一种基于脑电波EEG的可选择声品质主动控制系统及测试方法

一种基于脑电波eeg的可选择声品质主动控制系统及测试方法
技术领域
1.本发明涉及噪声主动控制技术领域，特别是涉及一种基于脑电波eeg的可选择声品质主动控制系统及测试方法。


背景技术：

2.在汽车声品质评价技术领域，基于脑电信号的汽车声品质评价模型能够更加客观的反应人们对汽车噪声的心理感受。脑电波可分为δ脑电波、θ脑电波、α脑电波和β脑电波，δ脑电波可促进人更安稳的睡，θ脑电波适合人们冥想(比如小睡，闭目养神)，α脑电波有助于人们学习与思考，β脑电波有助于提高注意力与解决问题的能力。不同声音的刺激可引起不同脑电波的变化，通过噪声主动控制系统及脑波音乐的添加可以对汽车噪声进行针对性设计，打造分别适合乘客睡眠、放松创新思考和高效的环境声品质。根据人耳听觉领域，噪声可分为24个bark域，基于24个bark域分解并重构噪声信号，寻找每个bark域对不同脑电波的影响，寻找最优噪声控制频带，实现声品质控制的最优化。
3.有鉴于此，本发明提供了一种基于脑电信号的声品质主动控制系统及测试方法，该系统可以为乘客提供可选择的声品质，通过噪声主动控制系统设计汽车声品质。


技术实现要素：

4.本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于脑电波eeg的可选择声品质主动控制系统及测试方法。
5.为实现本发明的目的所采用的技术方案是：
6.一种基于脑电波eeg的可选择声品质主动控制系统，包括声品质选择控制器、声压传感器、噪声-声品质分类模型、噪声主动控制系统、次级扬声器，其中：
7.所述声压传感器安装于汽车乘客座椅附近，用于接受噪声信号，将噪声信号输送给噪声-声品质分类模型，所述噪声-声品质分类模型输出当前声品质类型；
8.所述声品质选择控制器供乘客输入理想声品质类型，若所述理想声品质类型与所述当前声品质类型相同，则通过噪声，若所述理想声品质类型与所述当前声品质类型不相同，则噪声信号输入噪声主动控制系统，噪声主动控制系统调节次级扬声器产生相应声波来抵消噪声信号，直至所述噪声-声品质分类模型输出的声品质类型与理想声品质类型相同。
9.一种基于脑电波eeg的可选择声品质主动控制方法，包括以下步骤：
10.s1，采集汽车噪声，作为噪声样本；
11.s2，根据噪声样本刺激下的脑电信号，将噪声样本分为n种声品质类型，构建噪声-声品质类型数据库；
12.s3，构建以噪声信号作为输入、声品质类型作为输出的噪声-声品质分类模型；
13.s4，将噪声信号基于24bark域进行小波分解，确定每一bark域对不同脑电波的影
响因子；
14.s5，构建基于felms算法的噪声主动控制系统，选定某一声品质类型，将噪声信号输入噪声-声品质分类模型，若噪声信号符合我们所需声品质要求则通过噪声，若噪声信号不符合我们所需声品质类型，则将噪声输入噪声主动控制系统，按照噪声每一bark域的脑电波影响因子，从大到小依次增加被控频段进行噪声主动控制仿真。
15.在上述技术方案中，所述s2中，包括睡眠、放松、创新思考和高效工作四类声品质。
16.在上述技术方案中，所述s3中，噪声-声品质分类模型基于cnn-lstm模型构建，所述噪声-声品质分类模型包括卷积神经网络、长短时记忆网络、两个全连接以及一个softmax输出单元，所述卷积神经网络cnn以噪声信号为输入，卷积神经网络cnn的输出给所述的长短时记忆网络lstm，长短时记忆网络lstm的输出给所述全连接，第一个全连接进一步提取输入数据的特征，第2个全连接用于缩小输出数据的大小，最后经过softmax输出单元输出声品质。
17.在上述技术方案中，卷积神经网络cnn的卷积层的计算公式为：
18.hi＝σ(wi*xi+bi)
19.其中，w表示卷积核权重系数，x表示输入变量，b表示偏置，σ表示激活函数relu，h表示经运算后的输出数据；
20.卷积神经网络cnn的池化层的计算公式为：
21.hi＝max(h
i-1-1)
22.其中，h
i-1
表示池化前的特征数据，hi表示池化后的特征数据。
23.在上述技术方案中，长短时记忆网络lstm的计算公式为：f
t
＝σ(wf×
[h
t-1
，x
t
])+bf[0024]it
＝σ(wi×
[h
t-1
，x
t
])+bi[0025]cf
＝f
t
×ct-1
+i
t
×
tanh(wc×
[h
t-1
