Skip to content
กลับไปยังผลการค้นหา

การบดบังทางจิต-โสตประสาท

ผู้เสนอ
Eberhard Zwicker
ปี
1961
ประเภท
Perceptual model for audio systems
กลุ่มวิธี
Psychoacoustics, Auditory perception

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การบดบังทางจิต-โสตประสาท (Psychoacoustic masking) อธิบายถึงวิธีการที่ระบบการได้ยินของมนุษย์กดการรับรู้เสียงที่เบาลงเมื่อมีเสียงที่ดังกว่าอยู่ด้วย ปรากฏการณ์นี้ถูกทำให้เป็นรูปธรรมโดย Eberhard Zwicker ในช่วงทศวรรษ 1960 การบดบังเป็นปรากฏการณ์พื้นฐานในการได้ยินและเป็นพื้นฐานของการเข้ารหัสเสียงเชิงรับรู้ (MP3, AAC, OPUS) การบดบังเกิดขึ้นทั้งในเชิงความถี่ (การบดบังเชิงสเปกตรัม) และเชิงเวลา (การบดบังเชิงเวลา) และความเข้าใจในผลกระทบเหล่านี้ช่วยให้สามารถบีบอัดเสียงได้อย่างมีประสิทธิภาพและการออกแบบเสียงที่สมจริง

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการสนทนาที่เงียบสงบในร้านกาแฟที่พลุกพล่าน คุณสามารถเข้าใจเพื่อนของคุณได้ แม้ว่าจะมีบทสนทนาอื่น ๆ และเสียงรบกวนรอบข้างมากมาย หูของคุณจะระงับเสียงที่ไม่เกี่ยวข้องโดยธรรมชาติ นี่คือการบดบัง เสียงที่ดัง (ฝูงชน) จะบดบังหรือซ่อนเสียงที่เบากว่า (บทสนทนาที่อยู่ใกล้เคียงแต่มีความสำคัญน้อยกว่า) เนื่องจาก การตอบสนองของหูชั้นในต่อเสียงที่ดังจะทำให้การประมวลผลสัญญาณของเสียงที่เบากว่านั้นท่วมท้น วิศวกรเสียงใช้หลักการนี้เพื่อลบหรือบีบอัดรายละเอียดที่มนุษย์ไม่สามารถได้ยินได้ ทำให้ไฟล์มีขนาดเล็กลงโดยไม่สูญเสียคุณภาพที่สังเกตได้

ประวัติศาสตร์

Zwicker เป็นผู้บุกเบิกด้านจิต-โสตประสาทวิทยาในทศวรรษ 1960 โดยวัดและสร้างแบบจำลองเกณฑ์การบดบังทั้งในเชิงความถี่และเวลา Moore และคนอื่นๆ ได้ปรับปรุงความเข้าใจเกี่ยวกับแบนด์วิดท์วิกฤตและกลไกของเยื่อหุ้มเบสิลาร์ งานของ Johnston ในปี 1988 ได้นำการบดบังไปใช้กับการเข้ารหัสเสียง ซึ่งวางรากฐานสำหรับตัวแปลงสัญญาณเชิงรับรู้ MPEG และ ISO ได้กำหนดมาตรฐานแบบจำลองการบดบังในทศวรรษ 1990 (MP3, AAC) ตัวแปรตัวแปลงสัญญาณสมัยใหม่ (OPUS, LAME) ใช้แบบจำลองการบดบังที่ซับซ้อนเพื่อเพิ่มประสิทธิภาพการบีบอัด

ควรใช้เมื่อใด

นำแบบจำลองการบดบังทางจิต-โสตประสาทไปใช้ในการบีบอัดเสียง (MP3, AAC, OPUS) การปรับปรุงเสียงและการลดเสียงรบกวน การออกแบบเครื่องช่วยฟัง การประเมินความชัดเจนของการพูด และการแสดงผลเสียงเสมือน การบดบังมีความสำคัญต่อการออกแบบตัวแปลงสัญญาณเชิงรับรู้ที่ขนาดไฟล์และแบนด์วิดท์มีความสำคัญ การบดบังมีความสำคัญน้อยกว่าเมื่อความเที่ยงตรงของเสียงมีความสำคัญสูงสุด (การมิกซ์เสียงในสตูดิโอ) หรือเมื่อไม่จำเป็นต้องใช้ตัวชี้วัดเชิงรับรู้

