مقیاسهای بارک و مل
- معرفیشده توسط
- Eberhard Zwicker, Stanley Smith Stevens
- سال
- 1937
- نوع
- Perceptual frequency mapping
- خانواده
- Psychoacoustics
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مقیاسهای بارک و مل، مقیاسهای ادراکی فرکانس هستند که فرکانس فیزیکی (هرتز) را به زیرایی ادراکشده و ادراک شنوایی نگاشت میکنند. این مقیاسهای غیرخطی که توسط زویکر (بارک، ۱۹۶۱) و استیونز (مل، ۱۹۳۷) صورتبندی شدهاند، نحوه پردازش صدا توسط گوش انسان را منعکس میکنند. مقیاس بارک شنوایی را به ۲۴ باند بحرانی تقسیم میکند؛ مقیاس مل ادراک زیرایی را مدلسازی میکند. هر دو برای استخراج ویژگیهای صوتی، پردازش گفتار و طراحی سیستمهای صوتی که با شنوایی انسان همسو هستند، ضروری میباشند.
شهود پشت روش
گوش فرکانس را به صورت خطی درک نمیکند. تغییر ۱۰۰ هرتزی از ۱۰۰ هرتز به ۲۰۰ هرتز مانند یک تغییر بزرگ (اکتاو) به نظر میرسد، اما همین تغییر از ۵۱۰۰ هرتز به ۵۲۰۰ هرتز به سختی قابل توجه است. مقیاسهای بارک و مل فرکانس را به فضای ادراکی نگاشت میکنند که در آن فواصل برابر، تفاوتهای ادراکشده برابر را نشان میدهند. مقیاس بارک بر تمایز فرکانس (الگوهای ماسکینگ) تمرکز دارد؛ مقیاس مل بر زیرایی (ملودی و نت) تمرکز دارد.
تاریخ
استیونز، ولکمن و نیومن در سال ۱۹۳۷ مقیاس مل را برای کمیسازی ادراک زیرایی در فواصل مساوی (ملودی) معرفی کردند. زویکر در سال ۱۹۶۱ مقیاس بارک را بر اساس اندازهگیریهای پهنای باند بحرانی و پدیدههای ماسکینگ توسعه داد. هر دو به پایههای روانآکوستیک و طراحی کدک صوتی تبدیل شدند. اصلاحات مدرن (مانند فیلتربانکهای گاماتون، طیفنگارهای مل) مدلهای ادراکی دقیقتری را ارائه میدهند. یادگیری ماشین بر روی طیفنگارهای مل در هوش مصنوعی گفتار و موسیقی استاندارد شده است.
چه زمانی استفاده شود
استفاده از مقیاس بارک برای طراحی کدک صوتی، کدگذاری ادراکی صدا و تجزیه و تحلیل اثرات ماسکینگ. استفاده از مقیاس مل برای پردازش گفتار، بازیابی اطلاعات موسیقی، تشخیص گوینده و یادگیری ماشین بر روی ویژگیهای صوتی. هر دو برای طراحی سمعک، بازیابی صدا و معیارهای کیفیت ادراکی صدا قابل استفاده هستند.
محدودیتها و ملاحظات
- مقیاسهای بارک و مل تقریبهای تجربی هستند؛ پهنای باند بحرانی دقیق با سطح، زمینه فرکانس و شنوندگان فردی متفاوت است.
- نگاشتهای غیرقابل وارون (تبدیل رو به جلو اطلاعات را از دست میدهد)؛ بازسازی دقیق فرکانس پیچیده است و ممکن است باعث ایجاد مصنوعات شود.
- هر دو مقیاس مدلهای میانگینی برای شنوندگان با شنوایی طبیعی هستند؛ کاهش شنوایی، سن و تفاوتهای فردی، پهنای باند بحرانی و ادراک زیرایی را تعدیل میکنند.
- هزینه محاسباتی: تبدیل بین هرتز و بارک/مل نیازمند توابع متعالی (لگاریتم، آرکتانژانت) است؛ جداول جستجو و تقریبها رایج هستند.
- محدود به ادراک تکگوشی (یک گوش)؛ شنوایی دوگوشی (دو گوش) و صدای فضایی نیازمند مدلسازی اضافی هستند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- همسو کردن تجزیه و تحلیل با ادراک شنوایی انسان؛ ویژگیهای مشتق شده در فضای بارک/مل، همبستگی بهتری با کیفیت ادراکی صدا و ترجیح شنونده دارند.