，x
t
]+bc)
[0026]ot
＝σ(wo×
[h
t-1
，x
t
])+bo[0027]
公式中，h
t-1
表示以前的声品质类型的输出，x
t
表示当前噪声信号特征的输入，wf、wi、wc和wo表示权重系数，bf、bi、bc和bo表示偏置，c
t
表示当前时刻的声品质指数，σ表示sigmoid激活函数，tanh为双曲正切激活函数。
[0028]
在上述技术方案中，softmax输出单元的计算公式为：
[0029][0030]
式中：yi为车内噪声样本被分类为第i类的概率；xi和xj为softmax单元的输入，即第2个全连接的n个输出，n值为4。
[0031]
在上述技术方案中，所述s4中，每一bark域对不同脑电波的影响因子的计算公式如下：
[0032]
δ脑电波影响因子为：
[0033][0034]
θ脑电波影响因子为：
[0035][0036]
α脑电波影响因子为：
[0037][0038]
β脑电波影响因子为：
[0039][0040]
式中，psd(δ)代表原始信号刺激下受试者的δ脑电功率谱密度，psd(θ)表示原始信号原始信号刺激下受试者的θ脑电功率谱密度，psd(α)表示原始信号刺激下受试者的脑电功率谱密度，psd(β)表示原始信号刺激下受试者的β脑电功率谱密度，psd(δ-barki)表示剔除第i阶bark域分量后的重构信号的δ脑电功率谱密度，psd(θ-barki)表示剔除第i阶bark域分量后的重构信号的θ脑电功率谱密度，psd(α-barki)表示剔除第i阶bark域分量后的重构信号的α脑电功率谱密度，psd(β-barki)表示剔除第i阶bark域分量后的重构信号的β脑电功率谱密度。
[0041]
在上述技术方案中，所述s5中，噪声主动控制系统中，控制频段的增加是通过调节模型残差滤波器hw(z)的通带来控制自适应滤波器w(z)去改变其权值系数，从而调节次级声源信号f(n)，来对噪声进行选择性抵消，重塑噪声频谱。
[0042]
在上述技术方案中，所述s5中，将重构后的噪声输入噪声-声品质分类模型，若其分类结果与选定的声品质类型中的噪声信号相符，则说明实现了指定声品质类型的控制，若不符合则再次输入噪声主动控制系统进行处理，在控制后的噪声信号中加入相应脑电波节律音乐，优化指定类型的声品质，再将加入脑波音乐的噪声输入分类模型中进行检验，若符合声品质要求则输出噪声。
[0043]
与现有技术相比，本发明的有益效果是：
[0044]
本发明对采集到的噪声根据其相应脑电数据进行分类，然后利用噪声主动控制系统，能够针对乘坐人员不同需求对汽车声品质进行设计，打造分别适合乘客睡眠、放松、创新思考和高效工作的环境声品质。
附图说明
[0045]
图1是本发明的方法流程图。
[0046]
图2是四种脑电波频带及特征。
[0047]
图3是结构流程图。
[0048]
图4是bark域频带划分表。
[0049]
图5是基于felms算法噪声主动控制系统结构图。
具体实施方式
[0050]
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0051]
实施例1
[0052]
一种基于脑电波eeg的可选择声品质主动控制系统，包括声品质选择控制器、声压传感器、噪声-声品质分类模型、噪声主动控制系统、次级扬声器，其中：
[0053]
所述声压传感器安装于汽车乘客座椅附近，用于接受噪声信号，将噪声信号输送给噪声-声品质分类模型，所述噪声-声品质分类模型输出当前声品质类型；
[0054]
所述声品质选择控制器供乘客输入理想声品质类型，若所述理想声品质类型与所述当前声品质类型相同，则通过噪声，若所述理想声品质类型与所述当前声品质类型不相同，则噪声信号输入噪声主动控制系统，噪声主动控制系统调节次级扬声器产生相应声波来抵消噪声信号，直至所述噪声-声品质分类模型输出的声品质类型与理想声品质类型相同。
[0055]
实施例2
[0056]
一种基于脑电波eeg的可选择声品质主动控制方法，包括以下步骤：
[0057]
步骤1，汽车噪声数据采集；
[0058]
首先选取多个品牌及不同类型的汽车，平均车速分别控制在30km/h，50km/h，80km/h和静止但不熄火四种状态，将多个声压传感器布置在汽车各个座椅附近进行时长3min的汽车噪声录制，将所有录音分为8s的样本进行保存，作为噪声样本。
[0059]
