Kurzbericht 2007 Electronics und Medical Signal Processing

Methoden entwickelt, die ohne Mittelung arbeiten. Angewendet werden diese
Methoden meist nur auf einzelne Messkanäle des EEG/MEG.
Ziel dieses Projektes ist die Neuentwicklung eines Single-Trial-Verfahrens, das
den multivariaten Charakter des EEG/MEG berück-sichtigt. Als Ausgangspunkt
hierzu dienen moderne statistische Verfahren der blinden Quellentrennung wie die
Independent Component Analysis und insbesondere die neue Methode der Cluster
Component Analysis. Durch die Kombination dieser Verfahren mit Single-Trial-
Methoden soll eine optimale Ausnutzung der Multidimensionalität der Messignale
erreicht werden. Dies soll zum einen die Qualität der Signale gegenüber bisherigen
Verfahren signifikant verbessern und zum anderen Rückschlüsse auf statistische
Abhängigkeiten zwischen der spontanen Gehirnaktivität und Reizantworten des
Gehirns auf äußere Stimulationen erlauben.
Spracherkennungsgruppe
Dipl.-Ing. Dorothea Kolossa, Dipl.-Ing. Eugen Hoffmann & Dipl.-Ing. Ramon
Fernandez-Astudillo
Wenn mehrere Sprecher oder Signalquellen gleichzeitig aktiv sind, können
Menschen auf ihre Fähigkeit des Richtungshörens zurückgreifen, um diese zu
trennen. Automatische Spracherkennungssysteme dagegen sind darauf angewiesen,
aus einem oder mehreren Mikrophonsignalen mit Hilfe mathematischer Methoden
ein störbefreites Sprachsignal zu gewinnen. Besonders erfolgreich sind Verfahren,
die statistische Merkmale von Sprach- und Störsignalen ausnutzen, um eine
möglichst klare Trennung dieser beiden Signalkomponenten zu erhalten. Darauf
aufbauend ist eine robustere Spracherkennung möglich, die auch bei mehreren
gleichzeitigen Sprechern nur das Signal des “Nutzsprechers“ erkennt.
Mit solchen statistischen Verfahren, wie beispielsweise der Independent Component
Analysis (ICA), kann besonders in Kombination mit einer anschließenden
Maskierung des Signals im Zeit-Frequenzbereich eine klare Signaltrennung erziel
werden. Damit allerdings auch die anschließende Spracherkennung erfolgreich
verläuft, ist der Einsatz von Missing-Feature-Erkennern erforderlich, damit
ausmaskierte Signalbereiche keine negativen Folgen haben.
Dieser Gesamtprozess, bestehend aus blinder Quellentrennung, Zeit-
Frequenzmaskierung und anschließender Missing-Feature-Erkennung ist im
vergangenen Jahr für verschiedene ICA-Methoden untersucht und optimiert
worden. Unter anderem wurde es eingesetzt mit JADE, mit von Dipl.-Ing.
Eugen Hoffmann entwickelten, statistisch motivierten Maskierungsverfahren, und
in gemeinsamer Arbeit mit den NTT Communication Science Laboratories in
Kyoto für den Maximum SNR Beamformer. Im letztgenannten Projekt wurde
5