التحليل السِّيبْسْتْرالي
- قدّمه
- Bogert, Healy, Tukey
- السنة
- 1963
- النوع
- Spectral decomposition method
- العائلة
- Signal processing, Spectral analysis
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
التحليل السِّيبْسْتْرالي هو تقنية تحليل طيفي تُحلل الإشارات إلى مكونات مستقلة عن طريق عكس طيف السعة اللوغاريتمي. بدأ التحليل السِّيبْسْتْرالي بواسطة بوجيرت وهيلي وتوكي في عام 1963، ويكشف عن البنية الدورية في الأطياف (طبقة الصوت، أنماط الصدى) ويفصل بين إثارة المصدر واستجابة المرشح. تُعد معاملات سيبستروم التردد الميل (MFCCs) المشتقة من التحليل السِّيبْسْتْرالي هي السمات الأكثر استخدامًا في التعرف التلقائي على الكلام، والتحقق من هوية المتحدث، وتحليل الصوت.
الفكرة الحدسية وراء الطريقة
يحتوي طيف الصوت المجهور على قمم عند مضاعفات التردد الأساسي (التوافقيات). إذا أخذت لوغاريتم الطيف ثم حسبت تحويل فورييه آخر (عكس تحليل الطيف)، تظهر التوافقيات كقمة قوية عند تأخير يتوافق مع طبقة الصوت. هذا هو التحليل السِّيبْسْتْرالي: تطبق تحويل فورييه السريع (FFT) مرتين (أو لوغاريتم ثم FFT) للكشف عن الدوريات المخفية. مصطلح 'سيبستروم' هو 'طيف' مع عكس المقاطع - يكشف عن أنماط لا يمكن لـ FFT وحدها إظهارها.
التاريخ
قدم بوجيرت وهيلي وتوكي السيبستروم في عام 1963 لمعالجة الإشارات الجيوفيزيائية (اكتشاف صدى الزلازل). تم تكييف المفهوم لمعالجة الكلام وتحليل الصوت في السبعينيات والثمانينيات. رواد ديفيس وميرملشتاين في معاملات سيبستروم التردد الميل (MFCCs) في عام 1980 للتعرف على الكلام. أصبحت MFCCs السمة القياسية لأنظمة ASR ولا تزال مهيمنة في التعلم الآلي للكلام والصوت. غالبًا ما تستخدم أنظمة التعلم العميق الحديثة (CNNs، RNNs) أطياف الميل (المتعلقة بالتحليل السِّيبْسْتْرالي) كمدخلات.
متى تُستخدم
استخدام التحليل السِّيبْسْتْرالي للتعرف التلقائي على الكلام (ASR)، والتحقق من هوية المتحدث/تحديده، واكتشاف طبقة الصوت، واكتشاف الصدى، واستخراج سمات الصوت. MFCCs هي المعيار الفعلي في معالجة الكلام والتعلم الآلي على الصوت. التحليل السِّيبْسْتْرالي أقل شيوعًا لتحليل الموسيقى (حيث قد يُفضل الكروموجرام أو سمات التردد الثابت Q) ولكنه لا يزال قابلاً للتطبيق.
الحدود والاعتبارات
- يفترض التحليل السِّيبْسْتْرالي نموذجًا التوائيًا (مصدر-مرشح ضربي)؛ الإشارات غير الخطية أو غير المستقرة للغاية لا يتم نمذجتها جيدًا.
- تضغط MFCCs المعلومات من خلال تشويه الميل اللوغاريتمي؛ تُفقد بعض تفاصيل الطيف الدقيقة، مما يؤثر على المهام منخفضة المستوى (تحليل الموسيقى، فصل المصادر).
- اكتشاف طبقة الصوت عبر السيبستروم يقتصر على الكلام المجهور؛ الأصوات الساكنة غير المجهورة والاحتكاكية تفتقر إلى قمم طبقة الصوت الواضحة.
- MFCCs ليست ثابتة بالنسبة لتحويل الصوت أو تشويه المتحدث؛ تتغير مع خصائص المتحدث، وتتطلب تسوية للمهام المستقلة عن المتحدث.
