มาตราส่วนบาร์กและมาตราส่วนเมล
- ผู้เสนอ
- Eberhard Zwicker, Stanley Smith Stevens
- ปี
- 1937
- ประเภท
- Perceptual frequency mapping
- กลุ่มวิธี
- Psychoacoustics
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
มาตราส่วนบาร์ก (Bark scale) และมาตราส่วนเมล (Mel scale) เป็นมาตราส่วนการรับรู้ความถี่ที่แปลงความถี่ทางกายภาพ (Hz) ไปสู่ระดับเสียงที่รับรู้และการได้ยินอย่างเป็นรูปธรรม พัฒนาอย่างเป็นทางการโดย Zwicker (Bark, 1961) และ Stevens (Mel, 1937) มาตราส่วนที่ไม่เป็นเชิงเส้นเหล่านี้สะท้อนถึงวิธีการประมวลผลเสียงของหูมนุษย์ มาตราส่วนบาร์กแบ่งการได้ยินออกเป็น 24 แถบความถี่วิกฤต (critical bands); มาตราส่วนเมลจำลองการรับรู้ระดับเสียง ทั้งสองมาตราส่วนมีความสำคัญอย่างยิ่งต่อการสกัดคุณลักษณะเสียง การประมวลผลคำพูด และการออกแบบระบบเสียงที่สอดคล้องกับการได้ยินของมนุษย์
แนวคิดเบื้องหลังวิธีการ
หูมนุษย์ไม่ได้รับรู้ความถี่เป็นเส้นตรง การเปลี่ยนแปลงความถี่ 100 Hz จาก 100 Hz เป็น 200 Hz ให้ความรู้สึกถึงการเปลี่ยนแปลงที่มาก (หนึ่งช่วงคู่แปด) แต่การเปลี่ยนแปลงเดียวกันจาก 5100 Hz เป็น 5200 Hz แทบจะสังเกตไม่ได้ มาตราส่วนบาร์กและเมลแปลงสเกลความถี่ไปสู่ปริภูมิการรับรู้ที่ระยะห่างเท่ากันแสดงถึงความแตกต่างที่รับรู้เท่ากัน มาตราส่วนบาร์กเน้นที่การแยกแยะความถี่ (รูปแบบการบดบัง); มาตราส่วนเมลเน้นที่ระดับเสียง (ทำนองและโทนเสียง)
ประวัติศาสตร์
Stevens, Volkmann และ Newman ได้นำเสนอมาตราส่วนเมลในปี 1937 เพื่อวัดปริมาณการรับรู้ระดับเสียงในช่วงที่เท่ากัน (ทำนองเพลง) Zwicker ได้พัฒนามาตราส่วนบาร์กในปี 1961 โดยอิงจากการวัดแถบความถี่วิกฤตและปรากฏการณ์การบดบัง ทั้งสองได้กลายเป็นรากฐานของจิตจิตวิทยาการได้ยิน (psychoacoustics) และการออกแบบตัวแปลงสัญญาณเสียง การปรับปรุงที่ทันสมัย (เช่น Gammatone filterbanks, Mel-spectrograms) ให้แบบจำลองเชิงการรับรู้ที่แม่นยำยิ่งขึ้น การเรียนรู้ของเครื่องบน Mel-spectrograms ได้กลายเป็นมาตรฐานใน AI ด้านคำพูดและดนตรี
ควรใช้เมื่อใด
ใช้มาตราส่วนบาร์กสำหรับการออกแบบตัวแปลงสัญญาณเสียง (audio codec) การเข้ารหัสเสียงเชิงการรับรู้ และการวิเคราะห์ผลกระทบจากการบดบัง ใช้มาตราส่วนเมลสำหรับการประมวลผลคำพูด การดึงข้อมูลดนตรี การรู้จำผู้พูด และการเรียนรู้ของเครื่องจากคุณลักษณะเสียง ทั้งสองมาตราส่วนสามารถนำไปใช้กับการออกแบบเครื่องช่วยฟัง การฟื้นฟูเสียง และการวัดคุณภาพเสียงเชิงการรับรู้
