Analýza chování algoritmu MSAF při zpracování řeči v bojových prostředcích Analysis of MSAF algorithm for speech enhancement in combat vehicles Ing. Jaroslav Hovorka MESIT přístroje spol. s r.o., Uherské Hradiště, E-mail: j.hovorka@msp.mesit.cz Resumé: Problémem u vozidlových komunikačních prostředků je pronikání rušivého hluku do komunikačního mikrofonu náhlavní hovorové soupravy a tím i do komunikačního kanálu vozidlového interkomu. Tento hluk leží ve spektru řeči, a nelze jej tedy potlačit standardními metodami kmitočtové filtrace. Pro potlačení těchto rušivých signálů lze použít některou z metod adaptivní filtrace. V tomto příspěvku je pozornost soustředěna na analýzu chování algoritmu MSAF. Ten je použit pro potlačení hluku, který proniká do komunikačního kanálu v typickém prostředí bojových pásových vozidel. The penetration of distracting noise into the headsets communication microphone and the communication channel of the vehicle intercoms is an issue that is problematical. This noise cannot be suppressed by standard methods of frequency filtration as it lies in the spectrum of speech. It is possible to use one of the adaptive methods to suppress these interfering signals. This paper deals mainly with the analyses of the MSAF algorithm behaviour. This algorithm is used to suppress the noise that usually penetrates through to the communication channel in typical environment of combat tracked vehicles. 1. Úvod Potřeba kvalitních komunikačních prostředků je jedním ze základních požadavků při výrobě vojenských bojových vozidel. Na tyto systémy jsou kladeny vysoké požadavky z hlediska zabezpečení kvalitního spojení mezi všemi členy posádky []. Kromě plnění environmentálních požadavků, které jsou dnes definovány patřičnými vojenskými standardy, je základním požadavkem, aby taková zařízení zabezpečila přenos hlasu v odpovídající kvalitě a srozumitelnosti [9]. Při generační obměně vozidel dochází k vytěsňování starších analogových komunikačních systémů, a ty jsou nahrazovány systémy digitálními, kde je možno využít některou z metody číslicového zpracování signálu. Moderní metody číslicového zpracování signálu umožňují potlačit hluk, který se aditivně přičítá -73-
k užitečnému hovorovému signálu. Perspektivními pro tento účel se jeví vícepásmové adaptivní algoritmy. V následujícím příspěvku je provedena simulace chování algoritmu MSAF v prostředí pásových bojových vozidel. Hodnocena je kvalita výsledné řeči. 2. Vícepásmové adaptivní algoritmy Adaptivní filtr [2, 4, 8, 11] lze charakterizovat jako takový frekvenční filtr, u něhož dochází ke změně jeho koeficientů na základě použitého adaptivního algoritmu [8, 1]. Výhodou tohoto typu filtru je možnost fungování i v měnícím se prostředí. Adaptivní algoritmus nastavuje charakteristiky filtru tak, že dochází ke změně koeficientů filtru v závislosti na vstupním signálu a nastavených kritériích filtru [8]. Jedním z hlavních nedostatků klasických adaptivních algoritmů je, že k jejich realizaci se používají FIR filtry s velkým počtem koeficientů [8]. Takové frekvenční filtry jsou velmi výpočetně náročné a naproti tomu je dosažená konvergenční rychlost algoritmu velmi nízká [8]. Toto je překážkou v jejich úspěšné implementaci ve vojenských vozidlových komunikačních systémech, kde digitální signálový procesor musí plnit kromě zajištění komunikace ještě další úlohy a algoritmus musí rovněž reagovat na rychle dynamicky se měnící spektrum okolního hluku. Obr. 1: Schéma pásmového adaptivního filtru [8]. -74-
