DE69334139T2

DE69334139T2 - Testen von Nachrichtenübertragungsgerät

Info

Publication number: DE69334139T2
Application number: DE1993634139
Authority: DE
Inventors: Micheal Peter Ipswich Hollier
Original assignee: British Telecommunications PLC
Current assignee: British Telecommunications PLC
Priority date: 1992-06-24
Filing date: 1993-06-24
Publication date: 2008-01-10
Anticipated expiration: 2013-06-25
Also published as: JP3964456B2; EP0856961A3; DE69321590T2; CA2277975A1; EP0647375A1; DE69321590D1; EP0647375B1; WO1994000922A1; EP0856961B1; CA2137005C; JP4308278B2; AU4350093A; CA2137005A1; ES2122021T3; JP2007143202A; DE69334139D1; EP0856961A2; HK1014403A1; JPH08501910A; SG48927A1

Description

Diese Erfindung betrifft ein Verfahren und eine Vorrichtung zum Testen einer Einrichtung zur Handhabung von Sprachsignalen.
Beim Testen einer derartigen Vorrichtung (zum Beispiel eine Telefonleitung, ein Telefonnetzwerk oder eine andere Telekommunikationsvorrichtung, wie ein Codierer) wird ein Testsignal eingeführt in den Eingang der Telekommunikationsvorrichtung, und ein Test wird auf die resultierende Ausgabe der Vorrichtung angewendet. Es ist bekannt, „objektive" Testmessungen, wie den Signal/Rauschabstand, abzuleiten, die durch eine automatische Verarbeitungsvorrichtung berechnet werden können. Es ist auch bekannt, „subjektive" Tests anzuwenden, in denen ein menschlicher Zuhörer der Ausgabe der Telekommunikationsvorrichtung zuhört und ein Urteil hinsichtlich der Qualität der Ausgabe abgibt.
Einige Elemente der Telekommunikationssysteme sind linear. Demgemäß ist es möglich, einfache künstliche Testsignale, wie diskrete Frequenzsinuswellen, zeitproportionale (swept) Sinussignale oder Chirp-Signale, zufällige oder Pseudo-zufällige Rauschsignale oder Impulse anzuwenden. Das Ausgabesignal kann dann unter Verwendung zum Beispiel einer schnellen Fourier-Transformation (FFT – Fast Fourier Transform) oder einer anderen spektralen Analyse-Technik analysiert werden. Ein oder mehrere derartige einfache Testsignale sind ausreichend, um das Verhalten eines linearen Systems zu charakterisieren.
Einerseits umfassen moderne Telekommunikationssysteme eine zunehmende Anzahl von Elementen, die nicht-linear und/oder zeitvariabel sind. Zum Beispiel haben moderne digitale Sprach-Codierer mit niedriger Bitrate, die einen Teil eines mobilen Telefonsysteme darstellen, eine nicht-lineare Antwort und automatische Verstärkungsregelungen (AGCs – automatic gain controls), Sprach-Aktivitäts-Detektoren (VADs – voice activity detectors) und zugehörige Sprachschalter, und Burst-Fehler tragen zu Zeitvariationen bei Telekommunikationssystemen bei, von denen sie einen Teil bilden. Demgemäß ist es in zunehmendem Maße weniger möglich, einfache Test-Verfahren zu verwenden, die für lineare Systeme entwickelt wurden, um objektive Messungen der Verzerrung oder der Akzeptanz einer Telekommunikationsvorrichtung abzuleiten.
Jedoch ist die subjektive Prüfung unter Verwendung menschlicher Zuhörer kostspielig, zeitraubend, schwierig durchzuführen und inkonsistent. Jedoch bedeutet trotz dieser Probleme die niedrige Korrelation zwischen objektiven Messungen der Systemleistung oder Verzerrung und der subjektiven Antwort eines menschlichen Benutzers des Systems, dass ein derartiges subjektives Testen die Weise bleibt, durch die eine Telekommunikationsvorrichtung normalerweise geprüft wird.
In der Veröffentlichung „Measuring the Quality of Audio Devices" von John G. Beerends und Jan A. Stemerdink, präsentiert an der 90th AES Convention, 19. bis 22. Februar 1991, Paris, veröffentlicht in AES Preprints als Preprint 3070 (L-8) durch die Audio Engineering Society, wurde vorgeschlagen, die Qualität eines Sprach-Codierers für digitalen mobilen Funk zu messen unter Verwendung, als Testsignale, einer Datenbank von realen aufgezeichneter Sprache und einer Analyse der entsprechenden Ausgabe des Codierers unter Verwendung eines Wahrnehmungsanalyseverfahrens, das ausgebildet ist, in einigen Aspekten den Prozessen zu entsprechen, von denen angenommen wird, dass sie im menschlichen Ohr auftreten. In diesem vorgeschlagenen System wird das Sprachsignal in einzelne Zeitabschnitte geteilt, und für jeden Abschnitt wird das Frequenzspektrum festgestellt, umgewandelt in eine psycho-akustische(Bark)-Skala und dann mit einer Frequenz-Spreiz-Funktion gefaltet, um festzustellen, ob das Verzerrungssignal das ursprüngliche Signal verdeckt bzw. maskiert.
Es wurde vorgeschlagen (zum Beispiel in „Objective Measurement Method for Estimating Speech Quality of Low Bit Rate Speech Coding", Irii, Kurashima, Kitawaki und Itoh, NTT Review, Vol. 3. Nr. 5. September 1991), ein künstliches Sprachsignal zu verwenden (d.h. ein Signal, das in einem spektralen Sinn der menschlichen Stimme ähnlich ist, das aber keine Intelligenz übermittelt) in Verbindung mit einem herkömmlichen Verzerrungs-Analyse-Maß, wie dem Cepstral-Entfernungs(CD – cepstral distance)-Maß, um die Leistung der Telekommunikationsvorrichtung zu messen.