步骤2、为打造分别适合睡眠、放松、创新思考和高效工作的四类声品质，四种脑电波特征及频带如图2所示，根据噪声样本刺激下的脑电信号将噪声分为四类，并构建噪声-声品质类型数据库；
[0060]
首先采集各个噪声样本刺激下受试者的脑电数据，选取受试者22名，受试者佩戴emotiv无线脑电波采集仪，在安静的空间播放噪声样本，进而采集受试人员的脑电波数据；根据不同脑电波节律的功率谱密度的变化，将噪声样本分为四类声品质，分别是适合睡眠、休息、创新思考和高效工作的声品质。将噪声样本分类后，将噪声样本和其对应的声品质标记构建噪声-声品质类型数据库。
[0061]
步骤3、构建噪声-声品质分类模型；
[0062]
结构流程图如附图3所示，以噪声信号作为输入，声品质类型作为输出训练声品质分类模型。
[0063]
噪声-声品质分类模型包括卷积神经网络(cnn)、长短时记忆网络(lstm)、两个全连接以及一个softmax输出单元，所述卷积神经网络(cnn)以噪声信号为输入，卷积神经网络(cnn)的输出给所述的长短时记忆网络(lstm)，长短时记忆网络(lstm)的输出给所述全连接，第一个全连接进一步提取输入数据的特征，第2个全连接用于缩小输出数据的大小，最后经过softmax输出单元输出声品质。
[0064]
噪声-声品质分类模型基于cnn-lstm模型构建，cnn-lstm模型有效融合了lstm提取时序特征的优点和提取深层特征的优点，建立了融合特征提取层，并使用全连接和softmax输出单元组合构建了分类器模块。
[0065]
卷积神经网络(cnn)对数据的特征提取主要依赖于卷积层中的卷积核，卷积层通过多个卷积核扫描输入数据，并经过relu激活函数进行非线性映射，提取出数据的空间特征。其计算公式为：
[0066]hi
＝σ(wi*xi+bi)
[0067]
其中，w表示卷积核权重系数，x表示输入变量(噪声信号)，b表示偏置，σ表示激活
函数relu，h表示经运算后的输出数据。
[0068]
池化层主要通过降低数据特征维度来减少计算复杂度，通常选用最大值池化或平均值池化两种方法。本研究采用最大值池化法，池化层的计算公式为。
[0069]hi
＝max(h
i-1-1)
[0070]
其中，h
i-1
表示池化前的特征数据，hi表示池化后的特征数据。
[0071]
长短时记忆网络(lstm)是循环神经网络的一个变种，该网络能有效解决传统模型训练过程中的梯度消失问题，适用于长时间序列的分析和预测，与标准的rnn网络相比，lstm在隐藏层神经节点中增加了一个记忆状态单元来存储过去的信息，并用3种门控结构(输入门、遗忘门、输出门)来控制历史信息的遗忘与新，其计算公式为：
[0072]ft
＝σ(wf×
[h
t-1
，x
t
])+bf[0073]it
＝σ(wi×
[h
t-1
，x
t
])+bi[0074]cf
＝f
t
×ct-1
+i
t
×
tanh(wc×
[h
t-1
，x
t
]+bc)
[0075]ot
＝σ(wo×
[h
t-1
，x
t
])+bo[0076]
公式中，h
t-1
表示以前的声品质类型的输出，x
t
表示当前噪声信号特征的输入，wf、wi、wc和wo表示权重系数，bf、bi、bc和bo表示偏置，c
t
表示当前时刻的声品质指数，σ表示sigmoid激活函数，tanh为双曲正切激活函数。
[0077]
噪声-声品质分类模型的分类器由两个全连接和1个softmax输出单元构成，模型最终输出的是噪声样本所对应的声品质类型。
[0078]
噪声-声品质分类模型的分类器通常使用两个全连接，第1个全连接用于进一步提取输入数据的特征，第2个全连接则用于缩小最终的输出大小，其神经元数量与模型的分类数量相等。
[0079]
softmax函数是一种常用于多分类任务的输出单元，能表示n个不同类别的概率分布，其计算公式为：
[0080][0081]
式中：yi为车内噪声样本被分类为第i类的概率；xi和xj为softmax单元的输入，即第2个全连接的n个输出。由于上文将车内噪声分为4个状态，所以n值为4。
[0082]
步骤4、确定每一bark域对不同脑电波的影响因子；
[0083]
将噪声信号基于24bark域进行小波分解，bark域频带划分表如图附4所示，确定每一bark域对不同脑电波的影响因子，计算公式如下：
[0084]
δ脑电波影响因子为：
[0085][0086]
θ脑电波影响因子为：
