一种基于深度学习的可降噪助听器硬件设计

李贵容 张凤 周建梅

摘 要：传统电子助听器只单纯的从外界采集声音并放大，这会造成外界的噪音与人说话的语音同时被放大，可能会对听损者听力造成二次伤害。基于此，本文设计了一种基于深度学习的可降噪助听器，主要通过可深度学习的神经网络本设计基于树莓派单片机平台，通过阵列麦克风接收并判断外界的声音，采用寬带MVDR后置维纳滤波算法进行初步的降噪，之后利用深度学习的对抗神经网络对输入的声信号分离出语音信号和噪音信号，并对其进行有效的降噪处理，实现了在复杂噪音环境下的降噪处理功能，在此性能上可达到人与人之间正常交流的声音分贝要求，最终实现在不影响正常助听功能的同时保护佩戴者的听力。

关键词：深度学习;树莓派单片机;数字助听器;神经网络;麦克风阵列;宽带MVDR后置维纳滤波算法

1 作品介绍

1.1 设计背景

自二十世纪初，电子助听器被启用以来，电子助听器一直帮助着听障者恢复听力。作为一种小型的扩音器，简单的把原本声音扩大，再利用听障者残余的听力，使声音能传送大脑中枢而感觉到声音。但这无疑会导致噪声与语音同时被放大，并不能很好的帮助听障者交流。非平稳或多噪声情形下的语音增强是助听器等设备的研究重点，双耳助听是近年来复杂环境下研究的重要方向之一，其可有效减缓正常耳朵听力受损，为患者在复杂环境下提供更好的助听体验。

1.2 创作目的

利用噪声信号包络的噪声抑制技术能明显的抑制噪声，然而该算法仍有一些不足：（1）预处理算法经常将一些不可预见的声学失真引入信号中;

（2）一些算法（例如，子空间算法）在计算量上需求较大并且难以跟现有的助听器降噪策略进行融合;（3）不能针对所有的用户使用情况进行调节，在某些噪声环境中可能无法满足助听器使用者的降噪需要。

针对这样的现状，提出使用深度学习的方法，改善助听器在噪声环境下的助听效果。通过深度学习算法不仅能够有效的降低环境中噪音，使在多数场景下能够改善使用效率和舒适度，通过算法技术也能够降低硬件的成本。

2 总体设计

可降噪助听器主要由三个模块构成：基于麦克风矩阵的声音接收模块、基于深度学习的信号处理算法模块、授话器（扬声器）模块。通过麦克风阵列得到声音信号并转化为电信号，首先通过麦克风阵列算法增强语音，然后通过深度学习模块分离出其中的语音与噪声信号。对噪声信号做降噪处理，最后将处理后的信号放大输出。通过授话器传给听损者。软件部分的设计主要包括麦克风阵列部分的算法，以及神经网络部分的算法。深度学习的神经网络算法主要包括两个部分，对语音与噪音进行分别。以及将分别出的降噪进行降噪处理。麦克风阵列也通过算法对语音与噪音分离起到了增强的作用。

3 硬件设计

参考典型的数字助听器结构，本文设计了以单片机为核心的麦克风阵列数字助听器，软件部分结合了深度学习。其硬件结构如图1所示。

3.1 麦克风阵列设计

麦克风阵列结构拾取实际环境下声音的复杂度如图2所示，基本上由三种语音源发出的声波在空气中传播，传播过程中没有遇到障碍直接传达到拾音器，语音源发出的声波在传播过程中通过反射面的反射再传达到拾音器及其他无用生源的环境背景杂声。

麦克风阵列的排列结构可以分为三种。一维线性阵列，二维平面阵列，三维立体结构阵列。考虑到设计难度与实际需求采用一维阵列排列。

3.2 基于深度学习处理的算法模块

算法模块主要通过集成的树莓派单片机实现，通过对单片机的编程，实现软件所需的各种算法。树莓派单片机结构如图2所示。

3.3 授话器（扬声器）模块

授话器模块主要采用了普通常见的授话器模块，并没有做过多的改变。

4 结论

基于深度学习的可降噪助听器在解决听损者交流与使用问题上有着重要的意义。通过对噪音的去除提高了听损者的使用感受。本文针对助听器硬件部分给出设计。估计了麦克风阵列的算法有效性。同样对于设备的实用性还需要在多场景下进行不断测试，目前在国内市场有很大的扩展空间。

参考文献

[1]赵力，张昕然，梁瑞宇，等.数字助听器若干关键算法研究现状综述[J].南京：东南大学信息科学与工程学院，2017.

[2]曲奕澎.麦克风阵列数字助听器的硬件设计与实现[D]. 哈尔滨工业大学，2015.