申请/专利权人：西北大学

申请日：2023-12-01

公开（公告）日：2024-03-22

公开（公告）号：CN117746843A

主分类号：G10L15/16

分类号：G10L15/16;G10L15/02;G10L15/06;G10L15/20;G10L25/03;G10L25/30;G06N3/045;G06N3/0464;G06N3/044;G06N3/08;H04R1/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本申请涉及一种无声语音识别方法及智能耳机系统，方法包括获取经人体耳道反射的声波数据；声波数据携带无声语音信息；对声波数据进行耳机自干扰消除，得到自干扰消除后的声波数据；提取干扰消除后的声波数据中的有效数据；基于有效数据提取传递函数特征和连续小波变换特征；将传递函数特征和连续小波变换特征输入到无声语音识别模型中，得到无声语音识别结果。本申请无需额外的设备，利用低廉的具有麦克风的耳机就可以实现用户无声语音识别，降低无声语音识别的成本；通过提取人体耳道结构的关键特征多路径轮廓和形变特征，利用双通道分层神经网络实现用户无声语音识别，提高系统的健壮性。

主权项：1.一种无声语音识别方法，其特征在于，包括：获取经人体耳道反射的声波数据；所述声波数据携带无声语音信息；对所述声波数据进行耳机自干扰消除，得到自干扰消除后的声波数据；提取所述干扰消除后的声波数据中的有效数据；基于所述有效数据提取传递函数特征和连续小波变换特征；将所述传递函数特征和所述连续小波变换特征输入到无声语音识别模型中，得到无声语音识别结果；所述无声语音识别模型包括递归神经网络、卷积神经网络、融合层和softmax层；所述递归神经网络用于对所述传递函数特征进行特征提取，得到第一特征；所述卷积神经网络用于对所述连续小波变换特征进行特征提取，得到第二特征；所述融合层用于将所述第一特征和所述第二特征进行融合，得到融合特征；所述softmax层用于基于所述融合特征，输出无声语音识别结果。

全文数据：

权利要求：

百度查询： 西北大学 无声语音识别方法及智能耳机系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD