Skale Bark i Mel
- Autor metody
- Eberhard Zwicker, Stanley Smith Stevens
- Rok
- 1937
- Typ
- Perceptual frequency mapping
- Rodzina
- Psychoacoustics
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Skale Bark i Mel to percepcyjne skale częstotliwości, które mapują fizyczną częstotliwość (Hz) na postrzeganą wysokość dźwięku i percepcję słuchową.
Sformalizowane przez Zwickera (Bark, 1961) i Stevensa (Mel, 1937), te nieliniowe skale odzwierciedlają sposób, w jaki ludzkie ucho przetwarza dźwięk. Skala Bark dzieli słuch na 24 pasma krytyczne; skala Mel modeluje percepcję wysokości dźwięku. Obie są niezbędne do ekstrakcji cech audio, przetwarzania mowy oraz projektowania systemów audio zgodnych z ludzkim słuchem.
Intuicja stojąca za metodą
Ucho nie postrzega częstotliwości liniowo. Przesunięcie o 100 Hz ze 100 Hz do 200 Hz brzmi jak duża zmiana (oktawa), ale to samo przesunięcie z 5100 Hz do 5200 Hz jest ledwo zauważalne. Skale Bark i Mel mapują częstotliwość na przestrzeń percepcyjną, gdzie równe odległości reprezentują równe postrzegane różnice. Skala Bark skupia się na dyskryminacji częstotliwości (wzorce maskowania); skala Mel skupia się na wysokości dźwięku (melodia i ton).
Historia
Stevens, Volkmann i Newman wprowadzili skalę Mel w 1937 roku w celu kwantyfikacji percepcji wysokości dźwięku w równych odstępach (melodia). Zwicker opracował skalę Bark w 1961 roku, opartą na pomiarach pasm krytycznych i zjawiskach maskowania. Obie stały się podstawą psychoakustyki i projektowania kodeków audio. Nowoczesne udoskonalenia (np. banki filtrów Gammatone, mel-spektrogramy) zapewniają dokładniejsze modele percepcyjne. Uczenie maszynowe na mel-spektrogramach stało się standardem w AI mowy i muzyki.
Kiedy stosować
Użyj skali Bark do projektowania kodeków audio, percepcyjnego kodowania audio i analizy efektów maskowania. Użyj skali Mel do przetwarzania mowy, wyszukiwania informacji muzycznej, rozpoznawania mówcy i uczenia maszynowego na cechach audio. Obie mają zastosowanie w projektowaniu aparatów słuchowych, renowacji audio i metrykach jakości percepcyjnej audio.
Ograniczenia i uwagi
- Skale Bark i Mel są przybliżeniami empirycznymi; dokładne pasmo krytyczne zależy od poziomu, kontekstu częstotliwościowego i indywidualnych słuchaczy.
- Mapowania nieodwracalne (transformacja w przód traci informacje); precyzyjna rekonstrukcja częstotliwości jest złożona i może wprowadzać artefakty.
- Obie skale są modelami średnimi dla słuchaczy o normalnym słuchu; ubytek słuchu, wiek i indywidualne różnice modulują pasmo krytyczne i percepcję wysokości dźwięku.
- Koszt obliczeniowy: konwersja między Hz a Bark/Mel wymaga funkcji przestępnych (logarytm, arcus tangens); często stosuje się tablice przeglądowe i przybliżenia.
- Ograniczone do percepcji monauralnej (jednego ucha); słuch binauralny (dwoje uszu) i dźwięk przestrzenny wymagają dodatkowego modelowania.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Dopasuj analizę do ludzkiej percepcji słuchowej; cechy pochodzące z przestrzeni Bark/Mel lepiej korelują z subiektywną jakością dźwięku i preferencjami słuchaczy.
- Kompresja informacji o wysokich częstotliwościach: mniej percepcyjnych 'kanałów' jest potrzebnych przy wysokich częstotliwościach, co zmniejsza koszt obliczeniowy w kodekach audio.
- Koncepcja pasma krytycznego przewiduje maskowanie: regiony w obrębie jednego Barka podlegają wspólnemu maskowaniu, upraszczając projektowanie kodeków percepcyjnych.
- Dobrze ugruntowane i znormalizowane; szeroko stosowane w komercyjnych kodekach audio (MP3, AAC) i systemach rozpoznawania mowy.
- Elastyczność: skale Bark i Mel mogą być łączone z innymi technikami (krzywe głośności, kompresja) dla dopracowanego modelowania percepcyjnego.
Zastosowania
- Kodeki audio i streaming: MP3, AAC, OPUS wykorzystują banki filtrów w skali Bark do kwantyzacji percepcyjnej; warianty w skali Mel są używane w niektórych nowoczesnych kodekach.
- Automatyczne rozpoznawanie mowy i weryfikacja mówcy: współczynniki cepstralne częstotliwości Mel (MFCC) pochodzące z mel-spektrogramów są standardowymi cechami przetwarzania mowy.
- Wyszukiwanie informacji muzycznej i klasyfikacja gatunków: mel-spektrogramy umożliwiają ekstrakcję cech muzycznych i uczenie głębokie na audio.
- Projektowanie aparatów słuchowych i implantów ślimakowych: pasmo krytyczne (skala Bark) informuje o projektowaniu kanałów i alokacji częstotliwości w implantach.
- Renowacja audio i wzmacnianie mowy: skale percepcyjne kierują usuwaniem artefaktów i redukcją szumów zgodną ze słuchem.
- Ocena jakości audio: metryki percepcyjne (PESQ, PEMO-Q) wykorzystują skale Bark i Mel do przewidywania subiektywnej jakości dźwięku.
