Kurzbericht 2007 Electronics und Medical Signal Processing

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
ausserdem Kyoto für basierend den Maximum auf SNR dem Beamformer. Forschungsaufenthalt Im letztgenannten im Projekt vergangenen wurde ausserdem Jahr der
Large-Vocabulary-Erkenner basierend auf dem Forschungs-aufenthalt von NTT, im SOLON, vergangenen umJahr die der von Large-Vocabulary- Dipl.-Ing. Dorothea
Erkenner von NTT, SOLON, um die von Dipl.-Ing. Dorothea Kolossa entwickelten Missing
Kolossa Feature entwickelten Techniken erweitert. Missing Feature Techniken erweitert.
100,0
80,0
60,0
40,0
20,0
0,0
Mischungen
MaxSNR
Beamformer
Beamformer +
Maske
+ Missing
Features
Sub 20,9 5,2 8,0 6,9
Del 2,3 0,8 2,2 3,0
Ins 48,2 39,4 27,5 8,5
PA 28,5 54,4 62,3 81,6
Abb1: Beispiel für verbesserte Spracherkennung durch Maximum SNR Beamforming und
Abbildung 4: Beispiel für verbesserte Spracherkennung durch Maximum SNR
Missing-Data-Techniken unter Verwendung des NTT-Erkenners SOLON. Angegeben sind
Beamforming Fehler durch und Löschungen Missing-Data-Techniken (Del), Vertauschungen unter (Sub), Verwendung Einfügungen (Ins), desund NTT-Erkenners
die
SOLON. Erkennungsrate Angegeben (PA). sind Getestet Fehler wurde durch mit 1080 Löschungen Sätzen bestehend (Del), aus Vertauschungen 12146 Worten, nachdem (Sub),
Einfügungen zwei Sprecher (Ins), mit gemessenen und die Impulsantworten Erkennungsrate aus einem (PA). Konferenzraum Getestet wurde künstlich mit 1080
Sätzen
gemischt
bestehend
wurden.
aus 12146 Worten, nachdem zwei Sprecher mit gemessenen
Impulsantworten aus einem Konferenzraum künstlich gemischt wurden.
Mehrkanalige Signalverarbeitung
Dorothea Kolossa & Eugen Hoffmann
Um die Methoden der Blinden Quellenrennung (Blind Source Separation) und
ICA (Independent Component Analysis) für akustische Signale zu entwickeln, zu
verbessern und in realen Anwendungsfällen zu testen, befasst sich die Gruppe
mit der Rekonstruktion gestörter Sprache und zielt dabei auf eine Verbesserung
der Sprachqualität und Sprachverständlichkeit in gestörten Umgebungen und in
Umgebungen, in denen mehrere Sprecher gleichzeitig aktiv sind. Die Grundidee
der ICA besteht darin, mehrkanalige Signale in ihre statistisch unabhängigen
Komponenten zu zerlegen. Da die Trennung blind, d.h. ohne Vorwissen über die
Mischung oder die Quellen erfolgt, wird sie bei Mischungen von Luftschall als
akustische blinde Quellentrennung bezeichnet.
6