ข้อจำกัดและข้อควรพิจารณา
- มาตราส่วนบาร์กและเมลเป็นการประมาณเชิงประจักษ์ ค่าแถบความถี่วิกฤตที่แน่นอนจะแตกต่างกันไปตามระดับ ความถี่แวดล้อม และผู้ฟังแต่ละราย
- การแปลงแบบไม่สามารถผันกลับได้ (การแปลงไปข้างหน้าสูญเสียข้อมูล) การสร้างความถี่ที่แม่นยำทำได้ยากและอาจทำให้เกิดสิ่งแปลกปลอม
- มาตราส่วนทั้งสองเป็นแบบจำลองเฉลี่ยสำหรับผู้ฟังที่มีการได้ยินปกติ การสูญเสียการได้ยิน อายุ และความแตกต่างของแต่ละบุคคลมีผลต่อแถบความถี่วิกฤตและการรับรู้ระดับเสียง
- ภาระการคำนวณ: การแปลงระหว่าง Hz และ Bark/Mel ต้องใช้ฟังก์ชันอดิศัย (ลอการิทึม, อาร์กแทนเจนต์) ตารางค้นหาและการประมาณค่าเป็นเรื่องปกติ
- จำกัดอยู่เพียงการรับรู้แบบหูเดียว (monaural) การได้ยินแบบสองหู (binaural) และเสียงเชิงพื้นที่ (spatial audio) ต้องการแบบจำลองเพิ่มเติม
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ปรับการวิเคราะห์ให้สอดคล้องกับการรับรู้ทางการได้ยินของมนุษย์ คุณลักษณะที่ได้จากปริภูมิบาร์ก/เมลมีความสัมพันธ์ที่ดีกว่ากับคุณภาพเสียงที่รับรู้และการเลือกของผู้ฟัง
- บีบอัดข้อมูลความถี่สูง: ต้องการ 'ช่องสัญญาณ' การรับรู้ที่น้อยลงที่ความถี่สูง ช่วยลดภาระการคำนวณในตัวแปลงสัญญาณเสียง
- แนวคิดแถบความถี่วิกฤตทำนายการบดบัง: บริเวณที่อยู่ในบาร์กเดียวจะอยู่ภายใต้การบดบังร่วมกัน ทำให้การออกแบบตัวแปลงสัญญาณเชิงการรับรู้ทำได้ง่ายขึ้น
- เป็นที่ยอมรับและเป็นมาตรฐานอย่างดี มีการใช้งานอย่างแพร่หลายในตัวแปลงสัญญาณเสียงเชิงพาณิชย์ (MP3, AAC) และระบบรู้จำคำพูด
- มีความยืดหยุ่น: มาตราส่วนบาร์กและเมลสามารถรวมกับเทคนิคอื่น ๆ (เส้นโค้งความดัง, การบีบอัด) เพื่อการสร้างแบบจำลองเชิงการรับรู้ที่ละเอียดขึ้น
การประยุกต์ใช้
- ตัวแปลงสัญญาณเสียงและสตรีมมิ่ง: MP3, AAC, OPUS ใช้ filterbanks แบบมาตราส่วนบาร์กสำหรับการควอนไทซ์เชิงการรับรู้; รูปแบบมาตราส่วนเมลถูกใช้ในตัวแปลงสัญญาณสมัยใหม่บางชนิด
- การรู้จำคำพูดอัตโนมัติและการยืนยันตัวตนผู้พูด: สัมประสิทธิ์เมล-ความถี่เซปสตรัล (MFCCs) ที่ได้จาก Mel-spectrograms เป็นคุณลักษณะมาตรฐานสำหรับการประมวลผลคำพูด
- การดึงข้อมูลดนตรีและการจำแนกประเภทแนวเพลง: Mel-spectrograms ช่วยให้สามารถสกัดคุณลักษณะดนตรีและการเรียนรู้เชิงลึก (deep learning) จากเสียงได้
- การออกแบบเครื่องช่วยฟังและประสาทหูเทียม: แถบความถี่วิกฤต (มาตราส่วนบาร์ก) เป็นข้อมูลสำหรับการออกแบบช่องสัญญาณและการจัดสรรความถี่ในประสาทหูเทียม
