Bagaimana Anda bisa tahu apakah ada sinyal (ketika sinyal Anda sangat mirip noise)?


11

Ini detektor pendengkur saya lagi.

Saya sudah cukup baik dalam mendeteksi sinyal ketika ada sesuatu di sana - dapat melacak dari mendengkur dinding ke bernafas Anda bahkan tidak dapat mendengar dalam rekaman. Masalahnya adalah, saya tidak tahu kapan sinyalnya turun di bawah level yang dapat dideteksi dan aplikasinya hanya "mendengar hal-hal". Dan, sayangnya, mendengkur / bernafas sering tidak teratur sehingga autokorelasi sederhana atau skema pengaturan waktu yang serupa tidak akan banyak membantu. (Dan sebenarnya ada kemungkinan bahwa dalam beberapa kasus kebisingan lebih teratur daripada pernapasan.)

Jadi, apakah ada trik yang saya lewatkan untuk mencari tahu ketika tidak ada sinyal? Sepertinya saya menentang tempat yang keras di sini, mengingat "sinyal" begitu berisik.

(Dan mungkin ini terkait dengan masalah lain yang saya alami: Anehnya, saya tidak dapat secara akurat (atau bahkan kurang lebih) mengukur level sinyal bahkan ketika cukup keras. Karena saya perlu menggunakan rolling average dan rasio untuk mendeteksi sinyal, jenis informasi level hilang. Saya mencari beberapa trik untuk menyusunnya kembali.)

Teknik dasar

(Untuk Yoda)

Sinyal audio diambil sampelnya (umumnya pada 8000Hz, karena berbagai alasan), kemudian FFT dalam 1024 blok. (Dalam eksperimen saya, filter Hamming dan blok yang tumpang tindih tampaknya memiliki sedikit pengaruh, meskipun itu mungkin ditinjau kembali nanti.)

FFT dibagi menjadi "band" (saat ini 5, sedikit miring dalam ukuran untuk menempatkan lebih detail pada ujung bawah) dan "perbedaan spektral" dan tingkat masing-masing band dijumlahkan. Rata-rata jangka panjang dari nilai-nilai puncak-terbatas digunakan sebagai "ambang", dan penyesuaian bias lebih lanjut digunakan untuk mempertahankan tingkat sekitar 20% "melampaui ambang batas".

Setiap nilai "melebihi ambang batas" diberi bobot 1 (di bawah ambang diberi bobot 0), tetapi kemudian bobot itu disesuaikan dengan "variabilitas" yang tampak (sekitar 2Hz) dalam pita, untuk memberikan bobot lebih kepada pita yang membawa sinyal lebih jelas.

Bobot band dirangkum dan kemudian bobot dijumlahkan dari blok berikutnya dijumlahkan sekitar satu detik untuk menghasilkan "skor" berjalan. Ini lagi dibandingkan dengan ambang rata-rata berjalan (ditambah beberapa heuristik) untuk mendeteksi onset / offset mendengkur.

Memperbarui

Tiba-tiba terpikir oleh saya bahwa jika algoritma saya secara efektif mempertahankan sinyal level konstan (per masalah level sinyal saya), cara untuk mengukur SNR secara efektif adalah dengan mengukur noise ketika tidak ada sinyal.

Nyaman, mendengkur berselang-seling, dengan banyak "udara mati" di antaranya. Dan saya sudah mendeteksi amplop mendengkur. Jadi segala sesuatu di luar amplop (antara akhir satu dengkuran dan permulaan yang berikutnya) mungkin berisik! Ini saya dapat (dengan beberapa tingkat akurasi / pengulangan). (Butuh tiga kali percobaan untuk menghasilkan algoritma yang layak setengah jalan, tentu saja - kenyataan tidak pernah cocok dengan teorinya.)

Jadi saya belum memiliki jawaban lengkap, tetapi saya telah membuat kemajuan.

(Walaupun teknik di atas memberi saya proksi yang cukup baik untuk SNR, saya masih mengalami kesulitan memperkirakan tingkat sinyal aktual. Indikasi "level relatif" saya bisa keluar dari skala untuk nafas yang nyaris tak terdengar dan begitu-begitu untuk pengadu jendela. Saya perlu semacam proxy untuk level absolut.)


"Ini adalah detektor dengkuran saya lagi" - bisakah Anda menautkan ke pertanyaan Anda sebelumnya (di mana Anda mungkin telah menjelaskannya secara rinci) atau menambahkan beberapa detail pada detektor Anda dalam pertanyaan ini?
Lorem Ipsum

Jawaban:


5

Sejauh ini Anda tampaknya mengidentifikasi dengkuran melalui kehadiran pola periodik yang kuat dalam audio. Jika Anda memberi tahu saya bahwa mungkin ada sumber lain dengan properti yang sama, sekarang saatnya untuk beralih dan fokus pada properti sinyal yang lebih spesifik dari mendengkur; dan saya sarankan untuk melihat lebih dalam timbre dari suara yang direkam itu sendiri. Mengingat bahwa pendengar manusia dapat jauh mendengkur dari bernafas, Anda mungkin menggunakan pendekatan klasifikasi sinyal audio tradisional. Hitung fitur seperti MFCC dan pola Fluktuasi pada data audio Anda, dan latih classifier bayesian (atau lebih canggih) untuk membedakan mendengkur dari bernafas.

Mungkin sudah waktunya juga untuk meninjau literatur tentang topik ... Misalnya saya menemukan ini: http://web.itu.edu.tr/kamasak/pubs/pdf/pm7_8_007.pdf


Satu masalah adalah bahwa sifat suara sangat bervariasi dari individu ke individu dan bahkan untuk satu individu dalam satu malam. Tapi terima kasih atas petunjuknya - saya akan memeriksanya.
Daniel R Hicks

Jika set pelatihan Anda cukup besar, ini mungkin masih layak menggunakan teknik pembelajaran mesin.
pichenettes

Saya memiliki lebih dari 50 set data. Sayangnya, sebuah algoritma yang bekerja dengan sempurna pada satu set gagal total pada yang berikutnya. Beberapa memiliki TV di latar belakang, beberapa memiliki penangan udara bergemuruh, dll. Pernafasan / mendengkur hampir tidak terdengar atau mengelupas. Subjek dapat mengubah posisi dan sepenuhnya mengubah sifat dengkurannya. Semacam skema self-tuning jelas diperlukan.
Daniel R Hicks

fitur apa yang Anda gunakan untuk klasifikasi?
pichenettes

Terutama hanya "perbedaan spektral" (juga disebut sebagai "fluks spektral") untuk mendeteksi "onset" dan "offset". Tetapi skema saya saat ini membagi spektrum menjadi pita-pita dan "menimbang" masing-masing pita berdasarkan kekuatan sinyal yang tampak dalam pita itu (yang dinilai berdasarkan jumlah variasi dalam perbedaan spektral yang terjadi sekitar 1/2 Hz). Ini berfungsi dengan baik untuk mendeteksi pernapasan / dengkuran di seluruh rentang volume, bahkan dengan kebisingan yang signifikan, tetapi secara efektif kehilangan semua indikasi volume aktual. Dan hanya dengan melihat tingkat suara total simultan tidak bekerja karena masalah kebisingan.
Daniel R Hicks

0

Anda mungkin perlu membangun pengelompokan dinamis, yang dapat beradaptasi dengan subjek saat ini, fase tidur, dan lingkungan audio, daripada menyetel ke set pelatihan tetap.


Itulah yang saya pikirkan.
Daniel R Hicks
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.