示第个单峰信号的分解复杂程度的个数。
55.具体的，以第个单峰信号为例，获取第个单峰信号的成分复杂度的计算方法为：
56.其中，表示第个单峰信号的第个分解复杂程度，表示第个单峰信号的分解复杂程度的个数；由于单峰信号向下分解时，每向下一级分解，所对应的分解复杂程度越小，为了避免出现熵值为0的情况，引入函数，即，使得熵值越大，越小，且不为0。由于函数转换了逻辑关系，因此对于第个单峰信号而言，其所对应的成分复杂度，应为；若越大，则对于第个单峰信号而言，其所在位置包含的信号分量越复杂，那么在传输通道中循环时，传输率更低，则更容易出现信号丢失；对求得的所有单峰信号的成分复杂度进行线性归一化处理，记为每一单峰信号对应的成分复杂度。
57.至此，获取得到参考信号中每一单峰信号的成分复杂度。
58.步骤s003、根据每一单峰信号的成分复杂度获取每一单峰信号的自适应采样点个数，进而获取两两自适应采样点的自适应采样间隔，根据相邻自适应采样间隔差异获取调整步长因子，进而根据调整步长因子获取每一自适应采样点处的更新滤波权重。
59.需要说明的是，对于单峰信号而言，成分复杂度越大，其在传输通道中循环时的传输率越低、出现信号丢失的可能性越大；由于音频信号均采用采样点的方式进行记录，采样点越多，音频信号曲线拟合的越平滑，保证率越好；但当采样点过多时会导致信号传输时间增加，进而也会增加信号丢失的风险，因此对于参考信号的每一单峰信号而言，根据每一单峰信号的成分复杂度调整采样点数量，获取每一单峰信号的自适应采样点个数进而更新采样频率，规避信号丢失风险。
60.具体的，以第个单峰信号为例，获取第个单峰信号的自适应采样点个数的计算方法为：
61.其中，表示第个单峰信号的成分复杂度，表示第个单峰信号的原始采样点个数，由于采样点个数为整数，表示进行向下取整操作；若第个单峰信号的成分复杂度越大，第个单峰信号所在位置包含的信号分量越复杂，在传输通道中循环时，更容易出现信号丢失，需要增加的采样点越多，使得后续误差信号收敛效果更好，进而提高去噪效率；将获取得到的自适应采样点平均分布在第个单峰信号的时宽长度上，调整采样频率，需要说明的是，人耳可以听见的最大外界噪声基本在20000hz左右，即用20000个采样点记录1秒钟的信号。利用pcm编码对参考信号传输时，默认采样频率也为20000hz，进而每个单峰信号的
采样点个数为。
62.至此，获取每一单峰信号的自适应采样点个数，进而调整采样频率。
63.进一步需要说明的是，由于对于单峰信号自适应更新后的采样频率，降低了丢失风险，但是对于同一个设备而言，其记录音频信号的采样频率是固定的，因此更新采样点后的参考信号在输入自适应滤波器时，新增的采样点在自适应滤波器中没有对应的响应点；参考信号进入滤波器后，利用fxlms算法对每个单峰信号自适应滤波权重，然后得到次级噪声信号，这一过程中当单峰信号的采样点增加时，其采样间隔变小，而fxlms算法的步长因子固定；fxlms算法在迭代滤波权重时，其原本的固定步长因子可能会跳过新增采样点，不发生响应，因此需要结合每一单峰信号的自适应采样点个数对步长因子进行调整，进而根据调整后的步长因子对fxlms算法的权重迭代公式进行更新，获取每一自适应采样点的更新滤波权重。
64.进一步的，记任意一自适应采样点为目标采样点，记时序上目标采样点的上一个自适应采样点为第一目标采样点，记时序上第一目标采样点的上一个自适应采样点为第二目标采样点，将第一目标采样点与目标采样点之间的步长因子记为目标采样点的步长因子。
65.具体的，以参考信号上第个自适应采样点为例，获取该自适应采样点处的更新滤波权重为：
[0066][0067]
其中，表示参考信号的固定步长因子，表示参考信号上第个自适应采样点所在时刻，、分别表示参考信号第、个自适应采样点所在时刻，表示第个自适应采样点和第个自适应采样点之间的采样间隔除以第个自适应采样点和第个自适应采样点之间的采样间隔；表示第个自适应采样点的调整步长因子；需要说明的是，固定步长因子为大于0小于参考信号的相关矩阵最大特征值的倒数，固定步长因子根据实际输入信号获取，获取方法为公知技术，本实施例不再赘述；当时，调整步长因子为参考信号的固定步长因子，即对于时序上第一采样点与第二采样点之间的步长因子不做调整，仍使用固定步长因子。