ข้อจำกัดและข้อควรพิจารณา

  • เกณฑ์การบดบังแตกต่างกันอย่างมากในแต่ละบุคคล การสูญเสียการได้ยิน อายุ และความแตกต่างของแต่ละบุคคลลดความสามารถในการคาดการณ์ในผู้ฟังบางราย
  • แบบจำลองการบดบังสมมติว่าการประมวลผลการได้ยินเป็นแบบเชิงเส้น ผลกระทบที่ไม่เป็นเชิงเส้น (การปรับความดัง เสียงผิดเพี้ยน) ไม่ได้ถูกจับได้อย่างสมบูรณ์
  • การบดบังเชิงเวลามีลักษณะเฉพาะน้อยกว่าการบดบังเชิงสเปกตรัม แบบจำลองมีความเรียบง่ายและแม่นยำน้อยกว่าสำหรับปรากฏการณ์ในโดเมนเวลา (เสียงกระแทก สิ่งแปลกปลอมทางดนตรี)
  • ขึ้นอยู่กับสถิติของสัญญาณอย่างยิ่ง เกณฑ์การบดบังเปลี่ยนแปลงไปตามสเปกตรัม โครงสร้างเชิงเวลา และประเภทของสัญญาณ แบบจำลองอาจไม่สามารถสรุปได้กับทุกสัญญาณ
  • ความแปรปรวนของแต่ละบุคคลและผลกระทบจากบริบท (ความสนใจ ความเหนื่อยล้า การสัมผัสก่อนหน้า) ปรับเปลี่ยนเกณฑ์การบดบัง แบบจำลองคงที่อาจไม่สามารถจับความแปรปรวนเหล่านี้ได้

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • มีพื้นฐานที่มั่นคงในสรีรวิทยาของการได้ยิน เกณฑ์การบดบังสัมพันธ์กับการวัดการสั่นของเยื่อหุ้มเบสิลาร์และการประมวลผลของหอยโข่ง
  • ช่วยให้สามารถบีบอัดเสียงได้อย่างมาก (10:1 หรือสูงกว่า) โดยไม่สูญเสียคุณภาพที่รับรู้ได้ โดยใช้ประโยชน์จากข้อจำกัดของการได้ยินของมนุษย์ แทนที่จะทิ้งข้อมูลไป
  • ใช้ได้กับสภาวะการฟังและสภาพแวดล้อมทางเสียงที่หลากหลาย เส้นโค้งการบดบังค่อนข้างสอดคล้องกันในหมู่ผู้ฟังและบริบทต่างๆ
  • การนำไปใช้งานเชิงคำนวณที่ง่ายและมีประสิทธิภาพ แบบจำลองการบดบังสามารถรวมเข้ากับตัวแปลงสัญญาณเสียงแบบเรียลไทม์และเครื่องช่วยฟังได้โดยมีภาระงาน CPU น้อยที่สุด
  • มาตรฐานที่จัดตั้งขึ้น (ISO/MPEG) และการปรับปรุงมานานหลายทศวรรษ แบบจำลองการบดบังมีความสมบูรณ์และเชื่อถือได้ในระบบเสียงเชิงพาณิชย์

การประยุกต์ใช้

  • การบีบอัดและสตรีมมิ่งเสียง: MP3, AAC, OPUS และตัวแปลงสัญญาณอื่นๆ ใช้แบบจำลองการบดบังเพื่อให้ได้อัตราการบีบอัด 10–20:1 โดยไม่มีการสูญเสียคุณภาพที่ได้ยิน เป็นพื้นฐานของการสตรีมเสียงบนแบนด์วิดท์ที่จำกัด
  • การออกแบบเครื่องช่วยฟัง: รวมแบบจำลองการบดบังเพื่อระงับเสียงหูอื้อและเพิ่มความชัดเจนของการพูดในสภาพแวดล้อมที่มีเสียงรบกวน โดยหลีกเลี่ยงสิ่งแปลกปลอมที่ผู้ใช้เครื่องช่วยฟังจะรับรู้ได้
  • การปรับปรุงเสียงและการลดเสียงรบกวน: ใช้การบดบังเพื่อระบุและระงับเสียงรบกวนในบริเวณความถี่-เวลาที่เสียงรบกวนนั้นถูกบดบังโดยเสียงพูด เพิ่มความชัดเจน
  • การบูรณะเสียงและนิติวิทยาศาสตร์เสียง: ใช้การบดบังเพื่อกำหนดว่าสิ่งแปลกปลอมจากการเสื่อมสภาพในบันทึกที่เสียหายมีความสำคัญเชิงรับรู้เพียงใด เพื่อเป็นแนวทางในการจัดลำดับความสำคัญของการบูรณะ
  • การออกแบบเสียง 3 มิติและเสียงเชิงพื้นที่: ใช้ประโยชน์จากการบดบังเชิงสเปกตรัมและเชิงเวลาเพื่อลดจำนวนตัวกรอง HRTF และช่องสัญญาณเสียงเชิงพื้นที่ที่จำเป็นสำหรับการดื่มด่ำที่สมจริง
  • การผลิตดนตรีและการมิกซ์เสียง: ใช้ความรู้เรื่องการบดบังเพื่อป้องกันความขัดแย้งทางความถี่ (การบดบังเครื่องดนตรีโดยเครื่องดนตรีอื่น) และปรับการตั้งค่า EQ และการบีบอัดเพื่อความชัดเจน