[0087][0088]
α脑电波影响因子为：
[0089][0090]
β脑电波影响因子为：
[0091][0092]
式中，psd(δ)代表原始信号刺激下受试者的δ脑电功率谱密度，psd(θ)表示原始信号原始信号刺激下受试者的θ脑电功率谱密度，psd(α)表示原始信号刺激下受试者的脑电功率谱密度，psd(β)表示原始信号刺激下受试者的β脑电功率谱密度。psd(δ-barki)表示剔除第i阶bark域分量后的重构信号的δ脑电功率谱密度。psd(θ-barki)表示剔除第i阶bark域分量后的重构信号的θ脑电功率谱密度。psd(α-barki)表示剔除第i阶bark域分量后的重构信号的α脑电功率谱密度。psd(β-barki)表示剔除第i阶bark域分量后的重构信号的μ脑电功率谱密度。
[0093]
步骤5、构建基于felms算法的噪声主动控制系统模块，基于felms算法噪声主动控制系统结构图如附图5所示，实现对指定类型的声品质进行设计；
[0094]
通过声品质选择控制器选定某一声品质类型，将噪声样本输入声品质分类模型，若噪声符合我们所需声品质要求则通过噪声，若噪声不符合我们所需声品质类型，则将噪声输入噪声主动控制系统。
[0095]
搭建基于felms算法的噪声主动控制模型，按照噪声每一bark域的脑电波影响因子，从大到小依次增加被控频段进行噪声主动控制仿真，将每组仿真后的噪声样本利用所述的噪声-声品质分类模型进行预测，若增加到某个控制频段，预测的声品质符合选定的声品质类型，则停止继续增加。
[0096]
控制频段的增加是通过调节模型残差滤波器hw(z)的通带来控制自适应滤波器w(z)去改变其权值系数，从而调节次级声源信号f(n)，来对噪声进行选择性抵消，重塑噪声频谱。将重构后的噪声输入噪声-声品质分类模型，若其分类结果与选定的声品质类型中的噪声信号相符，则说明实现了指定声品质类型的控制，若不符合则再次输入噪声主动控制系统进行处理，在控制后的噪声信号中加入相应脑电波节律音乐，优化指定类型的声品质，再将加入脑波音乐的噪声输入分类模型中进行检验，若符合声品质要求则输出噪声。
[0097]
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于脑电波eeg的可选择声品质主动控制系统，其特征在于，包括声品质选择控制器、声压传感器、噪声-声品质分类模型、噪声主动控制系统、次级扬声器，其中：所述声压传感器安装于汽车乘客座椅附近，用于接受噪声信号，将噪声信号输送给噪声-声品质分类模型，所述噪声-声品质分类模型输出当前声品质类型；所述声品质选择控制器供乘客输入理想声品质类型，若所述理想声品质类型与所述当前声品质类型相同，则通过噪声，若所述理想声品质类型与所述当前声品质类型不相同，则噪声信号输入噪声主动控制系统，噪声主动控制系统调节次级扬声器产生相应声波来抵消噪声信号，直至所述噪声-声品质分类模型输出的声品质类型与理想声品质类型相同。2.一种基于脑电波eeg的可选择声品质主动控制方法，其特征在于，包括以下步骤：s1，采集汽车噪声，作为噪声样本；s2，根据噪声样本刺激下的脑电信号，将噪声样本分为n种声品质类型，构建噪声-声品质类型数据库；s3，构建以噪声信号作为输入、声品质类型作为输出的噪声-声品质分类模型；s4，将噪声信号基于24bark域进行小波分解，确定每一bark域对不同脑电波的影响因子；s5，构建基于felms算法的噪声主动控制系统，选定某一声品质类型，将噪声信号输入噪声-声品质分类模型，若噪声信号符合我们所需声品质要求则通过噪声，若噪声信号不符合我们所需声品质类型，则将噪声输入噪声主动控制系统，按照噪声每一bark域的脑电波影响因子，从大到小依次增加被控频段进行噪声主动控制仿真。3.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，所述s2中，包括睡眠、放松、创新思考和高效工作四类声品质。4.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，所述s3中，噪声-声品质分类模型基于cnn-lstm模型构建，所述噪声-声品质分类模型包括卷积神经网络、长短时记忆网络、两个全连接以及一个softmax输出单元，所述卷积神经网络cnn以噪声信号为输入，卷积神经网络cnn的输出给所述的长短时记忆网络lstm，长短时记忆网络lstm的输出给所述全连接，第一个全连接进一步提取输入数据的特征，第2个全连接用于缩小输出数据的大小，最后经过softmax输出单元输出声品质。5.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，卷积神经网络cnn的卷积层的计算公式为：h