Die Erfindung wird in den angefügten Ansprüchen definiert.
Die Erfindung wird nun auf beispielhafte Weise unter Bezugnahme auf die beigefügten Zeichnungen veranschaulicht, in denen:
1 ein Blockdiagramm ist, das die Anordnung eines Ausführungsbeispiels der verwendeten Erfindung zeigt;
2 ein Blockdiagramm ist, das detaillierter die Komponenten eines Ausführungsbeispiels der Erfindung zeigt;
3 ein Blockdiagramm ist, das detaillierter einen Testsignalgene rator zeigt, der einen Teil des Ausführungsbeispiels von 2 darstellt;
4 schematisch die Struktur eines Testsignals über die Zeit zeigt;
5a ein Diagramm des Pegels von maskiertem Rauschen (dBs) gegenüber einer Pitch(zum Beispiel ungefähr logarithmische Frequenz)-Achse in kritischen Bandrate(Bark)-Einheiten ist, für unterschiedliche Pegel von Maskierungsrauschen; und
5b ein Diagramm ist, das die Variation einer Erregungsschwelle auf einer Pitch(zum Beispiel ungefähr logarithmische Frequenz)-Achse in kritischen Bandrate(Bark)-Einheiten zeigt, für Maskierungsrauschen bei sieben gegebenen Frequenzen;
6 ein Blockdiagramm ist, das detaillierter eine Analyse-Einheit zeigt, die einen Teil des Ausführungsbeispiels von 2 bildet;
7a, 7b und 11 ein Flussdiagramm bilden, das schematisch den Betrieb der Analyseeinheit in dem Ausführungsbeispiel von 6 anzeigt;
8a schematisch eine Schätzung zeigt, die in diesem Ausführungsbeispiel aus einer Amplitudenerregung gebildet wird, als eine Funktion von Zeit und Pitch, die in dem menschlichen Ohr durch ein vorbestimmtes Sprach-ähnliches Signal produziert würde; und
8b ein entsprechendes Diagramm ist, das die Erregung zeigt, die durch zwei Klicks in Abstand zueinander produziert würde;
9 ein Diagramm von Gewichtungswerten gegenüber einer Fre quenz ist zum Umwandeln einer Amplitude zu wahrgenommener Lautheit in diesem Ausführungsbeispiel;
10 ein beispielhaftes Diagramm von Fehlerlautheitswerten für aufeinander folgende Zeitabschnitte ist, berechnet durch die Analyse-Mittel gemäß 7;
12a ein Diagramm einer Verzerrungs-Amplitude über Pitch- und Zeitachsen ist, die eine nicht-lineare Verzerrung niedriger Größe des Sprachsignals darstellt, das in 8a dargestellt wird; und
12b ein Diagramm einer wahrgenommenen Fehler-Lautheit ist, die aus der 12a abgeleitet wird und in der Form der 10 entspricht;
13a der 12a entspricht, aber mit einer höheren Amplituden-nicht-linearen Verzerrung; und
13b genauso der 12b entspricht;
14a der 12a entspricht, aber mit dem Ersatz einer MNRU-Verzerrung; und
14b ein entsprechendes Diagramm einer Fehler-Lautheit über der Zeit ist;
15a der 12a entspricht, aber mit dem Ersatz einer Halbperiodenverzerrung; und
15b ein entsprechendes Diagramm einer Fehler-Lautheit über der Zeit ist;
16a der 12a entspricht, aber mit dem Ersatz der Begrenzer-Verzerrung aufgrund eines Sprachaktivitäts-Detektors; und
16b ein entsprechendes Diagramm einer Fehler-Lautheit über der Zeit ist.
Überblick über die Vorrichtung
Unter Bezugnahme auf 1, weist die Telekommunikationsvorrichtung 1 einen Eingangsanschluss 2 und einen Ausgabe-Anschluss 3 auf. Die Testvorrichtung 4 weist einen Ausgabe-Anschluss 5 zur Verbindung zu dem Eingangsanschluss 2 der getesteten Telekommunikationsvorrichtung und einen Eingangsanschluss 6 zur Verbindung zu dem Ausgabe-Anschluss 3 der getesteten Telekommunikationsvorrichtung.
Unter Bezugnahme auf 2 weist die Testvorrichtung 4 einen Testsignalgenerator 7, der mit dem Ausgabe-Anschluss 5 verbunden ist, zur dessen Lieferung eines Sprach-ähnlichen Testsignals, und eine Signalanalysatoreinheit 8 auf, die mit dem Eingangsanschluss 6 verbunden ist zum Analysieren des Signals, das von der Telekommunikationsvorrichtung 1 empfangen wird. Wie detaillierter unten diskutiert wird, verwendet der Analysator 8 auch eine Analyse des Testsignals, das durch den Testsignalgenerator 7 erzeugt wird, und dies wird in diesem Ausführungsbeispiel durch einen Pfad 9 angezeigt, der von dem Ausgabe-Anschluss 5 zu dem Eingangsanschluss 6 verläuft.
Auch wird von der Analyse-Einheit 8 ein Messsignal-Ausgabe-Anschluss 10 vorgesehen, an dem ein Signal, das ein Maß der Akzeptanz der Telekommunikationsvorrichtung (zum Beispiel eine Verzer rung) anzeigt, entweder für eine nachfolgende Verarbeitung oder zur Anzeige auf einer visuellen Anzeigeeinheit (VDU – visual display unit), nicht gezeigt, vorgesehen wird.
