1.一种面向免验配助听器的语音质量自评估方法,其特征在于,包括以下步骤:S1:构建并训练语音质量自评估网络:构建一个由卷积神经网络、循环神经网络和线性映射模型依次连接构成的混合网络作为语音质量自评估网络,利用主观测试数据进行训练,直至训练完成;所述主观测试数据为ITU‑T规范的P系列语音数据库或听障患者验听后的汉语普通话言语测听材料;
S2:待测语音输入至卷积神经网络:将待测语音输入语音质量自评估网络中的卷积神经网络,通过卷积神经网络提取并输出待测语音的帧级特征;
S3:待测语音的帧级特征输入至循环神经网络:将卷积神经网络输出的待测语音的帧级特征输入至循环神经网络,得到并输出待测语音的段级特征;
S4:待测语音的段级特征输入至线性映射模型和Softmax分类器:将循环神经网络输出的待测语音的段级特征分别输入至Softmax分类器和线性映射模型,对分类器的输出进行判决确定语音的失真类型,并结合线性映射模型的输出得到客观评分;
所述步骤S4具体过程为:
S41:将段级特征u通过Softmax分类器,得到输出矢量o;所述输出矢量o=(o1,o2,...,o6)为6种语音失真类型的预测概率分布;所述6种语音失真类型为根据P.563得到的分类类型,具体为:强背景噪声、信号静音与间断、乘性噪声、话音机械化、不自然的男声和不自然的女声;
S42、对输出矢量o进行判决,得到失真类型r,计算公式为:其中,i∈{1,2,3,4,5,6},代表6种语音失真类型;
S43、将段级特征矢量u、Softmax分类器输出的失真类型r和听障患者的11维听力图信息输入至线性映射模型,得到中间评分结果s;所述线性映射模型包括一个节点数为6的线性Dense层,用于对段级特征矢量u的各分量和听损信息进行线性组合,每种失真类型对应
32×6
一组不同的线性系数,所述系数为Dense层的权重Wcoeff∈R ,Wcoeff的第i(i∈{1,2,3,4,
5,6})列即第i种失真类型的线性系数;线性Dense层输出中间评分结果s;
S44、结合失真类型r和中间评分结果s得到最终的客观评分MOSo=sr;其中,sr是中间评分结果s的第r个分量。
2.根据权利要求1所述的一种面向免验配助听器的语音质量自评估方法,其特征在于,所述步骤S1中利用主观测试数据进行训练,直至训练完成的具体过程为:所述主观测试数据为语音时域数据,语音质量自评估网络输出主观MOS评分,训练过程中计算语音质量自评估网络的损失函数,直至语音质量自评估网络的损失函数小于阈值,语音质量自评估网络训练完成;所述语音质量自评估网络的损失函数为:其中,B表示批大小,MOSo,i表示神经网络的客观MOS评分,MOSs,i表示主观MOS评分。
3.根据权利要求1所述的一种面向免验配助听器的语音质量自评估方法,其特征在于,所述语音质量自评估网络中,卷积神经网络包括依次连接的语音输入层、第一Reshape层、二维卷积层、池化层、第二Reshape层和帧级特征输出层;所述循环神经网络为结合注意力机制的基于LSTM的循环神经网络,循环神经网络包括依次连接的帧级特征输入层、行注意力‑LSTM层、Dense‑ReLU层和段级特征输出层。
4.根据权利要求3所述的一种面向免验配助听器的语音质量自评估方法,其特征在于,所述步骤S2具体过程为:
T×N
S21、待测语音进行分帧处理:对待测语音信号进行分帧,得到语音数据矩阵S∈R ,其中R表示实数集,T表示帧数,N表示帧长;
S21、提取待测语音的帧级特征:将语音数据矩阵S输入至卷积神经网络中的语音输入T×N×1
层,语音数据矩阵S经过语音输入层和第一Reshape层转为三维矩阵S′∈R ,再输入至二维卷积层、池化层和第二Reshape层,最终输出待测语音的帧级特征,所述帧级特征为二维T×M
矩阵F∈R ,其中M表示帧级特征维度;帧级特征F通过帧级特征输出层输出,并作为整个卷积神经网络的输出。
5.根据权利要求4所述的一种面向免验配助听器的语音质量自评估方法,其特征在于,所述步骤S3具体过程为:
S31、将卷积神经网络输出的帧级特征F输入至循环神经网络中,先经过帧级特征输入层并输出;
S32、帧级特征输入层输出的帧级特征F在每个行注意力‑LSTM层中计算当前时间步t的输出:在时间步t,假设前t个时间步的隐藏输出为H=[h1,h2,...,ht],其中hi(i=1,2,...,t)为第i时间步的隐藏输出列向量,ht对于hi的权重定义为:其中,score(ht,hi)按照乘性注意力定义为:其中,W为权重矩阵,上标T表示矩阵转置;对各时间步的隐藏输出进行加权求和得到当前时间步t的输出为:
S33、所有行注意力‑LSTM层的输出结果输入至Dense‑ReLU层计算段级特征:所有行注意力‑LSTM层的输出结果输入至Dense‑ReLU层中,Dense‑ReLU层在最后一个时间步的输出K K
为u∈R ,其中u∈R是一个信息高度压缩的矢量,K表示Dense‑ReLU层的节点,将矢量u作为描述整段语音特性的段级特征。
6.根据权利要求1所述的一种面向免验配助听器的语音质量自评估方法,其特征在于,所述步骤S41中获取输出矢量o的具体过程为:所述Softmax分类器包括一个Dense层和一个Softmax层,Dense层和Softmax层的节点数设为6,对应6种设定的语音失真类型;假设Softmax层的输入为z,其第i(i∈{1,2,3,4,5,
6})个节点的输出为:
Softmax层的输出矢量o=(o1,o2,...,o6)可以看作6种失真类型的概率分布,其中oi对应失真类型为第i种的预测概率。