Možným řešením je rozložit zpracovávané kmitočtové pásmo na více dílčích kmitočtových pásem a aplikovat některý z typů pásmových adaptivních filtrů. Výhodou pásmových adaptivních filtrů ve srovnání s jednopásmovými adaptivními filtry je zvýšení konvergenční rychlosti algoritmu, a tedy snadnější implementace v nestacionárním prostředí. U pásmového adaptivního filtru je vstupní signál rozložen do několika paralelních kmitočtových pásem. Signály v jednotlivých pásmech jsou zpracovávány filtry nižších řádů na nižší vzorkovací rychlosti ve srovnání se standardními adaptivními filtry. Na obrázku 1 a 2 je uvedeno blokové schéma vícepásmové struktury. Banka filtrů ( ) rozloží širokopásmový signál ( ) a referenční signál ( ) do N pásem. Tyto signály jsou následně podrobeny decimaci, čímž je dosaženo snížení vzorkovacího kmitočtu faktorem D. Tyto signály jsou dále zpracovány jednotlivými adaptivními filtry ( ). Každý jednotlivý filtr je plně nezávislý a má svou adaptační smyčku. Chybový signál e se počítá lokálně a na základě tohoto signálu dochází k výpočtu a aktualizaci koeficientů filtru. Cílem je dosáhnout minimální hodnoty chybového signálu pro dané zpracovávané frekvenční pásmo. Chybový signál pro celé pásmo je potom určen složením všech chybových signálů pro jednotlivá pásma s pomocí filtrů ( ). Obr. 2: Blokové schéma pásmového adaptivního filtru standardní provedení pro rozpoznání systému ( ) [8]. -7-
3. Adaptivní filtry MSAF U pásmových adaptivních filtrů je v každém dílčím kmitočtovém pásmu použit nezávislý adaptivní filtr. U těchto filtrů dochází ke snížení konvergenční rychlosti v důsledku aliasingu a dalších jevů. Tyto nedostatky pásmových adaptivních filtrů jsou odstraněny použitím algoritmu MSAF. Adaptivní filtr MSAF [12] je znázorněn na obr. 3. Vstupní ( ) a referenční ( ) signál je rozložen do jednotlivých frekvenčních pásem pomocí banky filtrů ( ). (, ) reprezentuje banku paralelních filtrů se stejnou přenosovou funkcí. Tyto filtry jsou na rozdíl od klasického filtru umístěny před bloky decimací. V této struktuře adaptivní filtr filtruje frekvenčně omezené signály na původní vzorkovací frekvenci a koeficienty adaptivních filtrů jsou aktualizovány na decimované rychlosti. Obr. 3: Adaptivní filtr typu MSAF [8]. Algoritmus MSAF lze realizovat jako algoritmus s minimálním zpožděním, a to buď ve struktuře s otevřenou, nebo s uzavřenou smyčkou zpětné vazby [8]. Princip spočívá v tom, že koeficienty filtru aktualizované na základě jednotlivých pásmových signálů jsou přímo kopírovány do adaptivního filtru pro filtraci celého pásma. Tímto dojde ke snížení zpoždění algoritmu. Další výhodou tohoto přístupu je skutečnost, že algoritmus není degradován v důsledku aliasingu. -76-
4. Objektivní metody pro hodnocení kvality zpracované řeči Při objektivním hodnocení řeči [6,7] se řeč rozdělí do rámců v délce 1-3 ms a následně se výpočtem určí zkreslení mezi vstupní a výstupní řečí. Celkové hodnocení zkreslení řeči je dáno průměrem zkreslení jednotlivých rámců. Obecně může být výpočet proveden v časové, nebo frekvenční oblasti. Pro kritéria, která jsou založena na frekvenční oblasti, se předpokládá, že zkreslení nebo rozdíly, které se určí v modulovém spektru, jsou v korelaci s kvalitou řeči. Dnes se používá celá řada objektivních metod k posouzení kvality řeči. Objektivní metody hodnocení kvality hledají vztah mezi originálním a zpracovaným signálem. V následujícím textu jsou uvedeny objektivní metody hodnocení kvality řeči, které byly použity pro analýzu uvedeného algoritmu. 