Erstes Ausführungsbeispiel
Sprach-Signal-Erzeugung
Es würde offensichtlich erscheinen, beim Testen einer Vorrichtung, wie einen Codierer, der ausgebildet ist, um menschliche Sprache zu codieren, und beim Einsatz eines Analyseverfahrens basierend auf dem menschlichen Ohr, eine reale menschliche Sprache zu verwenden, wie in der oben genannten Veröffentlichung durch Beerends und Stemerdink vorgeschlagen wird. Tatsächlich jedoch ist die Leistung derartiger Prüfsysteme nicht besonders gut, und ein Testsignal, das für den Zweck gestaltet wird, wird bevorzugt.
In seiner einfachsten Form kann der künstliche Sprachgenerator 7 nur einen digitalen Speicher 71 aufweisen (zum Beispiel eine Festplatte oder ein digitales Audioband), der gespeicherte digitale Daten enthält, aus denen ein Sprachsignal wiederhergestellt werden kann. Die gespeicherten Daten können einzelne digitalisierte Segmente von realen Sprachsignalen sein, die nacheinander von dem Speicher 71 an ein Signal-Wiederherstellungs-Mittel 72 (zum Beispiel ein Digital-Analog-Wandler (DAC – digital to analogue converter)) geliefert werden, das mit dem Ausgabe-Anschluss 5 verbunden ist. Die Daten, die in dem Speicher 71 gespeichert sind, weisen eine oder mehrere Sprachäußerungen) auf, die einige Sekunden in der Länge dauern (zum Beispiel, im Bereich von 10 Sekunden).
Alternativ kann der Speicher 71 Sprachdaten in der Form von Filterkoeffizienten speichern, um zum Beispiel einen LPC-Sprach- Synthetisierer anzutreiben, oder Daten einer höheren Ebene (zum Beispiel Phoneme, Pitch und Intensitäts-Daten), um einen Phonem-Synthetisierer anzutreiben, der die Wiederherstellungs-Mittel aufweist.
Eine Steuerschaltung 73 (zum Beispiel ein Mikroprozessor) steuert den Betrieb der Speichereinheit 71, um ein bestimmtes Testsignal auszuwählen, das ausgegeben wird.
Unter Bezugnahme auf 4 werden die Testsignaldaten, die in dem Speicher 71 gespeichert sind, wiederhergestellt, um ein Testsignal zu bilden, das eine Vielzahl von Segmenten t₀, t₁, t₂ ... t_n aufweist.
Jedes der Segmente t₀ – t_n entspricht typischerweise einem anderen Sprachton (zum Beispiel ein anderes Phonem) oder der Stille bzw. Ruhe. Ein bekanntes künstliches Sprachtestsignal wird in der CCITT-Recommendation P50 (Recommendation an Artificial Voices, Vol. Rec P50, Melbourne 1988, veröffentlicht durch CCITT) offenbart. In dem P50-Testsignal dauert jedes Segment 60 ms.
In dem P50-Testsignal werden die Segmente in Muster gruppiert, die jeweils eine zufällig ausgewählte Sequenz von 16 vorgegebenen spektralen Mustern aufweisen, definiert durch die Recommendation, mit Spektrumsdichten S_i(f) gleich zu
Der Übergang zwischen den unterschiedlichen Segmenten in jedem Muster wird gleichmäßig (smooth) ausgebildet. Von den Mustern entsprechen dreizehn einer stimmhaften Sprache und die restlichen drei stimmloser Sprache. Eine Sequenz von Sprache kann entweder auf einem Speichermittel gespeichert und reproduziert werden, oder kann aus gespeicherten Daten unter Verwendung eines Vocoders erzeugt werden, wie zum Beispiel in der oben angeführten Veröffentlichung von Irii beschrieben wurde.
Das P50-Signal hat eine langfristige und kurzfristige spektrale Ähnlichkeit zu Sprache, wenn über ungefähr 10 Sekunden gemittelt. Demgemäß wird die Sprachsequenz, die in 4 gezeigt wird, gewählt, dass sie eine Dauer hat, die zumindest so lange ist.
Verzerrung
Das Signal, das die getestete Telekommunikationsvorrichtung 1 verlässt, unterscheidet sich von dem Testsignal, das an den Eingangsanschluss 2 geliefert wird. Erstens gibt es Zeit-invariant lineare Verzerrungen des Signals, mit dem Ergebnis von Gesamtveränderungen der Amplitude, und beim Filtern des Signals, um so seine spektrale Form zu ändern. Zweitens wird Rauschen zu dem Signal von verschiedenen Quellen hinzugefügt, einschließlich konstanten Rauschenquellen (wie thermisches Rauschen) und nicht-kontinuierlichen Quellen (wie Rausch-Bursts, Wählimpulse, Interferenz-Spitzen und Übersprechen (crossed lines)). Drittens, gibt es nichtlineare und Zeit-variierende Verzerrungen des Signals aufgrund von nicht-linearen Elementen, wie Codecs, und Zeitvariierenden Elementen, wie Echokompensatoren und Schwellwert-Einrichtungen.
