1.一種智能助聽的方法，其特征在于，包括：獲取采集的語音數據，采用頻域消除回音；根據消除了回音的語音數據，提取噪音數據進行噪音分類學習以獲得噪音分類結果；其中，噪音分類學習模型使用開源人工神經網絡庫Keras構架，實現循環神經網絡中的門控循環神經網絡RNN GRU模型，進而得到噪音環境的標簽；根據噪音分類結果，對消除了回音的語音數據進行噪音抑制處理，以獲得降噪后的語音數據并播放；其中，語音數據播放，包括：根據預設的各個頻點對降噪后的語音數據進行測聽，以獲得在各個頻段上對應于用戶聽力的增益值；將各個頻段上的增益值傳遞給放大器，以作為補償的輸入參數進行語音數據的播放。2.根據權利要求1所述的方法，其特征在于，還包括：將降噪后的語音數據經過自動增益的處理，傳遞給放大器處理以進行語音播放。3.根據權利要求1所述的方法，其特征在于，采用自適應濾波歸一化算法NLMS的延時多頻域算法MDF頻域進行回音的消除。4.根據權利要求1所述的方法，其特征在于，所述提取噪音數據，包括：對消除了回音的語音數據使用語音活動檢測VAD算法，將沒有語音部分數據作為噪音提取出來。5.根據權利要求1－4任一所述的方法，其特征在于，所述噪音分類學習、噪音抑制處理以及自動增益都采用的是RNN GRU模型。6. 根據權利要求5所述的方法，其特征在于，噪音數據通過RNN GRU模型的噪音分類學習獲得噪音分類標簽。7. 根據權利要求5所述的方法，其特征在于，采用RNN GRU模型實現噪音抑制處理是通過語音和噪音分離算法來實現，并且把理想二值掩蔽作為計算目標。8.根據權利要求5所述的方法，其特征在于，采用RNN GRU模型自動增益處理的輸入包括倒譜系數、長時間能量最大值、過零率和信號的相位群，進而輸出頻譜上的增益值。9.一種智能助聽的系統，其特征在于，包括：客戶端包括測試模塊和實時語音處理系統，實時語音處理系統通過回音抑制模塊、噪音場景選擇模塊、噪音抑制模塊、自動增益控制模塊和分頻放大器實現；其中，測試模塊根據預設的各個頻點對降噪后的語音數據進行測聽，以獲得在各個頻段上對應于用戶聽力的增益值；將各個頻段上的增益值傳遞給分頻放大器，以作為補償的輸入參數進行語音數據的播放；后臺系統包括噪音特征學習、噪音抑制學習和智能增益學習，依次對應的分別為客戶端的噪音場景選擇模塊、噪音抑制模塊、自動增益控制模塊提供基于RNN GRU模型的數據處理；其中，噪音特征學習的噪音分類學習模型使用開源人工神經網絡庫Keras構架，實現循環神經網絡中的門控循環神經網絡RNN GRU模型，進而得到噪音環境的標簽。
展開