- فشردهسازی اطلاعات فرکانس بالا: کانالهای ادراکی کمتری در فرکانسهای بالا مورد نیاز است که هزینه محاسباتی را در کدکهای صوتی کاهش میدهد.
- مفهوم پهنای باند بحرانی، ماسکینگ را پیشبینی میکند: نواحی درون یک بارک تحت ماسکینگ مشترک قرار میگیرند که طراحی کدک ادراکی را ساده میکند.
- به خوبی تثبیت شده و استاندارد شده؛ به طور گسترده در کدکهای صوتی تجاری (MP3، AAC) و سیستمهای تشخیص گفتار استفاده میشود.
- انعطافپذیر: مقیاسهای بارک و مل میتوانند با تکنیکهای دیگر (منحنیهای بلندی صدا، فشردهسازی) برای مدلسازی ادراکی دقیق ترکیب شوند.
کاربردها
- کدک و پخش صدا: MP3، AAC، OPUS از فیلتربانکهای مقیاس بارک برای کوانتیزاسیون ادراکی استفاده میکنند؛ انواع مقیاس مل در برخی کدکهای مدرن استفاده میشوند.
- تشخیص خودکار گفتار و تأیید هویت گوینده: ضرایب سِپسترال فرکانس مل (MFCC) مشتق شده از طیفنگارهای مقیاس مل، ویژگیهای استاندارد برای پردازش گفتار هستند.
- بازیابی اطلاعات موسیقی و طبقهبندی ژانر: طیفنگارهای مل، استخراج ویژگیهای موسیقی و یادگیری عمیق بر روی صدا را امکانپذیر میسازند.
- طراحی سمعک و کاشت حلزون: پهنای باند بحرانی (مقیاس بارک) در طراحی کانال و تخصیص فرکانس در ایمپلنتها تأثیرگذار است.
- بازیابی صدا و بهبود گفتار: مقیاسهای ادراکی، حذف مصنوعات و سرکوب نویز همسو با شنوایی را هدایت میکنند.
- ارزیابی کیفیت صدا: معیارهای ادراکی (PESQ، PEMO-Q) از مقیاسهای بارک و مل برای پیشبینی کیفیت ادراکی صدا استفاده میکنند.
چگونه کار میکند
چگونه کار میکند
دریافت یک سیگنال صوتی یا نمایش حوزه فرکانس (طیف FFT) برای تجزیه و تحلیل یا نمایش.
محاسبه طیف توان با استفاده از تکنیکهای استاندارد پنجرهگذاری و FFT. آرایه فرکانس را بر حسب هرتز آماده کنید.
تبدیل مقیاس فرکانس خطی (هرتز) به مقیاسهای ادراکی: بارک: z = 13 * arctan(0.76f/1000) + 3.5 * arctan((f/7500)²)، مل: m = 2595 * log10(1 + f/700). این فرمولها هرتز را به واحدهای ادراکی نگاشت میکنند.
استفاده از مقیاس فرکانس ادراکی برای طراحی ویژگیهای انتخابی فرکانس (فیلتربانکها، طیفنگارها) همسو با پردازش شنوایی. محاسبه پهنای باند بحرانی در هر فرکانس: BW ≈ 25 + 75(1 + 1.4(f/1000)²)^0.69 بر حسب هرتز، که در مقیاس بارک تقریباً ثابت است (۱ بارک ≈ پهنای باند بحرانی).
تجسم طیفها در مقیاس بارک یا مل برای تفسیر دقیق ادراکی. مقایسه اهمیت ویژگیها: در هرتز خطی، فرکانسهای بالا از نظر بصری غالب هستند اما ممکن است از نظر ادراکی اهمیت کمتری داشته باشند؛ در بارک/مل، تأکید به مناطق برجسته ادراکی منتقل میشود.
دامهای رایج
- فرض یکسان بودن مقیاسهای بارک و مل از نظر ادراکی؛ آنها جنبههای متفاوتی را مدل میکنند (تمایز فرکانس در مقابل زیرایی) و انتخاب به کاربرد بستگی دارد.
- استفاده از یک مقیاس واحد بارک/مل برای همه فرکانسها؛ پهنای باند بحرانی با فرکانس تغییر میکند و برخی مدلهای دقیقتر (مانند پهنای باند مستطیلی معادل) دقیقتر هستند.