Das Vorhandensein einer nicht-linearen Verzerrung kann eine Intermodulation zwischen Rauschen und dem Signal verursachen, und die Verzerrung an dem Ausgabe-Anschluss 3 hängt folglich nicht nur von dem Signal und der Vorrichtung 1 ab, sondern auch dem Rauschen. Weiter bedeutet das Vorhandensein von Zeit-variierender Ver zerrung, dass die Verzerrung, die auf einen gegebenen zeitlichen Abschnitt des Signals angewendet wird, von vorhergehenden zeitlichen Abschnitten des Signals und von Rauschen abhängt; zum Beispiel, wenn ein Rauschen mit hohem Pegel vor dem Beginn eines Phonems vorhanden ist, kann ein Sprachaktivitäts-Detektor möglicherweise das Phonem überhaupt nicht abschneiden (clip), während, wenn dem Phonem eine Stille vorausgeht, der Sprachaktivitäts-Detektor den Beginn des Phonems stark beschneidet, was eine erhebliche Verzerrung verursacht.
Analysator 8
Die Analyse entsprechend der vorliegenden Erfindung soll eine Akzeptanz-Signal-Ausgabe liefern, die von der Verzerrung des Testsignals ähnlich zu der Reaktion eines menschlichen Ohrs abhängt, wie es momentan verstanden wird.
Ohne bei den physikalischen oder biologischen Mechanismen hängen zu bleiben, die diese Phänomene verursachen, ist weithin bekannt, dass die menschliche Wahrnehmung von Ton durch mehrere Faktoren beeinflusst wird. Erstens „verdeckt" bzw. „maskiert" (d.h. unterdrückt die Wahrnehmung) das Vorhandensein von einem Ton einen anderen Ton in einem ähnlichen spektralen (Frequenz)-Bereich. Der Umfang, wie weit der andere Ton verdeckt wird, hängt sowohl davon ab, wie nah im Pitch er zu dem ersten Ton ist und von der Amplitude des ersten Tons. Somit hängt die menschliche Wahrnehmung von Fehlern oder Verzerrungen in einem Ton von dem Ton selbst ab. Fehler einer niedrigen Amplitude in demselben spektralen Bereich wie der Ton selbst können verdeckt werden und entsprechend unhörbar sein (wie es zum Beispiel auftritt beim Quantisieren von Fehlern in einer Teilbandkodierung).
Zweitens hat das Maskierungsphänomen eine Zeitabhängigkeit. Ein Ton fährt fort, andere Töne während einer kurzen Periode zu maskieren, nachdem der Ton entfernt wurde; die Amplitude des Maskierungseffekts verfällt schnell nach dem Entfernen des ersten Tons. Das heißt, Niedrig-Amplituden-Töne bleiben eine längere Zeit maskiert nach dem Entfernen des Maskierungssignals als Töne hoher Amplitude. Somit werden Fehler oder Verzerrungen nicht nur durch das vorhandene Signal maskiert, sondern auch durch Teile des Signals, das diesem voranging (in geringerem Ausmaß). Dies wird bezeichnet als „Vorwärtsmaskierung". Es wird auch beobachtet, dass die Anwendung eines Hoch-Pegel-Tons gleich nach einem Niedrig-Pegel-Ton, welcher ansonsten nachträglich hörbar wäre, den früheren Ton subjektiv unhörbar macht. Dies wird bezeichnet als „Rückwärtsmaskierung".
Drittens reagiert das menschliche Ohr nicht direkt auf die Frequenz, sondern auf das Phänomen, das als „Pitch" eines Tons wahrgenommen wird, was einer nichtlinearen Verwerfung bzw. Verzerrung der Frequenz-Achse entspricht.
Viertens reagiert das menschliche Ohr nicht direkt auf eine Amplitude, selbst wenn ein Signal nicht maskiert wird, sondern auf das Phänomen, das als Lautheit wahrgenommen wird, die eine nicht-lineare Funktion der Amplitude ist.
Demgemäß ist in diesem Ausführungsbeispiel der Analysator 8 ausgebildet, das Signal zu verarbeiten, das von der Telekommunikationseinrichtung 1 empfangen wird, um zu bestimmen, wie signifikant oder störend die Verzerrung ist, die durch diese in dem Testsignal produziert wird, für einen menschlichen Zuhörer ist, in Übereinstimmung mit den oben bekannten Charakteristiken des menschlichen Ohrs.
Insbesondere ist die Analyse-Einheit 8 ausgebildet, um festzustellen, was die Reaktion des menschlichen Ohrs auf das Testsignal ist, das durch den Testsignalgenerator 7 erzeugt wird; und dann, um das Signal von der Ausgabe 3 der Telekommunikationsvorrichtung ähnlich zu verarbeiten, um den Umfang zu bestimmen, zu dem es sich wahrnehmbar von dem ursprünglichen Testsignal unterscheidet, durch Bestimmen des Umfangs, zu dem Verzerrungen wahrnehmbar sind.
5a zeigt schematisch die Variation der spektralen Maskierschwelle (die Schwelle, über der ein zweiter Ton durch einen ersten verdeckt wird) für ein Schmalband-Rauschen an einer festen Frequenz. Die fünf Kurven sind für nach und nach höhere Pegel eines Maskierungsrauschens, und es wird zu sehen sein, dass der Effekt der Erhöhung des Pegels des Maskierungsrauschens der ist, eine ungefähr lineare Zunahme der Maskierungsschwelle bei der Maskierungsrauschfrequenz zu verursachen, aber auch die Form der Schwelle weg von der Rauschfrequenz (überwiegend in Richtung von höheren Frequenzen) zu ändern. Der Maskierungseffekt ist folglich nicht-Amplituden-linear in Bezug auf die Amplitude des Maskierungsrauschens.