วิธีการทำงาน

วิธีการทำงาน

1

บันทึกหรือสังเคราะห์สัญญาณเสียงที่มีทั้งเสียงรบกวนที่บดบัง (หรือโทนเสียง) และสัญญาณทดสอบ (โทนเสียงหรือเสียงรบกวนที่มีความถี่และความเข้มต่างกัน)

2

ปรับระดับสัญญาณให้เป็นมาตรฐาน ใช้การปรับหน้าต่างในโดเมนความถี่ และแยกสัญญาณออกเป็นแถบความถี่ (โดยใช้ filterbanks หรือการวิเคราะห์ฟูเรียร์) เพื่อเปิดใช้งานการวิเคราะห์การบดบังเฉพาะแถบความถี่

3

สำหรับแต่ละแถบความถี่ ให้วัดค่าเกณฑ์การบดบัง ซึ่งเป็นระดับสัญญาณขั้นต่ำในแถบนั้นที่สามารถรับรู้ได้เมื่อมีเสียงรบกวนที่บดบัง แยกแยะการบดบังเชิงสเปกตรัม (ความถี่หนึ่งบดบังความถี่ใกล้เคียง) และการบดบังเชิงเวลา (เสียงดังบดบังเสียงที่เบากว่าก่อนและหลัง)

4

ปรับแบบจำลองการบดบัง (เช่น ISO/MPEG masking curves) ที่เชื่อมโยงเกณฑ์การบดบังกับสเปกตรัมและโครงสร้างเชิงเวลาของสัญญาณที่บดบัง แบบจำลองมักจะคำนึงถึงแบนด์วิดท์วิกฤต (critical bandwidth) การกระตุ้นเยื่อหุ้มเบสิลาร์ (basilar membrane excitation) และหน้าต่างการรวมเวลา (temporal integration windows)

5

ใช้เกณฑ์การบดบังเพื่อกำหนดว่าส่วนประกอบของสัญญาณใดที่ซ้ำซ้อนเชิงรับรู้และสามารถละทิ้งหรือบีบอัดได้ ใช้แบบจำลองการบดบังในการออกแบบตัวแปลงสัญญาณเสียงเพื่อจัดสรรบิตอย่างมีประสิทธิภาพ: จัดสรรบิตมากขึ้นให้กับสัญญาณที่ไม่ถูกบดบัง และน้อยลงให้กับสัญญาณที่ถูกบดบัง

ข้อผิดพลาดที่พบบ่อย

  • การบีบอัดที่มากเกินไปตามเกณฑ์การบดบัง สิ่งแปลกปลอมที่ปกติจะถูกบดบังอาจกลายเป็นที่ได้ยินเมื่อรวมหลายสัญญาณเข้าด้วยกันหรือในบริบทการฟังที่แตกต่างกัน
  • การละเลยความแตกต่างของการได้ยินของแต่ละบุคคล เส้นโค้งการบดบังมาตรฐานสมมติว่าการได้ยินปกติ ผู้ที่มีปัญหาการได้ยินอาจมีรูปแบบการบดบังที่แตกต่างกัน
  • การละเลยการบดบังเชิงเวลาเมื่อบีบอัดสัญญาณที่มีลักษณะเสียงกระแทกสูง (การพูด ดนตรีที่ใช้เครื่องเคาะ) การจัดสรรบิตอัตราสูงที่เสียงกระแทกจะหลีกเลี่ยงสิ่งแปลกปลอมแบบ 'pre-echo'
  • การสมมติว่าแบบจำลองการบดบังที่ฝึกฝนจากสิ่งกระตุ้นอย่างง่าย (คลื่นไซน์ เสียงรบกวนแบบแถบแคบ) นำไปใช้กับดนตรีหรือการพูดที่ซับซ้อน สัญญาณในโลกแห่งความเป็นจริงอาจมีพฤติกรรมแตกต่างกัน
  • การลืมว่าเกณฑ์การบดบังเป็นค่าสัมบูรณ์ ความดังสัมพัทธ์ก็ส่งผลต่อคุณภาพที่รับรู้ได้เช่นกัน สิ่งแปลกปลอมที่ถูกบดบังอาจไม่ได้ยินเมื่อแยกกัน แต่สังเกตได้เมื่ออยู่ในบริบท

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่างการบดบังเชิงสเปกตรัมและการบดบังเชิงเวลา?

