何朝霞，潘 平

（貴州大學(xué) 計算機科學(xué)與信息學(xué)院，貴州 貴陽 550025）

聲音的感受細(xì)胞在內(nèi)耳的耳蝸部分，而基底膜是耳蝸接收聲音最重要的組織。聲波在外耳腔引起空氣振動，從而引起行波沿基底膜的傳播[1]?；啄?nèi)有許多平行走向的膠原樣纖維，稱為聽弦。聽弦長短不同，靠近蝸底較窄，靠近蝸頂較寬?；啄ぜs有24 000條聽弦，能夠?qū)Σ煌l率的聲音產(chǎn)生共鳴，分別反映不同頻率的聲音[2]。不同頻率的聲音產(chǎn)生不同的行波，其峰值出現(xiàn)在基底膜的不同位置上，研究發(fā)現(xiàn)，不同的聲音頻率沿著基底膜的分布是對數(shù)型的[3]。

早在1992年，PATTERSON R就提出了耳蝸模型，該模型是基于一系列帶通濾波器——Gammatone濾波器組[4]實現(xiàn)的，該濾波器組能夠很好地模擬基底膜的分頻特性。本文提出了一種基于Gammatone濾波器組的特征提取方法，該方法能夠很好地提取說話人語音信號的特征，并且具有很高的識別率。

1 Gammatone濾波器

Gammatone濾波器的時域表達形式[5]為：

其中，a為濾波器增益，f為中心頻率，φ為相位，n為濾波器階數(shù)。各種研究表明，n=4時，Gammatone濾波器就有很好的模擬特性。ERB（f）為Gammatone濾波器的等效矩形帶寬[6]，它與中心頻率 f的關(guān)系[7]為：

式（2）還可以寫成如下形式：

其中，EarQ=9.264 49，min BW=24.7，order=1。

由于在實際應(yīng)用中，增益a和初始相位φ不會影響濾波器的性能，因此可以忽略，所以只要確定Gammatone濾波器的中心頻率，其性能也就確定了。中心頻率f的計算公式[8]為：

其中，fH為濾波器的截止頻率，v為濾波器的重疊因子。

Gammatone濾波器的時域表達式為沖擊響應(yīng)函數(shù)，將其進行傅里葉變換就可以得到其頻率響應(yīng)特性。不同中心頻率的Gammatone濾波器的幅頻響應(yīng)曲線如圖1所示。

取n=4，將式（1）進行拉普拉斯變換得到：

其中，b=2πERB（f），ω=2πf。

將 G（s）轉(zhuǎn)換為 z變換 G（z），再反變換得到：

將語音信號與g（n）卷積就可以得到濾波器的輸出。

2 特征提取過程

從上述Gammatone濾波器的介紹，仿照MFCC參數(shù)提取過程，考慮將Gammatone濾波器組運用到說話人識別中參數(shù)的提取過程，這樣就更加符合人耳的聽覺特性。該提取過程如圖2所示，具體步驟如下。

圖2 基于Gammatone濾波器組的參數(shù)提取流程

（1）為了提升高頻部分，使信號的頻譜變得平坦，將語音信號經(jīng)過預(yù)加重數(shù)字濾波器H（z）=1-0.937 5z-1。

（2）將預(yù)加重后的信號進行分幀，幀長256點，幀移100點，加漢明窗；再經(jīng)過離散傅里葉變換（DFT）得到頻譜特性，求出頻譜平方，即能量譜。

（3）設(shè)計 Gammatone濾波器組。Gammatone濾波器組的中心頻率在50 Hz～3 000 Hz之間。這里采用的是4階Gammatone濾波器，其通道數(shù)N和帶寬可以調(diào)節(jié)，根據(jù)式（3），取0

（4）經(jīng)過Gammatone濾波器組后得到相應(yīng)頻帶的能量，再進行對數(shù)運算和反離散余弦IDCT變換，就可以得到靜態(tài)特征參數(shù)了。

3 仿真實驗

仿真實驗的語料庫來源于貴州省公安廳提供的語料及學(xué)校部分學(xué)生隨機利用MP4所得的錄音，語料時間各不相同。采用高斯混合模型（GMM）進行與文本相關(guān)的說話人確認(rèn)實驗。

圖4為 48通道 Gammatone濾波器組（order=1時）的幅頻曲線。

圖5為某一說話人語音的波形及其經(jīng)過特征提取系統(tǒng)（系統(tǒng)中Gammatone濾波器組為48通道）所得到的GFCC系數(shù)輸出曲線。

從圖 5（b）可以可以看出，該系數(shù)含有豐富的內(nèi)容，對識別率的提高有很大的幫助。下面將該特征運用到GMM識別系統(tǒng)中，具體結(jié)果如下。

首先是不同時間長度的語音信號，時間長度分別為5 s、20 s、50 s，將其在 64 通道 Gammatone 濾波器組所得到的靜態(tài)特征參數(shù)（簡稱GFCC）與 MFCC（Mel濾波器組維數(shù)為24）靜態(tài)參數(shù)在識別系統(tǒng)中進行了識別率的對比，其結(jié)果如圖6所示。

從圖6可以看出，64通道的GFCC靜態(tài)特征參數(shù)比MFCC靜態(tài)特征具有更好的識別率。

同時，將不同order值、不同濾波器組通道數(shù)所得的GFCC參數(shù)在識別系統(tǒng)中進行了識別率比較，如圖7所示。其中，order值分別為 0.1、0.5、1，濾波器組通道數(shù)分別為48、64、128。從圖 7可以看出，濾波器組通道數(shù)越高，識別率越高；order值越小，識別率越高。

本文介紹了基于人耳聽覺特性的Gammatone濾波器組的特征提取方法，并通過實驗驗證了該特征在濾波器通道數(shù)較多或ERB（f）較小時具有較高的識別率。但是同時也得出只有在濾波器組通道數(shù)較高時才有較高的識別率，增加了數(shù)據(jù)的復(fù)雜度。在以后的研究中需要考慮通過降低濾波器組的通道數(shù)提高識別率的方法。

[1]JOHANNESMA P I M.The pre-response stimulus ensemble of neurons in the cochlear nucleus[C].Proceedings of the Symposium on Hearing Theory， 1972：58-69.

[2]COOKE M P.Modeling auditory proeessing and organization[M].Cambridge，U.K： Cambridge University Press，1993.

[3]韓紀(jì)慶，張磊，鄭浩然.語音信號處理[M].北京：清華大學(xué)出版社，2008.

[4]SLANEY M.An efficient implementation of the pattersonholdswort auditory filter bank.Apple ComPuter Teehnieal RePort#35 Pereeption GrouP-Advaneed Technology GrouP[R].ComPuter， Inc：Apple， 1993.

[5]Shao Yang，Wang Deliang.Robust speaker identification using auditory features and computational auditory scene analysis[C].IEEE International Conference on Acoustics，Speech， and Signal Processing，2008，5：1589.

[6]SRINIVASAN S， Wang Deliang.Transforming Binary uncertainties for robust speech recognition [C].IEEE Transactions on Audio， Speech and Language Processing，2007，15（7）：2130-2140.

[7]Wang Deliang，BROWN G J.Computational auditory scene analysis： principles， algorithms， and applications[M].Hoboken， NJ： Wiley-IEEE Press， 2006.

[8]王男，錢志鴻，王雪，等.基于伽馬通濾波器組的聽覺特征提取算法研究[J].電子學(xué)報，2010，38（3）.