Für einen gegebenen Maskierungsrauschpegel variiert die Breite (gemessen zum Beispiel an den 3 dB Punkten unterhalb der zentralen Maskierungsfrequenz) des maskierten spektralen Bandes mit der Frequenz des Maskierungsrauschens. Diese Variation der Breite der maskierten Bänder hängt mit der Charakteristik der menschlichen Gehörfilterform für eine Frequenzunterscheidung und folglich mit der menschlichen Wahrnehmung des Pitches zusammen.
Demgemäß kann, wie in 5b gezeigt, eine Skala von Pitch, statt der Frequenz, von der Frequenzskala erzeugt werden durch Verzer ren der Frequenzskala, um so eine neue Skala herzustellen, in der die Breiten von Maskierungsbändern konstant sind. 5b zeigt die kritische Bandraten- oder Bark-Skala, die abgeleitet wird durch Betrachten eines Satzes von Schmalband-Maskierungstönen bei unterschiedlichen Frequenzen, welche sich an dem –3 dB Punkt kreuzen. Diese Skala wird zum Beispiel beschrieben in „Audio Engineering and Psychoacoustics: Matching Signals to the Final Receiver, the Human Auditory System", J. Audio Eng. Soc. Vol. 39, März 1991, Zwicker und Zwicker.
Die kritischen Bänder, die in der 5b gezeigt werden, sind in der Form (auf der Frequenz-Achse) unterhalb 500 Hertz ähnlich, wenn sie auf einer linearen Frequenzskala repräsentiert werden. Über 500 Hertz sind sie in der Form ähnlich, wenn sie auf einer logarithmischen Frequenzskala betrachtet werden. Da die Telefoniebandbreite typischerweise 300 bis 3150 Hertz ist und eine Telekommunikationsvorrichtung häufig Band-begrenzt ist zwischen diesen Begrenzungen, ignoriert die Umwandlung zur Pitch-Skala in diesem Ausführungsbeispiel den linearen Bereich unterhalb von 500 Hertz mit nur einem geringen Kompromiss bei der Genauigkeit.
Unter Bezugnahme auf 6 weist die Analyse-Einheit 8 einen Analog-Digital-Wandler (ADC – analogue to digital converter) 81 auf, der ausgebildet ist, um Signale von dem Eingangsanschluss 6 zu empfangen und eine entsprechende digitale Pulsfolge zu produzieren; ein arithmetischer Prozessor 82 (zum Beispiel ein Mikroprozessor wie der Intel 80486 Prozessor oder eine digitale Signalverarbeitungsvorrichtung, wie die „Western Electric DSP 32C"- oder „Texas Instruments TMS C30"-Vorrichtung), der verbunden ist, um die digitale Ausgabe des ADCs 81 zu empfangen, eine Speichervorrichtung 83 zum Speichern von Anweisungssequenzen für den Prozessor 82 und zum Vorsehen eines Arbeitsspeichers zum Speichern von arithmetischen Er gebnissen, und eine Ausgabeleitung 84 von dem Prozessor 82, die mit dem Ausgang 10 verbunden ist.
Unter Bezugnahme auf die 7a, 7b und 11 werden nun die Prozesse, die durch den Prozessor 82 durchgeführt werden, beschrieben.
Zuerst wird das Testsignal, das von dem Testsignalgenerator 7 geliefert wird, direkt in den Eingangsanschluss 6 in einem Schritt 100 eingegeben, ohne durch die Telekommunikationsvorrichtung 1 zu gehen.
Im folgenden Schritt 101 wird das Signal von dem ADC 81 durch einen Filter gefiltert, welcher der Transferfunktion zwischen den äußeren Teilen des Ohrs und dem Innenohr entspricht. Die Filterung kann typischerweise durchgeführt werden durch Ausführen einer digitalen Filteroperation gemäß Filterdaten, die in dem Speicher 83 gespeichert sind. Der Filter kann durch eine Transferfunktion des Typs charakterisiert sein, wie beschrieben wird in „Psychoacoustic models for evaluating errors in audio systems", J.R. Stuart, Procs. IOA, Vol. 13, Teil 7, 1991.
Tatsächlich variiert die Transferfunktion zu dem Innenohr etwas, abhängig davon, ob der Ton nah zu dem Ohr (zum Beispiel durch einen Kopfhörer) oder entfernter (zum Beispiel von einem Lautsprecher) eingekoppelt wird; demgemäß können der Prozessor 82 und der Speicher 83 ausgebildet werden, die Charakteristiken von mehreren unterschiedlicher Transferfunktionen zu speichern, die unterschiedlichen Tonpositionen hinsichtlich des Typs der Telekommunikationsvorrichtung 1 im Test entsprechen, und einen passenden Filter als Reaktion auf eine Benutzereingabe zu wählen, die den Typ der Telekommunikationsvorrichtungsart spezifiziert. Das gefilterte Signal entspricht nach der Ausführung des Schrittes 101 dem Signal, wie es an dem Innenohr empfangen würde.
Dann wird in einem Schritt 102 das Signal in eine Vielzahl von spektralen Bändern aufgeteilt, die Bandbreiten haben, die logarithmisch mit der Frequenz variieren, um so die Umwandlung von Frequenz zu Pitch zu bewirken. In diesem Ausführungsbeispiels wird das Signal Bandpass-gefiltert in 20 Bänder, die jeweils ein Drittel einer Oktave in der Bandbreite sind, von 100 Hz bis 8 kHz entsprechend dem internationalen Standard ISO 532B. Die ISO-Bandfilter sind ähnlich in der Form, wenn auf einer logarithmischen Frequenz-Achse betrachtet, und sind weithin bekannt und dokumentiert. Die mittlere Signalamplitude in jedem der 20 Bänder wird alle 4 Millisekunden berechnet, und das Signal nach der Filterung weist folglich eine Serie von 4 ms-Zeitabschnitten auf, die jeweils 20 Frequenzbandamplituden-Werte aufweisen. Dieses Bandpassfiltern wird für alle Werte in dem Testsignal durchgeführt (das ungefähr mehrere Sekunden dauert, zum Beispiel 10 Sekunden).