- التكلفة الحسابية لـ FFT مرتين (الطيف ثم السيبستروم)؛ بالنسبة للأنظمة في الوقت الفعلي جدًا أو الأجهزة منخفضة الطاقة، قد تُفضل السمات الأبسط.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يحلل الإشارات الالتفافية إلى مكونات جمعية؛ يفصل المصدر (طبقة الصوت، الإجهار) عن خصائص المرشح (الجهاز الصوتي).
- MFCCs قوية ضد ضوضاء الخلفية واختلاف المتحدث؛ استخراج السمات في فضاء الميل اللوغاريتمي يوفر تقليلًا طبيعيًا للأبعاد.
- فعالة حسابيًا: استخراج معاملات السيبستروم أسرع من تدريب النماذج الصوتية من الموجات الخام.
- موحدة ومثبتة على نطاق واسع؛ MFCCs هي سمات أساسية مقبولة عبر الأوساط الأكاديمية والصناعية لمهام الكلام.
- مرنة: يعمل التحليل السِّيبْسْتْرالي مع مقاييس تردد مختلفة (خطي، ميل، بارك) ويمكن دمجه مع العديد من التقنيات الأخرى (سمات دلتا، الترشيح، التسوية).
التطبيقات
- التعرف التلقائي على الكلام (ASR): MFCCs هي السمة الأساسية لأنظمة ASR القائمة على نماذج ماركوف المخفية (HMM) والتعلم العميق.
- التحقق من هوية المتحدث وتحديده: تكشف معاملات السيبستروم عن خصائص الجهاز الصوتي الخاصة بالمتحدث؛ تُستخدم في أنظمة القياسات الحيوية للمتحدث.
- اكتشاف طبقة الصوت وتقييم جودة الصوت: قمم السيبستروم عند تأخير طبقة الصوت للكلام المجهور؛ تمكن من تقدير التردد الأساسي دون تتبع طبقة الصوت الصريح.
- استرجاع المعلومات الموسيقية وتصنيف الأنواع: سمات السيبستروم على أطياف الميل تمكن من البحث عن تشابه الموسيقى وتصنيفها.
- الطب الشرعي الصوتي وتحليل المتحدث: السمات السيبسترالية تميز الحالة العاطفية للمتحدث، والإرهاق، والأصالة للتحليل الصوتي القانوني.
- اكتشاف الصدى والترددات المرتدة: مكونات السيبستروم ذات التأخير العالي تكشف عن أصداء متعددة (توافقيات طبقة الصوت، انعكاسات الغرفة)؛ تُستخدم لتوصيف البيئة الصوتية.
كيف يعمل
كيف يعمل
تسجيل أو رقمنة إشارة صوتية (كلام، موسيقى، صوت بيئي)؛ تقسيم الإشارة إلى نوافذ متداخلة (عادةً 20-50 مللي ثانية).
تطبيق التقديم المسبق (مرشح تمرير عالٍ) ودالة النافذة (هامينغ، هان). اختياريًا، تشويه التردد إلى مقياس إدراكي (ميل أو بارك).
حساب طيف القدرة عبر FFT أو مرشح نطاق التردد الميل. أخذ لوغاريتم السعة (طاقة لوغاريتمية). تطبيق تحويل فورييه العكسي (DFT) أو FFT العكسي على الطيف اللوغاريتمي للحصول على السيبستروم.
فصل مكونات السيبستروم: مكونات التأخير المنخفض (الكيفْرنسي) تمثل الغلاف الطيفي (الرنين، المرشح)؛ مكونات التأخير العالي تمثل البنية الدقيقة (التوافقيات، طبقة الصوت). اقتطاع مكونات التأخير العالي لتنعيم الطيف (الترشيح).
استخراج معاملات السيبستروم (عادةً 12-13 MFCCs من السيبستروم). تلتقط هذه السمات خصائص الجهاز الصوتي (هوية المتحدث، الصوتيات) مع قمع الاختلافات غير ذات الصلة (طبقة الصوت، السعة، ضوضاء الخلفية).
الأخطاء الشائعة
- افتراض أن MFCCs تلتقط جميع معلومات الكلام ذات الصلة؛ تم تحسينها لـ ASR ولكنها قد تفوت التفاصيل الصوتية لمهام أخرى (عاطفة المتحدث، الكلام المرضي).
