買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江諾爾康神經電子科技股份有限公司申請的專利一種低算力的人工耳蝸自動聲音場景分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115223589B 。

龍圖騰網通過國家知識產權局官網在2025-08-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210664991.8，技術領域涉及：G10L25/51；該發明授權一種低算力的人工耳蝸自動聲音場景分類方法是由項麗陽;陳洪斌;托馬斯·盧;楊典;韓彥;黃穗;孫曉安設計研發完成，并于2022-06-13向國家知識產權局提交的專利申請。

本一種低算力的人工耳蝸自動聲音場景分類方法在說明書摘要公布了：本發明公開了一種低算力的人工耳蝸自動聲音場景分類方法，包括模擬仿真和DSP實現，模擬仿真包括數據庫構建、樣本MFCC特征向量提取、特征值歸一化、模型訓練、模型預測及結果輸出；DSP實現包括DSP的場景預測實現、模型的預測與推導和綜合決策并輸出。本發明特征提取方便，運算量低，易于實現在人工耳蝸等低算力計算設備，且效果較好。

本發明授權一種低算力的人工耳蝸自動聲音場景分類方法在權利要求書中公布了：1.一種低算力的人工耳蝸自動聲音場景分類方法，其特征在于，包括以下步驟： S10，模擬仿真； S20，DSP實現； 其中，S10包括以下步驟： S101，數據庫構建，將網絡下載、實地采集和后期合成的音頻均處理為單聲道16kHz采樣率的.wav格式，每個樣本裁切成1s的時長，將數據庫中的樣本至少分類為語音、噪音、帶噪語音和音樂，將每個類別中80％作為訓練集、20％作為測試集； S102，樣本MFCC特征向量提取； S103，特征值歸一化，將訓練集所有樣本的MFCC特征向量進行歸一化處理，得到歸一化的樣本特征集，用于模型訓練，同時，保存歸一化的尺度，用于測試集樣本特征向量的歸一化； S104，模型訓練，所用的模型為雙隱含層的全連接神經網絡，選取訓練集中的20％作為驗證集，用以模型調參以及評估模型訓練過程中是否發生過擬合需要提前停止訓練，保留在驗證集上預測準確度最高的模型作為優選模型，用于后面在測試集上的預測性能評估； S105，在測試集上使用優選模型進行預測，統計預測結果，作為對該模型預測性能的評估； S106，對模型的性能評估通過10次五折交叉驗證； S20包括以下步驟： S201，DSP的場景預測實現，采樣頻率為16kHz，幀長16ms，幀移16ms，梅爾濾波器個數設置為10個，每1s統計各梅爾濾波器輸出的均值和方差作為模型的輸入特征向量，輸出一次場景識別結果； S202，模型的預測與推導，包括隱含層1的輸出：out1＝reluinput*W1+B1； 隱含層2的輸出：out2＝reluout1*W2+B2； 輸出層：out3＝softmaxout2*W3+B3； 分類判定：class＝argmaxout3； 其中，*代表對應元素相乘；W1，W2，W3表示各層權重；B1，B2，B3表示各層偏置；out1，out2，out3分別表示各層經激活函數作用后的輸出；class為模型判定的場景分類結果；relu為線性整流函數；softmax為歸一化指數函數； S203，綜合決策并輸出，平滑模型的場景分類預測結果； 所述S203具體包括以下步驟： S2031，設置一個1*4的積分矩陣，初始化為0，分別代表每個場景分類，即語音、噪音、帶噪語音和音樂的累積積分； S2032，假定模型判別結果為噪音，則將噪音類的積分加1，若當前模型預測分類結果跟前一個模型預測結果不同，其余類別的積分減去1；若當前模型預測分類結果跟前一個模型預測結果相同，則其余類別的積分減去2；若某個分類積分超過15，則設置該類積分等于15；若某個分類積分小于0，則設置該類積分為0； S2033，若積分矩陣中某個分類對應的積分值達到10，則綜合決策后的輸出結果即為該類； S2034，為避免出現場景預測不穩定導致累積積分值達不到設定的閾值而超過15s不出場景結果的情況，在開啟后的15s后，若達不到場景判定的累積閾值，則使用最近10s中最頻繁出現的場景作為結果輸出。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江諾爾康神經電子科技股份有限公司，其通訊地址為：311100 浙江省杭州市余杭區倉前街道龍潭路17號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。