Jak to działa
Jak to działa
Uzyskaj sygnał audio lub reprezentację w dziedzinie częstotliwości (widmo FFT) do analizy lub wyświetlenia.
Oblicz widmo mocy przy użyciu standardowych technik okienkowania i FFT. Przygotuj tablicę częstotliwości w Hz.
Przekształć liniową skalę częstotliwości (Hz) na skale percepcyjne: Bark: z = 13 * arctan(0.76f/1000) + 3.5 * arctan((f/7500)²), Mel: m = 2595 * log10(1 + f/700). Te formuły mapują Hz → jednostki percepcyjne.
Użyj percepcyjnej skali częstotliwości do projektowania cech selektywnych częstotliwości (banków filtrów, spektrogramów) zgodnych z przetwarzaniem słuchowym. Oblicz pasmo krytyczne dla każdej częstotliwości: BW ≈ 25 + 75(1 + 1.4(f/1000)²)^0.69 w Hz, co w przestrzeni Bark jest w przybliżeniu stałe (1 Bark ≈ pasmo krytyczne).
Wizualizuj widma w skali Bark lub Mel dla percepcyjnie dokładnej interpretacji. Porównaj znaczenie cech: w liniowym Hz wysokie częstotliwości dominują wizualnie, ale mogą być mniej ważne percepcyjnie; w skali Bark/Mel nacisk przesuwa się na regiony percepcyjnie istotne.
Częste pułapki
- Zakładanie, że skale Bark i Mel są percepcyjnie identyczne; modelują one różne aspekty (dyskryminacja częstotliwości vs. wysokość dźwięku), a wybór zależy od zastosowania.
- Używanie pojedynczej skali Bark/Mel dla wszystkich częstotliwości; pasmo krytyczne zmienia się wraz z częstotliwością, a niektóre dopracowane modele (np. równoważne pasmo prostokątne) są dokładniejsze.
- Nieuwzględnianie efektów zależnych od poziomu: pasmo krytyczne i maskowanie skalują się z poziomem dźwięku; założenia o stałym paśmie krytycznym są przybliżeniami.
- Nadmierna kompresja wysokich częstotliwości przy użyciu skali Bark bez walidacji percepcyjnej; postrzegana jakość dźwięku zależy od ogólnego kontekstu, a nie tylko od zniekształcenia częstotliwości.
- Mylenie konwersji Bark/Mel z jakością percepcyjną; transformacja do skali Bark nie gwarantuje percepcyjnie optymalnego dźwięku, jedynie dopasowanie do pasm krytycznych.
Najczęściej zadawane pytania
Jaka jest różnica między skalami Bark i Mel?
Skala Bark modeluje dyskryminację częstotliwości i pasmo krytyczne — jak ucho grupuje pobliskie częstotliwości w pasma maskujące. Skala Mel modeluje percepcję wysokości dźwięku — jak częstotliwość mapuje się na postrzeganą melodię. Skala Bark jest w przybliżeniu jednolita w sensie percepcyjnym (1 Bark ≈ jedno pasmo krytyczne); skala Mel modeluje subiektywną wysokość dźwięku (oktawy, interwały muzyczne). Użyj Bark do analizy kodeków i maskowania; Mel do wysokości dźwięku i przetwarzania mowy.
Co reprezentuje jedno pasmo Bark w Hz?
Jedno Bark nie jest stałe w Hz; reprezentuje jedno pasmo krytyczne, które zmienia się wraz z częstotliwością. Przy 100 Hz, 1 Bark ≈ 100 Hz; przy 1 kHz, 1 Bark ≈ 130 Hz; przy 10 kHz, 1 Bark ≈ 700+ Hz. Oznacza to, że ucho rozdzielczość szczegółów niskich częstotliwości drobno, ale grupuje szczegóły wysokich częstotliwości grubo.
Ile pasm Bark jest w ludzkim słuchu?
Ludzki słuch obejmuje około 24 pasma Bark, odpowiadające jednostkom pasma krytycznego w całym słyszalnym spektrum (≈20 Hz do 20 kHz). Jest to podstawa wielu kodeków audio, które używają banków filtrów 24-pasmowych dopasowanych do odstępów Bark.
Dlaczego mel-spektrogramy są tak popularne w rozpoznawaniu mowy?
Mel-spektrogramy kompresują szczegóły wysokich częstotliwości, jednocześnie zachowując istotne dla mowy informacje o niskich częstotliwościach (wysokość dźwięku, formanty). Są one zgodne ze sposobem, w jaki ludzie postrzegają mowę, co czyni nauczone cechy bardziej odpornymi. Głębokie sieci neuronowe trenowane na mel-spektrogramach lepiej generalizują między mówcami i akcentami.
Czy mogę połączyć skale Bark i Mel w jednej analizie?
Tak. Użyj skali Bark do analizy kodeków i maskowania; oblicz cechy w skali Mel oddzielnie dla ekstrakcji wysokości dźwięku i melodii. Są one komplementarne: Bark dla mechaniki słuchu, Mel dla percepcji wysokości dźwięku. Niektóre zaawansowane systemy audio wykorzystują obie, nakładając dyskryminację częstotliwości (Bark) na percepcję wysokości dźwięku (Mel).
Pokrewne metody
Źródła
Zwicker, E. (1961). Subdivision of the audible frequency range into critical bands. Journal of the Acoustical Society of America, 33(2), 248–248.
Otwórz odnośnik do publikacjiSkopiowano.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.
Otwórz odnośnik DOISkopiowano.Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
ISBN: 978-0123914232Skopiowano.