4.1 Segmentální SNR Metoda segmentálního SNR [3, 9] je jednou z nejjednodušších objektivních metod hodnocení kvality řeči. Řečový signál se rozdělí do celkem segmentů stejné délky. Pro každý dílčí rámec je výpočtem určeno SNR. Výsledná celková hodnota SNR se určí jako geometrická střední hodnota jednotlivých SNR. Poměr signálu k šumu pro daný segment zpracovaného signálu je dán vztahem [9]: = ( ) ( ) ( ), (1) kde ( ) je původní hlukem nezarušený signál, ( ) je zvýrazněný signál, je délka rámce a je počet rámců signálu. Délka rámce se obvykle volí v rozsahu od do 2 ms [9]. Z výše uvedeného vztahu je zřejmé, že v případě se jedná o geometrickou střední hodnotu poměrů signálu k šumu všech analyzovaných segmentů signálu. Nectností je jeho chování v intervalech ticha. V těchto intervalech bude energie signálu velmi malá, a to bude mít za následek záporné hodnoty.tyto hodnoty následně výrazným způsobem ovlivní a zkreslí celkový výsledek. Tuto nectnost odstraňuje následující vztah [9]: = log 1 + ( ) ( ) ( ), (2) -77-
kde ( ) je vstupní signál, ( ) je zvýrazněný signál, je délka trvání rámce a je počet rámců zpracovávaného signálu. 4.2 Segmentální SNR s rozdělením do kmitočtových pásem Cílem segmentálního SNR s rozdělením do kmitočtových pásem [9] je věrněji přiblížit objektivní hodnocení kvality zpracované řeči skutečnému lidskému vnímání. Do výpočtu jsou touto metodou zahrnuta tzv. kritická kmitočtová pásma, což odráží skutečnost, že k vnímání hlasitosti přispívají různá kmitočtová pásma různou měrou. To je vyjádřeno tzv. váhovými koeficienty, které jsou definovány pro konkrétní kmitočtová pásma [9]. Tímto jsou simulovány vlastnosti lidského ucha. Výpočet SNR je proveden ve frekvenční oblasti [9]: = (, )/( (, ) (, )), (3) kde je váha j-tého frekvenčního pásma, K je celkový počet frekvenčních pásem, M je celkový počet rámců signálu, (, ) je přenosová funkce filtru čistého signálu v -tém kmitočtovém pásmu a (, ) je přenosová funkce filtru zvýrazněného signálu v -tém kmitočtovém pásmu. 4.3 Itakurova-Saitova míra Itakurova-Saitova míra [9] je další z objektivních metod hodnocení kvality řeči. Představuje spektrální nesymetrickou míru. Při výpočtu se používají LPC koeficienty jak čistého, tak zvýrazněného signálu. (, ) = + log 1, (4) kde a jsou zisky čistého a zvýrazněného signálu. Pro platí [9]: = ( ) /, () kde = [ (), (1),, ( ) ] obsahuje autokorelace čistého signálu, jsou LPC koeficienty čistého signálu. Pro výpočet všech proměnných lze využít Levinsonův-Durbinův algoritmus [9]. -78-
. Analýza algoritmu MSAF Pro účely analýzy algoritmu byla vytvořena databáze hluku pásových vozidel. Databáze obsahuje 1 nahrávek v délce trvání 3 sekund. Nahrávky byly vzorkovány vzorkovacím kmitočtem 48 ksa/s. Nahrávky byly pořízeny při jízdě vozidla v mírně zvlněném terénu při rychlosti 3 km/h. Z databáze byly vybrány typické nahrávky o délce trvání 6 s, s kterými byla následně prováděna analýza a simulace chování algoritmu v prostředí MATLAB. V akustické laboratoři byly pořízeny zvukové nahrávky řeči, s kterými byla následně prováděna analýza. Nahrávky byly namluveny mužským hlasem, vzorkovací kmitočet je 48 ksa/s. Pro účely analýzy byla vytvořena databáze, která obsahuje věty zaručené hlukem vozidla v různých SNR - db, -1 db, db, db, db, 1 db, db. V analýze byla pozornost soustředěna pouze na pásová vozidla. Při realizaci algoritmu MSAF bylo uvažováno s použitím adaptivního filtru o délce 64 koeficientů. Algoritmus byl testován pro tři hodnoty zpracovávaných kmitočtových pásem, a to pro 2, 4 a 8 kmitočtových pásem. Ve všech kmitočtových pásmech byl algoritmus realizován pro dvě hodnoty iteračního kroku algoritmu m.1,.1. Kvalita zpracované řeči byla hodnocena výpočtem objektivních kritérií, a to výpočtem Itakurovy-Saitovy míry a segmentálního SNR s rozdělením do kmitočtových pásem. Tato kritéria byla vypočtena pro všechny nahrávky zarušené hlukem okolí a následně byla vypočtena průměrná hodnota kritéria pro definovaný SNR. Výsledky jsou uvedeny v grafech. IS (-) 4, 3, 3, 2, 2, 1, m=,1 m=,1 1,, - -1, 1 Obr. 4: Itakurova-Saitova míra pro algoritmus MSAF, počet pásem: 2. -79-
