面向助听器的两阶段轻量级语音增强框架：融合维纳滤波与 HHO 特征选择

《Scientific Reports》：Efficient speech enhancement using Harris hawks optimized feature selection and a hybrid Wiener-Bi-GRU model for real-time deployment

　　

摘要

助听器应用面临的主要挑战在于如何在电池供电设备的严格功耗、内存和延迟限制与语音质量之间取得平衡。助听器处理器的功耗通常在20–50毫瓦之间，内存大小为128–512千字节，延迟低于10毫秒。传统的信号处理方法虽然能满足这些限制，但语音质量较低；而深度学习（DL）方法虽然能够提升语音质量，但其计算开销过高，不适用于嵌入式设备。本文提出了一种两阶段的语音增强框架，该框架结合了维纳滤波（Wiener Filtering，WF）预处理、基于Harris Hawks Optimization（HHO）的特征选择（Feature Selection，FS）以及具有时间注意机制的轻量级双向门控循环单元（Bi-GRU）。维纳滤波能够在无需训练参数的情况下去除静态噪声，随后特征提取（Feature Extraction，FE）生成包含时频、频谱、时间和音高信息的352个候选特征。Harris Hawks Optimization通过一个加权多准则适应度函数将特征数量缩减至42个，该函数在可懂度、质量和计算成本之间进行了平衡，实现了88%的维度缩减。最终模型的参数数量为218万个，推理延迟为6.8毫秒。在VoiceBank+DEMAND基准测试中，该模型使用扩展后的46,643个样本测试集和标准的824句话语测试集进行评估，其PESQ值达到2.58至2.66，STOI值高达0.86，SI-SDR值达到13.9分贝，性能优于传统的、基于启发式的以及多种深度学习方法，并同时满足了所有目标参数（参数数量≤300万、内存≤12MB、延迟<10毫秒）的限制。通过消融实验和多种子稳定性分析证实了维纳预处理和基于HHO的特征选择的各自贡献；配对统计测试也证明了该模型相对于内部基线的提升具有显著性。