- نادیده گرفتن اثرات وابسته به سطح: پهنای باند بحرانی و ماسکینگ با سطح صدا مقیاس میشوند؛ مفروضات پهنای باند بحرانی ثابت، تقریب هستند.
- فشردهسازی بیش از حد فرکانسهای بالا با استفاده از مقیاس بارک بدون اعتبارسنجی ادراکی؛ کیفیت صدای ادراکشده به زمینه کلی بستگی دارد، نه فقط به اعوجاج فرکانس.
- اشتباه گرفتن تبدیل بارک/مل با کیفیت ادراکی؛ تبدیل به مقیاس بارک، صدای بهینه ادراکی را تضمین نمیکند، بلکه فقط همسویی با باندهای بحرانی را تضمین میکند.
پرسشهای متداول
تفاوت مقیاسهای بارک و مل چیست؟
مقیاس بارک، تمایز فرکانس و پهنای باند بحرانی را مدل میکند - اینکه چگونه گوش فرکانسهای نزدیک را در باندهای ماسکینگ گروهبندی میکند. مقیاس مل، ادراک زیرایی را مدل میکند - چگونه فرکانس به ملودی ادراکشده نگاشت میشود. مقیاس بارک در حس ادراکی یکنواخت است (۱ بارک ≈ یک باند بحرانی)؛ مقیاس مل، زیرایی ذهنی (اکتاوها، فواصل موسیقی) را مدل میکند. از بارک برای تحلیل کدک و ماسکینگ؛ از مل برای پردازش زیرایی و گفتار استفاده کنید.
یک باند بارک در هرتز چه چیزی را نشان میدهد؟
یک بارک در هرتز ثابت نیست؛ بلکه یک پهنای باند بحرانی را نشان میدهد که با فرکانس تغییر میکند. در ۱۰۰ هرتز، ۱ بارک ≈ ۱۰۰ هرتز؛ در ۱ کیلوهرتز، ۱ بارک ≈ ۱۳۰ هرتز؛ در ۱۰ کیلوهرتز، ۱ بارک ≈ ۷۰۰+ هرتز. این بدان معناست که گوش جزئیات فرکانس پایین را به خوبی تفکیک میکند اما جزئیات فرکانس بالا را به صورت درشت گروهبندی میکند.
چند باند بارک در شنوایی انسان وجود دارد؟
شنوایی انسان تقریباً ۲۴ باند بارک را پوشش میدهد که متناظر با واحدهای پهنای باند بحرانی در سراسر طیف قابل شنیدن (≈ ۲۰ هرتز تا ۲۰ کیلوهرتز) است. این اساس بسیاری از کدکهای صوتی است که از فیلتربانکهای ۲۴ بانده همسو با فاصله بارک استفاده میکنند.
چرا طیفنگارهای مل در تشخیص گفتار بسیار محبوب هستند؟
طیفنگارهای مل جزئیات فرکانس بالا را فشرده میکنند در حالی که اطلاعات فرکانس پایین مرتبط با گفتار (زیرایی، فورمنتها) را حفظ میکنند. آنها با نحوه درک انسان از گفتار همسو هستند و ویژگیهای آموخته شده را قویتر میکنند. شبکههای عصبی عمیق آموزش دیده بر روی طیفنگارهای مل، در بین گویندگان و لهجهها بهتر تعمیم مییابند.
آیا میتوانم مقیاسهای بارک و مل را در یک تجزیه و تحلیل ترکیب کنم؟
بله. از مقیاس بارک برای تحلیل کدک و ماسکینگ استفاده کنید؛ ویژگیهای مقیاس مل را به طور جداگانه برای استخراج زیرایی و ملودی محاسبه کنید. آنها مکمل یکدیگر هستند: بارک برای مکانیک شنوایی، مل برای زیرایی ادراکی. برخی سیستمهای صوتی پیشرفته از هر دو استفاده میکنند، تمایز فرکانس (بارک) را با ادراک زیرایی (مل) لایهبندی میکنند.
روشهای مرتبط
منابع
Zwicker, E. (1961). Subdivision of the audible frequency range into critical bands. Journal of the Acoustical Society of America, 33(2), 248–248.
باز کردن مرجع انتشارکپی شد.Stevens, S. S., Volkmann, J., & Newman, E. B. (1937). A scale for the measurement of the psychological magnitude pitch. Journal of the Acoustical Society of America, 8(3), 185–190.
باز کردن مرجع DOIکپی شد.Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
شابک: 978-0123914232کپی شد.