[0068]
表示第个自适应采样点处的更新滤波权重，表示第个自适应采样点所在时刻所得的误差信号，为第个自适应采样点所在时刻在参考信号中所对应的信号，为fxlms算法的初始滤波权重；需要说明的是，为fxlms算法的权重迭代公式，为现有技术，本实施例不再赘述，式中、、均可根据fxlms算法直接获取，本方法将权重迭代公式中的原始步长因子调整为调整步长因子，滤波权重调整为更新滤波权重，原始其他计算步骤不做改变。
[0069]
至此，获取得到每一自适应采样点处的更新滤波权重。
[0070]
步骤s004、根据自适应采样点个数与更新滤波权重利用anc算法对参考信号进行去噪处理。
[0071]
需要说明的是，本方法根据参考信号中每一单峰信号的成分复杂度获取自适应采样点个数，对采样点个数进行增加，进而根据自适应采样点对应的采样频率获取调整步长因子，更新滤波权重，使得新增的采样点在滤波器中获取滤波权重，进而使得冗余度较低、易发生丢失的局部信号保真度提高，提升去噪精度；使用调整后的滤波器对参考信号进行去噪处理。
[0072]
具体的，利用自适应采样点个数与更新滤波权重将参考信号经过滤波器后输出为次级噪声信号，与耳机信号进行抵消，得到误差信号反馈回anc控制器，调整次级噪声信号重新循环直至误差消失，完成anc去噪过程，获取去噪后的骨传感耳机音频信号。
[0073]
至此，完成对骨传导耳机音频的增强去噪。
[0074]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种骨传导耳机音频智能去噪增强方法，其特征在于，该方法包括以下步骤：获取参考信号；对参考信号进行分解获取若干信号分量，利用参考信号及信号分量的波谷点进行分割，获取若干单峰信号及单分量信号；根据每一单峰信号与不同单分量信号峰值点的时序值的差异及时宽差异获取每一单峰信号的分解信号集合；将单峰信号视为第零级分量；在单峰信号的分解信号集合中的第一个信号分量中，将时宽上包含第零级分量的单分量信号记为第一级分量，根据第零级分量和第一级分量获得第一个分解复杂程度；在分解信号集合中的第二个信号分量中，将时宽上包含第一级分量的单分量信号记为第二级分量，根据第一级分量和第二级分量获得第二个分解复杂程度，依次类推，获得所有分解复杂程度；对获取的所有分解复杂程度进行累乘处理，得到每一单峰信号的成分复杂度；根据每一单峰信号的成分复杂度获取每一单峰信号的自适应采样点个数，根据每一自适应采样点与上一自适应采样点的采样间隔变化、每一自适应采样点上一自适应采样点的调整步长因子获取每一自适应采样点的调整步长因子，根据调整步长因子获取每一自适应采样点处的更新滤波权重；根据自适应采样点个数与更新滤波权重利用anc算法对参考信号进行去噪处理。2.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述根据每一单峰信号与不同单分量信号峰值点的时序值的差异及时宽差异获取每一单峰信号的分解信号集合，包括的具体步骤如下：记参考信号的任意一单峰信号为关注单峰信号，根据每一单分量信号与关注单峰信号的峰值时序值差异与时序宽度差异获取每一单分量信号的差异程度，获取差异程度最小值对应的单分量信号所在的信号分量，记为关注单峰信号的起始信号分量；将信号分量按照获取的先后顺序从小到大进行编号，将编号大于等于起始信号分量编号的所有信号分量记为关注单峰信号的信号分量集合；将关注单峰信号与关注单峰信号的信号分量集合共同构成一个新集合，记为关注单峰信号的分解信号集合。3.根据权利要求2所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述根据每一单分量信号与关注单峰信号的峰值时序值差异与时序宽度差异获取每一单分量信号的差异程度，包括的具体步骤如下：记参考信号的任意一单峰信号为关注单峰信号，获取每一单分量信号与关注单峰信号峰值点时序值的差值绝对值，记为每一单分量信号的时序差异，获取每一单分量信号与关注单峰信号在时序上宽度的差值绝对值，记为每一单分量信号的宽度差异，对每一单分量信号的时序差异的平方与宽度差异的平方进行求和，记为每一单分量信号的差异程度。4.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述根据第零级分量和第一级分量获得第一个分解复杂程度，包括的具体步骤如下：获取属于第一级分量时宽范围内、且在第零级分量所在信号分量上的所有单分量信号的峰值幅值总个数；获取峰值幅值类型个数，获取所有峰值幅值类型中每类峰值幅值的个数记为，其中，根据与的比值得到第零级分量和第一级分量获得的第一个分解复杂程度。
