Cocktail party efekt

1. Cocktail party efekt Milan Domazet Ana Stanišić

2. Što je cocktail party efekt? • sposobnost slušanja samo jednog željenog govornika od više govornika • sposobnost izdvajanja samo jednog željenog signala iz ambijentalne buke • sposobnost izdvajanja n siganla iz n senzora različitih ulaznih podataka

3. x = As y = Wx Environment x1 y1 s1 s2 sN Source Separation Algorithm W x2 y2 . . . . . . . . . . . xN yN Sources Sensors Observations Što je cocktail party efekt?

4. Metode separacije signala • Klasične metode • različiti spektri signala • Beamforming • udaljeni izvori signala • Adaptive Noise Cancellation • postojanje referentnih signala • Blind Source Separation, BSS

5. Blind Source Separation, BSS • problem: x = As • cilj: s = ?, ALI A je nepoznanica y ≈ s = Wx W ≈ A-1

6. Blind Source Separation, BSS • Principal component analysis (PCA) • drugi red statističke ovisnosti (dekorelacija) • Independent component analysis (ICA) • viši red statističke ovisnosti (najčešće četvrtog reda - kurtosis)

7. Principal component analysis (PCA) • dekorelacija pomoću svojstvenih vektora kovarijancijske matrice • Matlab: % kovarijancijska matrica 2x2 Xcov = cov(X'); [Xv, Xd] = eig(Xcov); % Xcov*Xv = Xv*Xd % skaliranje Vx = -diag(diag(Xd).^(-1/2))*Xv'; % dekorelacija Z = Vx*X;

8. Independent component analysis (ICA) • rotacijska matrica • problem:

9. Optimalni kut rotacijske matrice • kurtosis • jednak nuli za Gaussovu razdiobu • Matlab: % kurtosis k = kurtosis(x) - 3;

10. Optimalni kut rotacijske matrice • kut za koji je zbroj apsolutnih vrijednosti kurtosisa svih dobivenih signala najveći

11. Primjeri • slike (dvodimenzionalni signali) • nema kašnjenja • crno-bijele slike

12. Zaključak • separacija ovisi o početnim signalima i načinu mješanja signala • uklanja šum, ali potrebna dva senzora (za razliku od wavelet metode ili Wienerovog filtra)

13. Budućnost • multi-party audio telekonferencing • speech-only hypermedia