i
＝σ(w
i
*x
i
+b
i
)其中，w表示卷积核权重系数，x表示输入变量，b表示偏置，σ表示激活函数relu，h表示经运算后的输出数据；卷积神经网络cnn的池化层的计算公式为：h
i
＝max(h
i-1-1)其中，h
i-1
表示池化前的特征数据，h
i
表示池化后的特征数据。6.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，长短时记忆网络lstm的计算公式为：f
t
＝σ(w
f
×
[h
t-1
，x
t
])+b
f
i
t
＝σ(w
i
×
[h
t-1
，x
t
])+b
i
c
f
＝f
t
×
c
t-1
+i
t
×
tanh(w
c
×
[h
t-1
，x
t
]+b
c
)
o
t
＝σ(w
o
×
[h
t-1
，x
t
])+b
o
公式中，h
t-1
表示以前的声品质类型的输出，x
t
表示当前噪声信号特征的输入，w
f
、w
i
、w
c
和w
o
表示权重系数，b
f
、b
i
、b
c
和b
o
表示偏置，c
t
表示当前时刻的声品质指数，σ表示sigmoid激活函数，tanh为双曲正切激活函数。7.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，softmax输出单元的计算公式为：式中：y
i
为车内噪声样本被分类为第i类的概率；x
i
和x
j
为softmax单元的输入，即第2个全连接的n个输出，n值为4。8.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，所述s4中，每一bark域对不同脑电波的影响因子的计算公式如下：δ脑电波影响因子为：θ脑电波影响因子为：α脑电波影响因子为：β脑电波影响因子为：式中，psd(δ)代表原始信号刺激下受试者的δ脑电功率谱密度，psd(θ)表示原始信号原始信号刺激下受试者的θ脑电功率谱密度，psd(α)表示原始信号刺激下受试者的脑电功率谱密度，psd(β)表示原始信号刺激下受试者的β脑电功率谱密度，psd(δ-bark
i
)表示剔除第i阶bark域分量后的重构信号的δ脑电功率谱密度，psd(θ-bark
i
)表示剔除第i阶bark域分量后的重构信号的θ脑电功率谱密度，psd(α-bark
i
)表示剔除第i阶bark域分量后的重构信号的α脑电功率谱密度，psd(β-bark
i
)表示剔除第i阶bark域分量后的重构信号的μ脑电功率谱密度。9.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，所述s5中，噪声主动控制系统中，控制频段的增加是通过调节模型残差滤波器hw(z)的通带来控制自适应滤波器w(z)去改变其权值系数，从而调节次级声源信号f(n)，来对噪声进行选择性抵消，重塑噪声频谱。10.如权利要求2所述的基于脑电波eeg的可选择声品质主动控制方法，其特征在于，所述s5中，将重构后的噪声输入噪声-声品质分类模型，若其分类结果与选定的声品质类型中的噪声信号相符，则说明实现了指定声品质类型的控制，若不符合则再次输入噪声主动控制系统进行处理，在控制后的噪声信号中加入相应脑电波节律音乐，优化指定类型的声品
质，再将加入脑波音乐的噪声输入分类模型中进行检验，若符合声品质要求则输出噪声。

技术总结
本发明公开一种基于脑电波EEG的可选择声品质主动控制系统及测试方法，融合卷积神经网络和长短时记忆网络建立基于CNN-LSTM的分类模型，利用脑电波EEG构造适合睡眠、放松、创新思考和高效工作的四类声品质数据库，结合噪声主动控制算法，形成车内可选择声品质的主动控制系统。本发明对采集到的噪声根据其相应脑电数据进行分类，然后利用噪声主动控制系统，能够针对乘坐人员不同需求对汽车声品质进行设计。计。计。


技术研发人员：赵海军 李娜 翟乃斌 李兆文
受保护的技术使用者：天津职业技术师范大学（中国职业培训指导教师进修中心）
技术研发日：2023.03.28
技术公布日：2023/8/14