- استخدام ترشيح غير مناسب (اقتطاع)؛ الترشيح المفرط ينعم تفاصيل الرنين بعيدًا؛ الترشيح غير الكافي يحتفظ بآثار طبقة الصوت.
- الخلط بين السيبستروم والطيف؛ السيبستروم هو كمية مشتقة (طيف لوغاريتمي محوّل)، وليس الطيف الأصلي. التفسير مختلف.
- إهمال التسوية لكل متحدث؛ تختلف MFCCs عبر المتحدثين في كل من المقياس والنطاق؛ التسوية المتوسطة للسيبستروم (CMN) ضرورية للأنظمة المستقلة عن المتحدث.
- الاعتماد المفرط على MFCCs بدون سمات سياقية (دلتا، تسارعات)؛ MFCCs الثابتة تلتقط فقط حالة الطيف اللحظية؛ الديناميكيات الزمنية غالبًا ما تكون مهمة.
الأسئلة الشائعة
ما الفرق بين الطيف والسيبستروم؟
الطيف هو تمثيل المجال الترددي للإشارة (ناتج FFT). السيبستروم هو طيف الطيف اللوغاريتمي (FFT لـ |FFT| اللوغاريتمي). يوضح الطيف الترددات الموجودة؛ يوضح السيبستروم الدوريات الموجودة في الطيف. لاكتشاف طبقة الصوت، تظهر قمم السيبستروم عند تأخير التردد الأساسي (الكيفْرنسي).
لماذا MFCCs ناجحة جدًا في ASR؟
تجمع MFCCs بين تشويه تردد مقياس الميل (مطابقة الإدراك السمعي) والتحليل السِّيبْسْتْرالي (فصل المصدر والمرشح). النتيجة هي سمة منخفضة الأبعاد (12-13 قيمة عددية لكل إطار) تلتقط المعلومات ذات الصلة صوتيًا مع كونها قوية ضد الضوضاء واختلاف المتحدث. عقود من ضبط أنظمة ASR حسّنت استخدام MFCCs.
ما هي التسوية المتوسطة للسيبستروم (CMN)؟
تطرح CMN متوسط متجه MFCC (المتوسط على جملة أو جلسة) من كل إطار. هذا يوحد الإزاحة الخاصة بالمتحدث ويحسن الاستقلال عن المتحدث. CMN ضرورية عند التدريب على متحدث واختبار على متحدث آخر؛ تقلل من تباين السمات بسبب هوية المتحدث، تاركة المحتوى الصوتي.
كيف أكتشف طبقة الصوت باستخدام التحليل السِّيبْسْتْرالي؟
احسب السيبستروم لإطار كلام. بالنسبة للكلام المجهور، تظهر قمة بارزة عند كيفْرنسي (تأخير) يساوي دورة التردد الأساسي. التردد المقابل لهذا التأخير هو طبقة الصوت. تفتقر الإطارات غير المجهورة إلى قمم واضحة. المعالجة اللاحقة (اكتشاف الإجهار، تتبع الاستمرارية) تحسن تقديرات طبقة الصوت.
هل يمكن للتحليل السِّيبْسْتْرالي اكتشاف ترددات الغرفة والصدى؟
نعم. في البيئات ذات الترددات المرتدة، يُظهر السيبستروم قممًا متعددة: واحدة عند تأخير الصوت المباشر (0) وأخرى عند تأخيرات تتوافق مع الصدى. تكشف هذه القمم ذات التأخير العالي عن وقت التردد المرتد وأنماط الصدى. يُستخدم تحليل قمم السيبستروم لتوصيف البيئة الصوتية وتقدير استجابة الغرفة النبضية.
طرق ذات صلة
المصادر
Bogert, B. P., Healy, M. J., & Tukey, J. W. (1963). The quefrency alanysis of time series for echoes: cepstrum, pseudo-autocovariance, cross-cepstrum, and saphe cracking. In Time Series Analysis Research Papers (pp. 209–243). Wiley.
افتح مرجع المنشورتم النسخ.Davis, S., & Mermelstein, P. (1980). Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences. IEEE Transactions on Acoustics, Speech, and Signal Processing, 28(4), 357–366.
افتح مرجع DOIتم النسخ.Rabiner, L. R., & Juang, B. H. (1993). Fundamentals of Speech Recognition. Prentice-Hall.
ردمك: 978-0130156099تم النسخ.