Die relativ breiten Filter berücksichtigen die Maskierung in jedem Filterband, und die breiten, überlappenden Ränder der Filter stellen sicher, dass eine spektrale Maskierung aufgrund von benachbarten Frequenzen ebenfalls berücksichtigt wird.
Dann werden in Schritt 103 Frequenz-abhängige Hör-Schwellen, die in dem internationalen Standard ISO 226 spezifiziert werden, auf jeder der Bandausgaben angewendet. Dies simuliert den Effekt der minimalen Hörbarkeits-Schwelle, wie in der 5a gezeigt. Diese Schwellen werden in dem Speicher 83 gespeichert.
Dann werden in Schritt 104 die Bandpasssignalamplituden in einen Phon- oder Empfindlichkeits-Pegel umgewandelt, der äquivalenter zu der Lautheit ist, mit der sie durch ein menschliches Gehörsystem wahrgenommen würden. Die Umwandlung ist nichtlinear und hängt sowohl von der Signal-Amplitude als auch -Frequenz ab. Demgemäß werden, um die Umwandlung zu bewirken, die Konturen gleicher Lautheit, die in dem internationalen Standard ISO 226 spezifiziert werden, auf jede der Bandausgaben angewendet. Diese Kurven gleicher Lautheiten werden ebenfalls in dem Speicher 83 gespeichert.
Dann wird in Schritt 105 eine zeitliche Maskierung (spezifisch Vorwärtsmaskierung) durchgeführt durch Vorsehen eines exponentiellen Abklingens nach einem signifikanten Amplituden-Wert. Tatsächlich hängt die Rate des Abklingens des Maskierungseffekts von der Zeit der Anwendung des Maskierungs-Tons ab; die Abklingungszeit ist länger für eine längere Zeit der Anwendung als für eine kürzere Zeit. Jedoch wird in diesem Ausführungsbeispiel als ausreichend angesehen, ein festes exponentiell gewichtetes Abklingen anzuwenden, definiert durch y = 56.5·10^(–0.01x), (wobei y den Pegel repräsentiert und x die Zeit repräsentiert), das zwischen das maximale Abklingen (entsprechend über 200 Millisekunden Dauer) und das minimale Abklingen (entsprechend 5 Millisekunden Dauer) fällt, das in der Praxis anzutreffen ist.
Durch die Anwendung der Vorwärtsmaskierung werden an jedem Zeitabschnitt für jede Bandpassfilteramplitude Maskierungswerte für den entsprechenden Bandpass in den drei folgenden Zeitabschnitten berechnet unter Verwendung des oben genannten exponentiellen Abklingens. Die drei Werte werden mit den tatsächlichen Amplituden dieser Bänder verglichen und wenn höher als die tatsächlichen Amplituden, für die tatsächlichen Amplituden ersetzt.
Wie oben angemerkt, ist es für einen Ton auch möglich, einen früher auftretenden Ton zu maskieren (so genannte „Rückwarts- Maskierung"). In diesem bevorzugten Ausführungsbeispiel wird der Vorwärts-Maskierungsprozess repliziert, um eine Rückwärts-Maskierung durchzuführen, unter Verwendung desselben Typs des exponentiellen Abklingens, aber mit unterschiedlichen numerischen Konstanten (das heißt, für jeden Zeitabschnitt werden Werte der Maskierung für früher auftretende Zeitabschnitte berechnet und wenn höher als die tatsächlichen Amplituden für diese Bänder, werden sie für die tatsächlichen Amplituden ersetzt).
Somit weisen nach Schritt 105 die berechneten Signaldaten eine Sukzession bzw. Folge von Zeitabschnittsdaten auf, die jeweils 20 Bandpasssignalamplituden aufweisen, mit Schwellen versehen (thresholded), so dass einige Amplituden null sind, und die Amplitude eines gegebenen Bandes in einem gegebenen Zeitabschnitt abhängig ist von den Amplituden von entsprechenden Bändern in vergangenen und zukünftigen Zeitabschnitten aufgrund der Vorwärts- und Rückwärts-Maskierungs-Verarbeitung.
Dies entspricht einer Oberfläche, die entlang der Signal-Pitch- und Zeit-Achsen den Maskierungseffekt anzeigt, den das Testsignal auf das menschliche Ohr gehabt hätte, wenn es direkt ohne die Telekommunikationsvorrichtung 1 angewendet würde.
Die 8a und 8b zeigen Erregungsoberflächen, die durch den oben genannten Prozess erzeugt werden. 8a entspricht einem Sprachereignis, das einen stimmhaften Ton aufweist, gefolgt von einem stimmlosen Ton; die Formantstruktur des ersten Tons und die Breitband-Eigenschaft des zweiten Tons können einfach unterschieden werden. 8b zeigt eine entsprechende Oberfläche für zwei Klicks, und der Effekt der Vorwärts-Maskierungs-Stufe 105 von 7 ist in dem exponentiellen Abklingen darin offen sichtbar.