IS (-) 3, 2, 2, 1, 1, m=,1 m=,1, - -1, 1 Obr. : Itakurova-Saitova míra pro algoritmus MSAF, počet pásem: 4. IS (-) 2, 2, 1, 1, m=,1 m=,1, - -1, 1 Obr. 6: Itakurova-Saitova míra pro algoritmus MSAF, počet pásem: 8. -8-
SNR fwseg (db) 18, 16, 14, 12, 1, 8, 6, m=,1 m=,1 4, 2, - -1, 1 Obr. 7: Segmentální SNR s rozdělením do kmitočtových pásem pro algoritmus MSAF, počet pásem: 2. SNR fwseg (db) - -1 2, 18, 16, 14, 12, 1, 8, 6, 4, 2,, 1 m=,1 m=,1 Obr. 8: Segmentální SNR s rozdělením do kmitočtových pásem pro algoritmus MSAF, počet pásem: 4. -81-
SNR fwseg (db) 2, 18, 16, 14, 12, - -1 1, 8, 6, 4, 2,, 1 m=,1 m=,1 Obr. 9: Segmentální SNR s rozdělením do kmitočtových pásem pro algoritmus MSAF, počet pásem: 8. 6. Závěr Na základě provedené analýzy lze konstatovat, že při zvýšení počtu kmitočtových pásem ze dvou na čtyři se zvyšuje kvalita zpracovaného signálu, a to zejména tam, kde hodnoty rušivého hluku převyšují hodnoty užitečného signálu, tj. při záporných hodnotách SNR. Při zvýšení počtu kmitočtových pásem ze čtyř na osm již nedochází k podstatnému zvýšení kvality výstupního signálu. Lze tedy konstatovat, že pro daný záměr je optimální použití čtyř kmitočtových pásem. Chování algoritmu, a tím i kvalitu výstupního signálu lze upravit nastavením hodnoty iteračního kroku. Literatura [1] DELLER, J. R., Jr., HANSEN, J. H. L., PROAKIS J. G., Discrete-Time Processing of Speech Signals. New York,1993, ISBN -783386-2. [2] FARHANG BOROUJENY B., Adaptive filters: Theory and applications, New York: John Wiley & Sons, Inc., 1998. [3] HANSEN J., PELLOM B., (1998), An effective quality evaluation protocol for speech enhancement algorithms, Proc. Int. Conf. Spoken Language proces., 7, 2819-2822. -82-
[4] HYAKIN S., Adaptive filter theory, 4th edition, Upper Saddle River, New Jersey: Prentice Hall, 22. [] HOVORKA, J., MARKO, M., Predikcia hlukovej expozície osádky bojových vozidiel, Bezpečnosť práce na elektrických inštaláciách a elektrických zariadeniach, SES Liptovský Mikuláš, 29, p. 13-141, ISBN 978-8-969282-8-6. [6] HOVORKA, J., Metody pro hodnocení algoritmů pro zvýraznění řeči, 12. mezinárodní vědecká konference Měření, diagnostika a spolehlivost palubních soustav letadel, Brno, 17.-18.1.212, ISBN 978-8-7231-893-3. [7] HOVORKA, J., Methods for the Evaluation of Speech Enhamcement Algorithms from Intelligibility Point of View, 14th International Conference AFASES, May 24-26, 212, Brasov, Romania, ISSN 2247-3173. [8] KONG A. L., WOON S. G., SEN M. K., Subband Adaptive filtering theory and implementation. John Wiley & Sons, Ltd. 29, ISBN 978--471694-2. [9] LOIZOU P. C., Speech enhancement Theory and practice. CRC Press, Boca Raton, Canada, 27, ISBN -849332-8. [1] VASEGHI S. V., Advanced digital signal processing and noise reduction. Second edition. John Wiley & Sons Ltd., 2, West Sussex, England, ISBN -471-62692-9. [11] WIDROW B., STEARNS S.D., Adaptive Signal Processing, Upper Saddle River, New Jersey: Prentice Hall, 198. [12] FLIEGE N. J., Multirate digital signal processing, New York: John Wiley & Sons,Inc., 1994. -83-