การบดบังเชิงสเปกตรัม (Frequency masking) เกิดขึ้นเมื่อช่วงความถี่หนึ่งบดบังการรับรู้เสียงในช่วงความถี่ใกล้เคียง (เช่น เสียงเบสที่ดังกลบเสียงเครื่องดนตรีช่วงกลาง) การบดบังเชิงเวลา (Temporal masking) เกิดขึ้นเมื่อเสียงดังระงับการรับรู้เสียงที่เบากว่าก่อนหน้า (pre-masking, ~5 ms) หรือหลังจากนั้น (post-masking, ~100 ms) ทั้งสองอย่างมีส่วนทำให้เกิดการบดบังโดยรวม แต่การบดบังเชิงเวลานั้นยากต่อการสร้างแบบจำลองและเข้าใจน้อยกว่า

แบนด์วิดท์วิกฤตคืออะไรและมีความสำคัญอย่างไร?

แบนด์วิดท์วิกฤต (Critical bandwidth) คือความกว้างของช่วงความถี่ที่การบดบังมีความเข้มข้นสูงสุด เป็นตัวแทนของการ 'ปรับ' ที่มีประสิทธิภาพของหอยโข่ง (หูชั้นใน) ต่ำกว่า 500 Hz แบนด์วิดท์วิกฤตจะอยู่ที่ประมาณ 100 Hz เหนือ 2 kHz จะกว้างขึ้น ตัวแปลงสัญญาณเสียงใช้แบนด์วิดท์วิกฤตเพื่อจัดกลุ่มบิตความถี่สำหรับการวิเคราะห์การบดบังและการจัดสรรบิต ความถี่ภายในแบนด์วิกฤตเดียวกันมักจะถูกพิจารณาเป็นหน่วยเดียว

สามารถบีบอัดเสียงได้มากน้อยเพียงใดโดยใช้การบดบัง?

อัตราการบีบอัดทั่วไปอยู่ที่ 10–20:1 สำหรับการพูด และ 8–12:1 สำหรับดนตรี โดยไม่มีการสูญเสียคุณภาพที่สังเกตได้ (MP3 ที่ 128 kbps, AAC ที่ 96 kbps) การบีบอัดที่มากเกินไป (40:1, 64 kbps) จะทำให้เกิดสิ่งแปลกปลอมที่ได้ยิน (pre-echo การสูญเสียรายละเอียดเสียงกระแทก สิ่งแปลกปลอมแบบโทนเสียง) อัตราส่วนที่สามารถทำได้ขึ้นอยู่กับเนื้อหาของสัญญาณ คุณภาพของแบบจำลองการบดบัง และความสามารถในการได้ยินของผู้ฟัง

ผู้ที่มีปัญหาการได้ยินสามารถรับรู้เสียงที่ผู้ฟังปกติพบว่าถูกบดบังได้หรือไม่?

ได้ การสูญเสียการได้ยินสามารถเลื่อนเกณฑ์การบดบังได้ ผู้ที่มีปัญหาการได้ยินบางรายมีเกณฑ์ที่สูงขึ้น (ต้องการสัญญาณที่ดังขึ้น) หรือมีความถี่ที่แตกต่างกัน นอกจากนี้ การหดตัว (loudness growth) อาจทำให้สัญญาณที่ถูกบดบังสามารถรับรู้ได้ในระดับที่สูงขึ้น แบบจำลองการบดบังมาตรฐานสมมติว่าการได้ยินปกติ จำเป็นต้องมีการปรับแต่งสำหรับแอปพลิเคชันสำหรับผู้ที่มีปัญหาการได้ยิน

สิ่งแปลกปลอมใดเกิดขึ้นจากการประมาณค่าเกณฑ์การบดบังที่ไม่ถูกต้อง?

การประมาณค่าการบดบังต่ำเกินไป (จัดสรรบิตน้อยเกินไป) ทำให้เกิดเสียงรบกวนจากการควอนไทซ์ที่ได้ยิน pre-echo (สิ่งแปลกปลอมก่อนเสียงกระแทก) และการเลอะเลือนเชิงเวลา การประมาณค่าการบดบังสูงเกินไป (จัดสรรบิตมากเกินไป) ทำให้สิ้นเปลืองพื้นที่แต่รับประกันคุณภาพสูง สิ่งแปลกปลอมที่พบบ่อยที่สุดคือเสียงหึ่งๆ แบบโทนเสียง (การควอนไทซ์ส่วนประกอบที่มีความดังต่ำ) และการสูญเสียรายละเอียดเชิงพื้นที่ในเสียงหลายช่องสัญญาณ

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Zwicker, E., & Scharf, B. (1965). Psychoacoustics: Facts and Models. Springer-Verlag.

    ISBN: 978-3540631644
    คัดลอกแล้ว
  2. Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.

    ISBN: 978-0123914232
    คัดลอกแล้ว
  3. Johnston, J. D. (1988). Transform coding of audio signals using perceptual noise criteria. IEEE Journal on Selected Areas in Communications, 6(2), 314–323.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว