吴亚文 赵家龙 侯金波 辜丽川 何屿彤 焦俊

摘要：为了快速准确地获取生猪的音频信息，消除无线信道的拥塞问题，提出基于普减法的压缩感知。在信息采集端采用微处理器NanoPCT4控制的麦克风采集音频信号，通过基于普减法的稀疏基矩阵和测量矩阵，减小声音传输量，接收端运用OMP算法，将压缩信号进行恢复重构，实现对生猪音频信号的快速准确传输。结果表明，通过运用这套压缩-重构系统，重构率提高20.75%，重构时间缩短近0.20 s，去噪后的峰值信噪比较未去噪的峰值信噪比增大了近1.50 dB，降低了信息传输量，节省了信号处理、存储和传输的时间，同时也降低信号失真。

关键词：声音信号;普减法;压缩感知;传输量;生猪

中图分类号：TN912.34   文献标志码： A  文章编号：1002-1302（2020）10-0250-06

收稿日期：2019-04-26

基金项目：安徽省重点研究与开发计划（编号：1804a07020130）;国家自然科学基金（编号：31671589、31771679）;安徽省科技重大攻关项目（编号：16030701092）;农业农村部农业电子商务重点实验室开放基金（编号：AEC2018010、AEC2018003）。

作者简介：吴亚文（1996—），男，安徽枞阳人，硕士研究生，主要从事模式识别研究。E-mail：m18256503647@163.com。

通信作者：焦 俊，博士，教授，主要从事物联网研究。E-mail：jiaojun2000@sina.com。

我国是世界上最大的猪肉生产国和消费国，從古至今一直把猪肉作为主要肉食品来源[1]。生猪声音信息可以作为识别健康与否的依据，因此基于多媒体传感网的生猪音频信息采集和传输是需要解决的主要问题，同时音频信息也反映生猪健康状况，是交流和表达情感的重要途径。但是在多媒体WSN中，声音传输时会出现信息碰撞和拥塞问题。

压缩感知理论为数据传输技术带来了革命性的突破，得到了研究人员的广泛关注。基于压缩感知的信号采样速率远低于传统奈奎斯特采样方法。这些优点使得其在很多领域有着广阔的应用前景，如雷达[2-4]、成像[5]、信号处理[6]、信道估计[7-8]等，并被评为2007年度十大科技进展之一[9-10]。针对压缩感知理论和语音信号的特点，国内外学者对基于压缩感知的声音处理进行了多方面的研究。

Giacobell等利用稀疏线性预测技术，将压缩感知理论用于语音信号压缩，与多脉冲激励编码相比在波形误差方面具有一定的优势[11]。Peyre将局部余弦字典作为语音信号的稀疏变换字典，并利用树形搜索方法实现语音压缩后的重构恢复[12]。叶蕾等在语音信号的稀疏表示和观测矩阵等方面也做了很多分析研究，提出了基于小波变换和压缩感知的语音编码方式，将语音信号分为低频系数和高频系数分别进行处理[13];利用主分量分析，构造语音的冗余字典实现稀疏表示[14];采用K-L变换，通过训练学习构造近似KLT域实现语音压缩感知[15]。

但是国内外学者尚未涉足对猪声音传输方面的研究，随着科技进步，急需针对猪的声音作出研究，利用猪的声音识别猪的一些行为特征，研究前提是解决猪声音识别前期处理量和传输量大的问题。

本研究为了解决上述问题，基于压缩感知理论，自主设计一套生猪音频信号处理系统，压缩感知的工作过程：稀疏分解或压缩的原始信号，通过与稀疏基不相干的测量矩阵的线性测量，将原始高维信号投影到低维空间，接收端运用重建算法，高概率地重构原始信号。而重建算法是CS理论的关键问题，应该在已知测量矩阵和测量向量的前提下，高效并且精确地实现对原始信号的重建。目前，常用的重构算法有重构准确的BP算法，但是算法复杂;快速重构的MP算法，由于稀疏基准确度不够，限制了其推广应用。本研究设计基于普减法[16]的压缩感知，提高了压缩率和重构的准确度，减少传输时间，实现了声音信号的快速传输和精确重构。

1 声音采集与传输

声音采集与传输是运用cortex架构的嵌入式微处理器NanoPCT4作为主控制器，自主设计实现了用于声音采集传输的硬件系统，外接有iTalk-02麦克风、USB接口及USB device等接口资源。麦克风采用Tyless公司生产的音频采集模块作为声音数据采集设备，audio或者PCM编码，支持raw和wav等音频输出格式。RAM芯片是通过UDP协议进行网络传输采集的语音信号，搭建采集传输平台的实物见图1，硬件平台流程见图2，具体步骤如下：（1）对开发板进行上电以及USB麦克风设备的初始化;（2）远程控制器（PC或服务器）创建一个麦克风采集系统的线程和UDP通信协议的IP和端口号;（3）检测USB麦克风设备的索引号开启设备;（4）检测USB麦克风设备是否开启成功，若没有成功的话，返回第3步重新检测，直到检测成功;（5）通过默认的音频参数值对特定的环境进行声音监听，如果听这声音符合采集声音的标准，就确定录制声音;（6）远程控制器设置音频的录制时长以及音频参数;（7）基于UDP协议上，使用压缩感知技术对采集的声音信号进行压缩网络传输;（8）在接收端进行重构语音信号与原始的声音信号对比分析，分析是否是音频质量最高的声音对应的声音信号，若是即可输出结束，若不是返回第6步重设置音频参数，直到达到最佳的语音信号质量参数。按照这8个步骤，声音采集到传输重构一个完整的硬件平台流程图设计完成。

