單通道頻域獨立成份分析法

在上一章節中提到，單通道噪音抑制法應用在聲音訊號上，已有一定的程度可以提升訊 號辨識度，經由這些單通道噪音抑制法所得到的訊號，有可能會產生音樂性噪音，或者是語 音失真，將去除雜訊的聲音訊號給一般聽力正常的人來做聽力測試後，正常聽力者會覺得很 不舒服，但是本研究所建立的環境為因先天或後天所造成的失聰，並植入人工電子耳的使用 者，其使用者所聽到的聲音訊號組成是由 16~22 個電極所驅動不同位置聽神經而產生，人工 電子耳使用者只能刺激部分聽神經，頻率解析度不佳，會使聲音變形，影響辨識度，因此為 了讓使用者不因為所選擇的噪音抑制法而影響聽辨能力，所以在這裡提出將單通道噪音抑制 法結合頻域獨立成份分析法(簡稱為單通道頻域獨立成份分析法)，目的是為了減少因為人為 的關係，而造成聽辨能力降低，甚至因音樂性噪音造成使用者對語意上的判斷理解失誤，也 希望藉此方法來提升人工電子耳使用者的語音辨識能力並且同時降低音樂性噪音，保留語音 完整性，由於目前人工電子耳使用者，較少植入人工電子耳於雙耳，所以較難使用雙耳麥克 風進行收音，因而較難實現獨立成份分析法，而在此我們提出的方法可以直接應用於目前的 人工電子耳，只需要一支麥克風收音即可，並且能夠應用在獨立成份分析法上。

我們在執行頻域獨立成份分析法時，必須輸入至少兩個單聲道聲音訊號，因此我們在其 中一個聲道進行前置處理，選擇單通道噪音抑制法有兩種，小波轉換的噪音抑制法(Wavelet) 以及 Wiener filter，使用這兩種單通道噪音抑制法，原因是可以調整他們的初始參數，對於每 種環境選擇最合適的參數，經參數調整過後，可以找到適合人工電子耳使用的參數，增加使 用者對於聲音訊號的辨識率，而且也不會造成產生極大的音樂性噪音。

因此本研究希望藉由單通通噪音抑制法處理的訊號與未處理的訊號，可以經由獨立成份 分析法找出訊號中的獨立成份，而達成另一種的雜訊消除效果，流程架構圖如圖 3.5，其流程 步驟為：

1. 先將錄製的訊號，取得單通道聲音訊號 S

2. 以此聲音訊號，將其帶入單通道噪音演算法，得到 S’的輸出聲音訊號

19

3. 將此 S’聲音訊號與原始未經演算法處理的 S 單通道聲音訊號，結合為雙通道聲音訊號 4. 將此雙通道聲音訊號成為頻域獨立成份分析演算法的輸入訊號，而經由 3.1 節的頻域

獨立成份分析演算法後，得到分離的雙通道聲音訊號 Y

而在前文所說訊號經由單通道噪音抑制法後，所產生音樂性的噪音，會有極大因素造成 受測者判斷錯誤，所以為了保留單通道的去除噪音的效能，但又希望能夠將產生的音樂性噪 音降到最低，依我們的流程架構，所產生出來的訊號可將音樂性噪音降低，並且也有去除噪 音的效果。圖 3.6 為雜訊消除結果訊號圖，可以看出，經由單通道噪音抑制法消除的訊號，

與原始含有雜訊的訊號比較，許多地方振幅皆有斷斷續續的情況產生，如圖中紅色區塊，而 實際聽此區段的聲音訊號，這些都會產生音樂性噪音，而結合頻域獨立成份分析法後，明顯 的訊號振幅不會斷斷續續，且有雜訊去除效果。

圖 3.5 單通道頻域獨立成份分析法流程架構圖

20

(a)

(b)

圖 3.6 單通道頻域獨立成份分析法分離訊號結果(a)wiener 結合頻域獨立成份分析法；(b)wavelet 結合頻域獨立成份分析法

Original signal

Sample

Wiener filter

Sample

Wiener filter + FDICA

Sample

Original signal

Sample

Wiener filter + FDICA

Sample

Amplitude

21