Dann wiederholt in Schritt 106 der Testsignalgenerator 7 das Testsignal, aber dieses Mal wird es an den Eingangsanschluss 2 der Telekommunikationsvorrichtung 1 geliefert, und deren Ausgabe-Anschluss 3 wird mit dem Eingangsanschluss 6 der Testvorrichtung 4 verbunden. Die Berechnungsstufen 101–105 werden dann wiederholt, um eine entsprechende Oberfläche für das empfangene Signal von der Telekommunikationsvorrichtung zu berechnen.
Nach der Berechnung des Effekts auf das Ohr (Erregung) des ursprünglichen Testsignals und der Ausgabe von der Telekommunikationsvorrichtung (das verzerrte Testsignal) entspricht der Unterschied in dem Umfang, zu dem die zwei das Ohr anregen, dem Pegel der Verzerrung des Testsignals, wie durch das menschliche Gehörsystem wahrgenommen. Demgemäß wird die Amplituden-Transferfunktion der Telekommunikationsvorrichtung für jeden Frequenzabschnitt berechnet, durch Berücksichtigen des Verhältnisses zwischen den entsprechenden Bandpass-Amplituden (oder wenn, wie in der 8a oder 8b, die Bandpass-Amplituden auf einer dB-Skala dargestellt werden, durch Berücksichtigen des Unterschieds zwischen der Amplitude in dBs). Um einen gesamten Verstärkungs-Term in der Transferfunktion zu vermeiden, was irrelevant für die wahrgenommene Verzerrung ist, die durch die Telekommunikationsvorrichtung erzeugt wird, kann jeder Bandpass-Term normalisiert werden durch Teilen (oder, wenn in dBs dargestellt, Subtrahieren) durch die durchschnittliche Amplitude über alle Bandpassfilterausgaben über alle Zeitabschnitten in der Testsignalsequenz, Schritt 107.
Wenn das ursprüngliche Testsignal und die Ausgabe der Telekommunikationsvorrichtung 1 identisch sind, außer einer Gesamtpegeldifferenz (das heißt, wenn die Telekommunikationsvorrichtung 1 keine Verzerrung einführt), ist das Verhältnis zwischen jeder Bandpassfilterausgabe der zwei Signale Eins, und die logarithmische Differenz in dBs in der Amplitude ist null; demgemäß würde das entsprechende Differenz-Diagramm zu 8a oder 8b immer und in allen Pitch-Bändern vollständig flach sein. Jede Abweichung ist aufgrund einer Verzerrung in der Telekommunikationsvorrichtung. Additive Verzerrungsfehler erscheinen als Spitzen, und Signalverlust erscheint als Täler, relativ zu dem nicht verzerrten durchschnittlichen Pegel.
Die Wahrnehmungssignifikanz aufgrund dieses Fehlers ist nicht direkt abhängig von ihrer Amplitude, sondern stattdessen von der Lautheit, die eine nicht-lineare Funktion der Amplitude ist, und eine Funktion der Frequenz. Eine Berechnung der Wahrnehmungs-Lautheit wird in dem internationalen Standard ISO 532B gegeben. Jedoch trifft diese Spezifikation auf binauralen Ton zu und für einen monauralen Ton (wie allgemein in Telekommunikationsanwendungen zu finden) ist es möglich, eine einfachere Berechnung der Lautheit basierend auf den eingeführten monauralen Telefonie-Wahrnehmungs-Gewichtungen für Lautheit zu verwenden, die in CCITT Recommendation P79 (Blue Book Volume V, Melbourne 1988, CCITT) gegeben wird. Dieses Verfahren zum Schätzen der Fehler-Lautheit berücksichtigt die Tatsache, dass Fehler bei einigen Frequenzen leichter wahrgenommen werden, und ihnen wird eine größere Gewichtung gegeben, als den bei anderen Frequenzen. Für jeden Zeitabschnitt in der Signalsequenz wird in diesem Ausführungsbeispiel eine Fehlergröße berechnet als:
wobei:

ErrLoud_t: Fehler-Lautheit zur Zeit t (+ve und –ve-Teile getrennt berechnet)
n: n-tes 1/3-Oktavenband von 200 Hz bis 4 kHz
Er_n: Fehler-Amplitude in dB
WS_n: SLR-Gewichtung für die n-te Frequenz

9

Für ein Breitband-Telefoniemodell, das alle 20 Bandpfadausgaben verwendet, wird die entsprechende Fehler-Lautheit berechnet als:
In diesem Fall bedeckt der Wert von n alle 20 Bänder von 100 Hz zu 8 kHz.
Der additive Fehler (positive Fehler) und die Defizit-Fehler (negative Fehlerwerte) werden getrennt kumuliert, um positive und negative Teilsummen zu liefern.
Wie in 10 gezeigt, ist das Ergebnis der Berechnungsstufe 109 eine Zeitsequenz von Zeit-gemittelten Fehler-Lautheitswerten. In dieser Erfindung wird, anstatt die gesamte Lautheit der Verzerrung zu berechnen, ein anderes Testmaß, das näher mit dem subjektiven „Hör-Bemühungs"-Maß Y_LE zusammenhängt, abgeleitet.
Die Sequenz von Sätzen von Bandpass-Hör-Erregungs-Werten (entsprechend einer Oberfläche entlang den Zeit- und Pitch-Achsen) wird in zusammenhängende Sektoren der Länge 96 Millisekunden (d.h. 48 aufeinander folgende 2 Millisekunden-Abschnitte) unterteilt, um so mindestens zwei unterschiedliche Werte für das niedrigste Pitch-Band zu umfassen. Die Gesamtmenge von Fehler oder von Fehleraktivität wird berechnet als:
wobei c (i, j) der Fehlerwert in dem i-ten Zeitabschnitt und i-ten Pitch-Band des zu analysierenden Fehler-Oberflächen-Sektors ist.