此采集硬件系统关键代码如下：

QAudioFormat defaultAudioFormat;//定义录制音频格式

defaultAudioFormat.setSampleRate（m_set->sampleRate）;//设置音频采样率

defaultAudioFormat.setChannelCount（m_set->ChannelCount）;//设置音频通道数defaultAudioFormat.setSampleSize（m_set->sampleSize）;//设置音频采样点的字节大小

defaultAudioFormat.setCodec（“audio/pcm”）;//设置音频编码格式

audioInput=new QAudioInput（curDevice，defaultAudioFormat，this）;//音频设备初始化

audioInput->start（& file）;//开启音频采集设备

m_udpSocketMRecord->bind（QHostAddress：：Any，9999）;//设置IP地址和端口号

connect（m_udpSocketMRecord，SIGNAL（readyRead（）），this，SLOT（MRecord（）））;//关联音频采集执行函数

2 声音信号的压缩感知

压缩感知理论的主要思想是将离散信号稀疏化后投影到设定的域的观测值，传输，接收端利用少量的观测值，把稀疏信号最大效率地恢复出原来的信号。针对声音的压缩感知，最基本的3个大部分，首先是信号传输的稀疏性转换;再就是测量矩阵（高维转低维）的构建;最后是接收端信号的重构（低维转高维）。

本研究中设计了基于普减法的压缩感知，普减法原理是利用采集的信号幅度谱的绝对值减去噪声谱的幅度值，大于零的保留，小于零的作为杂音去除，再高维转低维，传输，接收端把经过前期处理的信号再利用OMP算法进行猪的声音信号的快速精确定量重构，实现原始信号的精确恢复，具体流程见图3。

2.1 普减法处理信号的稀疏化

普减法原理如下：

语音信号是短时平稳的，信号在处理之前先对其进行分帧加窗处理。

y（n）=x（n）+d（n）。

（1）

公式（1）某帧纯净语音信号为x（n）;噪声信号为d（n）;带噪语音为y（n）由纯净语音信号和噪声信号组成;噪声信号的FFT为D（n）;带噪语音的FFT为Y（n）;可以将Y（ω）以极坐标形式表示：

Y（ω）=|Y（ω）|ejΦy（ω）。

（2）

公式（2）中|Y（ω）|为幅度谱;ejΦy（ω）是带噪信号的相位谱。噪声谱D（ω）也可以通过其幅度和相位谱来表示：

D（ω）=|D（ω）|ejΦd（ω）。

（3）

公式（3）中噪声的幅度谱|D（ω）|是未知的，可以通过无语音活动时的平均幅度谱的估计|D^（ω）|来代替。根据相位不会对音频可懂度造成影响，只是可能在一定程度上影响语音质量。公式（4）使用带噪语音相位Фy（ω）来代替噪声相位Фd（ω）。带噪语音经过谱减后得到的纯净语音频谱的估计为

f（ω）=[|Y（ω）|-|D^（ω）|]ejΦy（ω）。

（4）

研究表明，试验采集的声音信号在DCT域上表现很强的稀疏性，所以对上述普减阈值处理的信号f进行DCT变换。

F（k）=∑n-1i=01nf（i），k=0;

（5）

F（k）=∑n-1i=02nf（i）cos（2i+1）kπ2n，k=1，2，…，n-1;

（6）

F=α·f。

（7）

公式（5）、公式（6）是对声音信号f在α域中的DCT变换，进而得到公式（7），公式（7）中，α为N×N标准正交基（α=[α1，α2，…，αN]），f为F在α正交基上展开的系数向量。

2.2 观测矩阵的构建

构建高斯矩阵θ，测量矩阵构造高斯随机矩阵是压缩感知中使用最广泛的测量矩阵。观测矩阵满足约束等距条件公式（8）。

（1-ε）‖F‖22≤‖F‖22≤（1+ε）‖F‖22。

（8）

公式（8）中ε∈（0，1），在M×N的高斯隨机矩阵θ中，所有元素独立服从均值为0、方差为M-1/2的高斯分布，即：θi，j～N（0，M-1/2），该矩阵的随机性非常强，当信号的稀疏度为k时，重构端在满足约束等距条件这个式子成立，重建f信号就能以很大的概率完成信号的恢复，前提是公式（9）成立：

M≥cklg（N/k）<

（9）

A=θ·F=θ·α·f。

（10）

公式（10）中的c是一个很小的常数;公式（10）中的A是这个矩阵向量的观测向量[17]。

2.3 原始信号的重构

信号的重构问题可以转化为利用重构算法求解最小L0范数优化问题

f=arg min‖f‖0s.t.。

（11）

公式（11）得到稀疏信号f的精确或近似重构f，进而得到原始信号F。然而最小L0范数优化问题是N-P hard问题，本研究主要使用OMP算法进行信号的重构，其基本思路是在每一次的迭代过程中，从过完备字典原子库中选择与信号最匹配的原子来构建稀疏逼近，递归地对已选择的原子集合进行正交化，保证迭代的最优性，并且求出信号的残差。迭代一定的次数后，信号可以由这些原子线性表示。

u={uj|uj=|

（12）

F=arg min‖A-θ·F‖2。

（13）

r（new）=A-θ·F。

（14）

公式（12）通过求残差r与测量矩阵θ中各个原子之间内积的绝对值，来计算相关系数u，公式（13）采用最小二乘法进行信号逼近，公式（14）进行残差更新，这样不断迭代最后重构出原信号。

3 结果与分析

本研究基于压缩感知在声音信号传输中的优良性，分2组进行matlab试验测评，第1组是在DCT域系数有普减阈值和没有普减阈值情况下，对压缩重构的压缩率、重构率以及重构时间等一系列因素做出对比;第2组是在有噪和去噪情况下的信号传输压缩重构的对比，包括有主观上的声音分辨率情况以及客观上的峰值信噪比的对比。