5.根据权利要求4所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述根据与的比值得到第零级分量和第一级分量获得的第一个分解复杂程度，包括的具体步骤如下：其中，表示第零级分量和第一级分量获得的第一个分解复杂程度。6.根据权利要求4所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述第零级分量所在信号分量是指单峰信号所在的参考信号。7.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述对获取的所有分解复杂程度进行累乘处理，得到每一单峰信号的成分复杂度，包括的具体步骤如下：其中，表示第个单峰信号的成分复杂度，表示第个单峰信号的第个分解复杂程度，表示第个单峰信号的分解复杂程度的个数。8.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述根据每一单峰信号的成分复杂度获取每一单峰信号的自适应采样点个数，包括的具体步骤如下：其中，表示第个单峰信号的自适应采样点个数，表示第个单峰信号的成分复杂度，表示第个单峰信号的原始采样点个数，表示进行向下取整操作。9.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述根据每一自适应采样点与上一自适应采样点的采样间隔变化、每一自适应采样点上一自适应采样点的调整步长因子获取每一自适应采样点的调整步长因子，包括的具体步骤如下：其中，表示第个自适应采样点的调整步长因子，表示第个自适应采样点至第个自适应采样点的调整步长因子，表示参考信号的固定步长因子，表示参考信号上第个自适应采样点所在时刻，、分别表示参考信号第、个自适应采样点所在时刻，表示第个自适应采样点与第个自适应采样点的采样间隔，表示第个自适应采样点与第个自适应采样点的采样间隔。10.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述获取参考信号，包括使用声学传感器获取环境噪声信号，记为参考信号。11.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述对参考信号进行分解获取若干信号分量，包括对参考信号进行emd分解，获取若干个信号分量。
12.根据权利要求1所述一种骨传导耳机音频智能去噪增强方法，其特征在于，所述利用参考信号及信号分量的波谷点进行分割，获取若干单峰信号及单分量信号，包括的具体步骤如下：使用sg滤波算法对参考信号进行去噪平滑处理；获取去噪后的参考信号的所有波谷点，对参考信号按照波谷点进行分割，获取若干个单峰信号；获取每一信号分量的所有波谷点，对每一信号分量按照波谷点进行分割，获取得到若干个单分量信号。

技术总结
本发明涉及音频处理处理领域，具体涉及一种骨传导耳机音频智能去噪增强方法，包括：获取参考信号；对参考信号进行分解，获取若干信号分量及若干单峰信号及单分量信号，进而获取每一单峰信号的分解信号集合，根据分解信号集合获取每一单峰信号的所有级分量，获取所有级分量中相邻两级分量的分解复杂程度，对分解复杂程度进行累乘处理，获取每一单峰信号的成分复杂度；根据成分复杂度获取自适应采样点个数，得到调整步长因子，获取每一自适应采样点处的更新滤波权重；利用ANC算法对参考信号进行去噪处理。本发明旨在解决使用ANC算法对骨传导耳机音频去噪时，音频信号在传输通道中的循环损失进而导致去噪效果较差的问题。循环损失进而导致去噪效果较差的问题。循环损失进而导致去噪效果较差的问题。


技术研发人员：文和军 魏小玲 刘柱辉 罗娟
受保护的技术使用者：深圳市匠心原创科技有限公司
技术研发日：2023.06.01
技术公布日：2023/7/12