- การฟื้นฟูเสียงและการปรับปรุงคำพูด: มาตราส่วนเชิงการรับรู้ชี้นำการกำจัดสิ่งแปลกปลอมและการลดสัญญาณรบกวนที่สอดคล้องกับการได้ยิน
- การประเมินคุณภาพเสียง: ตัววัดเชิงการรับรู้ (PESQ, PEMO-Q) ใช้มาตราส่วนบาร์กและเมลเพื่อทำนายคุณภาพเสียงที่รับรู้
วิธีการทำงาน
วิธีการทำงาน
รับสัญญาณเสียงหรือการแสดงผลในโดเมนความถี่ (สเปกตรัม FFT) ที่จะทำการวิเคราะห์หรือแสดงผล
คำนวณสเปกตรัมกำลังโดยใช้เทคนิคการปรับหน้าต่าง (windowing) และ FFT มาตรฐาน เตรียมอาเรย์ความถี่ในหน่วย Hz
แปลงสเกลความถี่เชิงเส้น (Hz) ไปสู่มาตราส่วนการรับรู้: บาร์ก: z = 13 * arctan(0.76f/1000) + 3.5 * arctan((f/7500)²), เมล: m = 2595 * log10(1 + f/700) สูตรเหล่านี้แปลง Hz ไปสู่หน่วยการรับรู้
ใช้มาตราส่วนความถี่เชิงการรับรู้เพื่อออกแบบคุณลักษณะที่เลือกความถี่ (filterbanks, spectrograms) ที่สอดคล้องกับการประมวลผลทางการได้ยิน คำนวณแถบความถี่วิกฤตที่แต่ละความถี่: BW ≈ 25 + 75(1 + 1.4(f/1000)²)^0.69 ในหน่วย Hz ซึ่งในปริภูมิบาร์กมีค่าประมาณคงที่ (1 Bark ≈ แถบความถี่วิกฤต)
แสดงภาพสเปกตรัมในมาตราส่วนบาร์กหรือเมลเพื่อการตีความที่แม่นยำตามการรับรู้ เปรียบเทียบความสำคัญของคุณลักษณะ: ในสเกล Hz เชิงเส้น ความถี่สูงจะเด่นชัดในการมองเห็น แต่อาจมีความสำคัญต่อการรับรู้น้อยกว่า ในสเกลบาร์ก/เมล การเน้นจะเปลี่ยนไปสู่บริเวณที่โดดเด่นทางการรับรู้
ข้อผิดพลาดที่พบบ่อย
- สมมติว่ามาตราส่วนบาร์กและเมลเหมือนกันในเชิงการรับรู้ ทั้งสองมาตราส่วนจำลองแง่มุมที่แตกต่างกัน (การแยกแยะความถี่ vs. ระดับเสียง) และการเลือกขึ้นอยู่กับการใช้งาน
- การใช้มาตราส่วนบาร์ก/เมลเพียงมาตราส่วนเดียวสำหรับทุกความถี่ แถบความถี่วิกฤตแตกต่างกันไปตามความถี่ และแบบจำลองที่ละเอียดขึ้นบางแบบ (เช่น Equivalent Rectangular Bandwidth) มีความแม่นยำมากกว่า
- การละเลยผลกระทบที่ขึ้นกับระดับเสียง: แถบความถี่วิกฤตและการบดบังจะปรับตามระดับเสียง สมมติฐานแถบความถี่วิกฤตคงที่ถือเป็นการประมาณ
- การบีบอัดความถี่สูงมากเกินไปโดยใช้มาตราส่วนบาร์กโดยไม่มีการตรวจสอบเชิงการรับรู้ คุณภาพเสียงที่รับรู้ขึ้นอยู่กับบริบทโดยรวม ไม่ใช่แค่การบิดเบือนความถี่
- การสับสนระหว่างการแปลง Bark/Mel กับคุณภาพเชิงการรับรู้ การแปลงเป็นมาตราส่วนบาร์กไม่ได้รับประกันเสียงที่เหมาะสมที่สุดในเชิงการรับรู้ แต่เพียงแค่สอดคล้องกับแถบความถี่วิกฤต
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างมาตราส่วนบาร์กและเมล?
