基于改进EMD-TEO倒谱距离的生猪音频信号端点检测

吴亚文 邵 睿 李 淼 张 锋 陶浩兵 辜丽川 焦 俊*

(1.安徽农业大学 信息与计算机学院，合肥 230036；2.中国科学院 智能机械研究所，合肥 230031)

在生猪养殖过程中通常对生猪行为进行分析以监测生猪健康状况，识别生猪音频信号中包含的行为信息是生猪行为分析的重要环节，端点检测能准确定位端点并提取出有效的音频数据，进而缩短信号处理时间和提高识别效果，端点检测的正确判定是提高生猪音频信号识别率的关键一步。运用短时平均幅度(Average amplitude,AMP)、短时过零率(Zero crossing rate,ZCR)等端点检测算法在一定程度上可实现语音的端点检测[1]，但其在低信噪比(Signal-noise ratio,SNR)和复杂环境情况下具有波动性、不平稳性以及端点检测准确率低等。

在生猪信号的端点检测方面，黎煊等[2]利用AMP的单参数双门限检测猪咳嗽音，虽然方法简单，但区分弱摩擦音和尾音困难；徐亚妮[3]进行猪咳嗽音识别的过程中使用了AMP和ZCR结合的门限端点检测；马辉栋等[4]虽然对门限阈值有所改进，但在具体的低SNR环境下，两者的抗噪声效果差，检测效果都不是很明显。Ghosh等[5]提出了一种基于长时段信号变化率测度(Long-term signal variability measure,LSTV)语音端点检测算法，该算法虽然在低于-5 dB噪声比环境下端点检测效果较好，但在信噪比高于-5 dB或复杂环境下，检测性能饱和，端点检测效果差。除了国内外传统端点检测方法外，谱熵法[6]、共振峰检测[7]、梅尔频率倒谱系数(Mel frequency cepstrum coefficient,MFCC)倒谱距离[8]、方差法[9]、自相关函数法[10]、能零比[11]、能熵比[12]，这些端点检测虽然在前期的传统的方法上进行特征估计，进而在实现对噪声信号、无话信号和有效信号的区分上作出了改善，但是在遇到比较复杂的生猪音频信号时，由于声音本体因素以及环境影响比较大，这些端点检测方法效果都不是很理想。……