Báo Cáo đánh giá các thuật toán phát hiện tiếng nói dùng ngưỡng thích nghi và mạng neural trong miền wavelet

ĐÁNH GIÁ CÁC THUẬT TOÁN PHÁT HIỆN TIẾNG NÓI DÙNG
NGƯỠNG THÍCH NGHI VÀ MẠNG NEURAL TRONG MIỀN WAVELET
PERFORMANCE ASSESSMENT ON VOICE ACTIVITY DETECTION
ALGORITHMS USING ADAPTIVE THRESHOLD AND NEURAL NETWORK IN
WAVELET DOMAIN

SVTH: Nguyễn Trí Phước, Trần Lê Anh Thư, Nguyễn Ngọc Như Trang
Lớp05DT2 - 05DT3 , Khoa Điện tử Viễn thông , Trường Đại học Bách Khoa
GVHD: TS. Phạm Văn Tuấn
Khoa Điện tử Viễn thông, Trường Đại học Bách Khoa

TÓM TẮT
Mục đích của bài báo là nghiên cứu các thuật toán phát hiện tiếng nói (VAD) dựa trên biến
đổi Wavelet. Các thuộc tính được trích trong miền Wavelet sẽ được đem so sánh với các mức
ngưỡng thích nghi hoặc được nhận dạng bởi mạng neural (NN) để thực hiện việc phân loại.
Những thuật toán VAD này được đánh giá và so sánh với các phương pháp VAD tiêu chuẩn khác
được đề xuất bởi ITU-T và ETSI. Kết quả mô phỏng trên cơ sở dữ liệu TIMIT đã trộn nhiễu cho
thấy các phương pháp dùng biến đổi Wavelet đạt hiệu suất phân loại cao hơn các phương pháp
khác, đồng thời cho khối lượng tính toán thấp hơn.
ABSTRACT
The objective of this paper is to study on voice activity detection (VAD) algorithms based
on Wavelet transform. The feature extracted in Wavelet domain is then compared to adaptive
thresholds or recognized by a neural network (NN) to do classification. These VAD algorithms are
evaluated with the noisy TIMIT corpus and compared to other VAD methods standardized by ITU-T
and ETSI. The experimental results show that Wavelet approaches lead to superior classification
performance and offer a much lower computational complexity than other VAD methods.
1. Giới thiệu
Kỹ thuật phát hiện tiếng nói đóng vai trò quan trọng trong các phương pháp xử lý
tiếng nói và ứng dụng trong thông tin liên lạc như mã hóa, truyền dẫn, nhận dạng [1]. Do
đặc điểm phức tạp của các loại nhiễu trong thực tế nên rất khó xây dựng được các thuật
toán VAD bền vững đối với nhiễu môi trường. Đã có nhiều phương pháp được đề xuất
nhằm nâng cao hiệu suất của bộ VAD như sử dụng kết hợp nhiều đặc tính trong miền thời
gian, miền phổ và miền Wavelet; thiết kế các bộ quyết định thích nghi với mức nhiễu; và
huấn luyện các mô hình thống kê như mạng neural, mô hình Markov ẩn, v.v .

Hình 1. Kết quả VAD với tín hiệu tiếng nói bị nhiễu
Trong bài báo này, chúng tôi tiến hành nghiên cứu các thuật toán VAD dùng biến
đổi Wavelet rời rạc (DWT) và đánh giá hiệu suất của các thuật toán trên cơ sở dữ liệu
TIMIT đã được trộn nhiễu. Trong phần 2 trình bày các thuật toán VAD dùng DWT và các
phương pháp VAD tiêu chuẩn của ITU-T và ETSI. Mô phỏng và phân tích kết quả được
trình bày trong phần 3. Phần cuối trình bày kết luận và đưa ra hướng phát triển.
2. Các thuật toán VAD
Tín hiệu tiếng nói ban đầu được phân khung, sau đó trích các thuộc tính mang đặc
trưng cho phần tiếng nói (speech) và phần không có tiếng nói (non-speech) (hình 2). Việc
thực hiện quyết định dựa trên mức ngưỡng hay theo mô hình đã được huấn luyện.

Hình 2. Sơ đồ khối thực hiện VAD
2.1. VAD dùng biến đổi Wavelet
2.1.1. Thuộc tính khoảng cách giữa hai băng con và ngưỡng thích nghi
Thuật toán tính khoảng cách giữa hai băng con WSDM (Wavelet Subband Distance
Measure) theo [2] dựa trên sự khác nhau về phân bố năng lượng băng con của phần speech
và phần non-speech. Thuộc tính này được xác định theo các công thức trong (1).
, (1)
Với N là số mẫu trong một khung, và là chiều dài của tập các hệ số
wavelet tại băng con tần số thấp và cao. được tính bằng cách áp dụng
DWT tại tham số tỷ lệ thứ m và lấy cửa sổ khung thứ i. Một bộ lọc percentile filter (PF)
được thiết kế dựa trên nguyên lý: thông tin tiếng nói không thường xuyên xuất hiện tại tất
cả các kênh tần số và tại cùng một thời điểm dùng để xác định ngưỡng nhiễu thích nghi.
2.1.2. Thuộc tính mức năng lượng của các hệ số chi tiết và ngưỡng quyết định thích nghi
Việc sử dụng thuộc tính mức năng lượng của các hệ số Wavelet chi tiết WDCE
(Wavelet Details Coefficients’ Energy) theo [3] dựa trên đặc điểm: tại các thang tỷ lệ lớn
của DWT, thành phần chi tiết của tín hiệu bị nhiễu phần lớn được quyết định bởi phần
tiếng nói trong khi biên độ của nhiễu rất nhỏ. Do đó, VAD được thực hiện bằng cách so
sánh năng lượng của các thành phần chi tiết lấy từ biến đổi Wavelet trong khung đang xét
với năng lượng của các thành phần chi tiết của 4 khung nhiễu gần nhất trước đó.
2.1.3. Thuộc tính WSDM và mô hình mạng Neuron (NN)
Trong [2], một mô hình mạng NN có 3 lớp được huấn luyện để phân loại
speech/non-speech cho từng frame âm thanh ở ngõ vào. Mạng neural được thiết lập gồm 3
lớp: lớp nhận dữ liệu vào, lớp ẩn (phân tích dữ liệu), lớp ngõ ra. Thông qua thuật toán
Levenberg-Marquardt [2], NN được huấn luyện trên dữ liệu TIMIT Test đã được trộn
nhiễu. Thuộc tính WSDM và các đạo hàm bậc 1 và bậc 2 của WSDM được đưa vào lớp
ngõ vào của NN. Hai tín hiệu tại lớp ngõ ra được so sánh với nhau để thực hiện quyết định.
2.2. Các phương pháp khác
2.2.1. VAD G.729 Annex B ITU-T
Thuật toán VAD G729B trong [4] được phát triển dành cho thông tin đa phương
tiện và điện thoại cố định. Tín hiệu tiếng nói được chia thành các khung có độ dài 10ms.