มาตราส่วนบาร์กจำลองการแยกแยะความถี่และแถบความถี่วิกฤต—วิธีที่หูจัดกลุ่มความถี่ที่อยู่ใกล้เคียงกันเป็นแถบการบดบัง มาตราส่วนเมลจำลองการรับรู้ระดับเสียง—วิธีที่ความถี่แมปไปยังทำนองเพลงที่รับรู้ มาตราส่วนบาร์กมีความสม่ำเสมอในแง่ของการรับรู้ (1 Bark ≈ หนึ่งแถบความถี่วิกฤต); มาตราส่วนเมลจำลองระดับเสียงที่รับรู้ (ช่วงคู่แปด, ช่วงเสียงดนตรี) ใช้มาตราส่วนบาร์กสำหรับการวิเคราะห์ตัวแปลงสัญญาณและการบดบัง; ใช้มาตราส่วนเมลสำหรับการประมวลผลระดับเสียงและคำพูด
แถบความถี่บาร์กหนึ่งแถบแทนค่ากี่ Hz?
หนึ่งบาร์กไม่ได้มีค่าคงที่ในหน่วย Hz; มันแทนแถบความถี่วิกฤตหนึ่งแถบ ซึ่งแปรผันตามความถี่ ที่ 100 Hz, 1 Bark ≈ 100 Hz; ที่ 1 kHz, 1 Bark ≈ 130 Hz; ที่ 10 kHz, 1 Bark ≈ 700+ Hz ซึ่งหมายความว่าหูสามารถแยกรายละเอียดความถี่ต่ำได้อย่างละเอียด แต่รวมรายละเอียดความถี่สูงอย่างหยาบๆ
มีแถบความถี่บาร์กในระบบการได้ยินของมนุษย์กี่แถบ?
ระบบการได้ยินของมนุษย์ครอบคลุมประมาณ 24 แถบความถี่บาร์ก ซึ่งสอดคล้องกับหน่วยแถบความถี่วิกฤตทั่วทั้งสเปกตรัมที่ได้ยิน (ประมาณ 20 Hz ถึง 20 kHz) นี่คือพื้นฐานของตัวแปลงสัญญาณเสียงจำนวนมาก ซึ่งใช้ filterbanks 24 แถบที่ปรับให้เข้ากับระยะห่างของบาร์ก
ทำไม Mel-spectrograms จึงได้รับความนิยมอย่างมากในการรู้จำคำพูด?
Mel-spectrograms บีบอัดรายละเอียดความถี่สูงในขณะที่ยังคงรักษาข้อมูลความถี่ต่ำที่เกี่ยวข้องกับคำพูด (ระดับเสียง, ฟอร์แมนท์) พวกมันสอดคล้องกับวิธีที่มนุษย์รับรู้คำพูด ทำให้คุณลักษณะที่เรียนรู้มีความทนทานมากขึ้น โครงข่ายประสาทเทียมเชิงลึก (deep neural networks) ที่ฝึกบน Mel-spectrograms มีความสามารถในการปรับตัวได้ดีขึ้นในผู้พูดและสำเนียงที่แตกต่างกัน
ฉันสามารถรวมมาตราส่วนบาร์กและเมลในการวิเคราะห์เดียวได้หรือไม่?
ได้ ใช้มาตราส่วนบาร์กสำหรับการวิเคราะห์ตัวแปลงสัญญาณและการบดบัง; คำนวณคุณลักษณะมาตราส่วนเมลแยกต่างหากสำหรับการสกัดระดับเสียงและทำนองเพลง ทั้งสองมีความเสริมกัน: บาร์กสำหรับการทำงานของหู, เมลสำหรับการรับรู้ระดับเสียง ระบบเสียงขั้นสูงบางระบบใช้ทั้งสองอย่าง โดยซ้อนการแยกแยะความถี่ (บาร์ก) กับการรับรู้ระดับเสียง (เมล)
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Zwicker, E. (1961). Subdivision of the audible frequency range into critical bands. Journal of the Acoustical Society of America, 33(2), 248–248.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วStevens, 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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วMoore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
ISBN: 978-0123914232คัดลอกแล้ว