31、面向儿童假肢手控制的稳健MCU关键词唤醒模型

面向儿童假肢手控制的稳健MCU关键词唤醒模型

1. 引言

关键词唤醒（KWS）在语音交互领域至关重要，特别是在儿童假肢手控制方面，需要一个准确且稳健的模型。TinyML的出现使得深度学习能够应用于微控制器（MCU），让深度KWS模型更容易嵌入到MCU边缘设备中。

在数据方面，Multilingual Spoken Words Corpus（MSWC）包含超过24800个西班牙语单词的自然环境录音，可用于模拟常见噪声水平。而UrbanSound8K数据集则提供了背景噪声数据，包含8732个标注切片，分为十个不同类别。

此前的一些研究虽然在KWS任务上取得了进展，但存在不足。例如，2022年Osman等人、Saifullah等人仅使用关键词录音进行模型训练，未考虑包含非关键词的音频流；Miah和Wang虽在训练中包含了非关键词，但未包含含背景噪声的非语音音频信号，这可能导致模型在实际应用中出现误判。

本文提出了一个西班牙语语音命令识别模型，主要贡献在于获得了一个准确率达91.49%的稳健深度KWS模型，适用于嵌入MCU。该模型将用于儿童机器人假肢手的语音控制模块，通过使用MSWC和UrbanSound8K数据集进行训练，在实际环境中比现有模型更具鲁棒性。

2. 深度KWS模型评估

深度KWS模型的一般架构包括特征提取和深度学习模型两部分，音频信号需先经过特征提取模块转换为特征向量，再由深度学习声学模型处理以获得预测标签序列，供决策逻辑判断关键词是否存在。

2.1 语音特征提取

Mel尺度相关特征，如Mel频率倒谱系数（MFCC）和对数Mel频谱图，是基于深度学习的KWS模型中最