Dies liefert eine Anzeige über den absoluten Wert der vorhandenen Verzerrung.
Dann wird die Verteilung des Fehlers über Zeit und Pitch (oder eher die Entropie der Verzerrung, die dem Reziprokwert der Menge entspricht, nach der die Energie verteilt ist) berechnet, wie folgt:
Das logarithmische Glied in dem obigen Ausdruck steuert die Menge, nach der die Verteilung von Energie die Entropie E_E beeinflusst, die als eine nichtlineare Kompressions-Funktion dient.
Es wird erkannt, dass die Fehleraktivität und Fehler-Entropiekriterien zusammen gut dem subjektiv wahrgenommen Pegel von Verzerrung entsprechen, da der Zuhörer einen hohen Fehlerpegel beträchtlich auffallender findet, wenn er an einem einzelnen Pitch über einen kurzen Zeitabschnitt konzentriert ist, statt über Pitch und Zeit verteilt zu sein. Demgemäß wird in dieser Erfindung, wie in 11 gezeigt, statt die Lautheit im Schritt 109 der 7b zu berechnen, der Schritt 119 der Berechnung der Menge und der Verteilung (die Aktivität und die Entropie) der Verzerrung durchgeführt.
In dem Schritt 110 können die zwei Maße getrennt Schwellen unterzogen werden, oder sie können kombiniert werden und das kombinierte Maß einer Schwelle unterzogen werden. Zum Beispiel können sie zusammen mit passenden Gewichtungen in einem weiteren Schritt summiert oder multipliziert werden. Dies wird dann als das Maß von Verzerrung der Telekommunikationsvorrichtung 1 an den Ausgabe-Anschluss 9 in Schritt 111 ausgegeben.
Zweites Ausführungsbeispiel
In dem zweiten Ausführungsbeispiels ist die Analyse-Einheit 8 dieselbe oder ähnlich zu der in dem ersten Ausführungsbeispiel. Jedoch verwendet die Testsignal-Erzeugungseinheit 7 nicht das P50-Testsignal, sondern erzeugt stattdessen einen anderen Typ eines künstlichen Sprachähnlichen Testsignals.
Während das P50-Testsignal für viele Zwecke akzeptabel ist, wird beobachtet, dass ihm ein voller Umfang von frikativen Tönen fehlt. Ferner hat es eine ziemlich regelmäßige und monotone Langzeit-Struktur, die eher wie eine Vokal-Konsonante-Vokal-Konsonante ... Sequenz klingt. Wie oben diskutiert ist jedoch, da viele Telekommunikationssysteme zeitabhängige Elemente, wie automatische Verstärkungsregelungen oder Sprachvermittlungen umfassen, die Verzerrung, die auf einen gegebenen Teil des Testsignals angewendet wird, teilweise abhängig von dem vorhergehenden Teil des Testsignals; das heißt, dem Kontext dieses Teils des Sprachsignals in der Zeitsequenz des Signals als Ganzes.
Demgemäß wird in diesem Ausführungsbeispiel ein kleiner repräsentativer Teilsatz von Sprachsegmenten (gewählt aus den vielen bekannten Phonemen) verwendet und ein Testsignal wird hergestellt aus diesen Tönen, die in unterschiedlichen Kontextsequenzen zu sammengebaut werden. Da eine Verzerrung gemessen wird, ist es wichtiger, dass die Testsequenz Serien von Tönen umfassen sollte, die relativ unähnlich sind oder allgemeiner, die relativ wahrscheinlich eine Verzerrung verursachen, wenn sie aufeinander folgen. In einer einfacheren Form dieses Ausführungsbeispiels kann das Testsignal jedes der ausgewählten Segmente enthalten, vorangestellt durch einen Konditionierungsteil, der aus einem hohen, niedrigen oder null-Pegel gewählt wird, so dass das Testsignal ermöglicht, dass jedes repräsentative Sprachsegment (Phonem) getestet wird, nachfolgend auf vorangestellte Töne verschiedener Pegel. Die Länge des vorangestellten Signals wird gewählt, über die Zeitkonstanten des getesteten Systems hinaus zu reichen; zum Beispiel liegt eine Codec-Anpassung und eine aktive Verstärkungssteuerung in dem Bereich einiger Sekunden, während eine Sprach-Transducer-Transient-Antwort in dem Bereich weniger Millisekunden ist.
Drittes Ausführungsbeispiel
In einem dritten Ausführungsbeispiel der Erfindung funktioniert der Testsignalgenerator 7 auf dieselbe Weise wie entweder in dem ersten oder dem zweiten Ausführungsbeispiel. Jedoch unterscheidet sich der Betrieb der Analyse-Einheit 8 in den Schritten 102 bis 110.
Obwohl beobachtet wurde, dass die logarithmisch im Abstand angeordneten Filter des ersten Ausführungsbeispiels eine angemessene Annäherung zu der Pitch-Skala des menschlichen Ohrs sind, wird festgestellt, dass eine noch bessere Leistung geliefert wird durch die Verwendung von Filtern, die gleichmäßig auf einer Bark-Skala angeordnet sind (wie oben diskutiert). Demgemäß sind in Schritt 102 die zwanzig Bandpassfilter gerundete exponentielle (roex) Filter, die in ein-Bark-Abständen auf der Pitch-Skala angeordnet sind. Die gerundete Exponentialfunktion wird beschrieben in „Suggested formu lae for calculating auditory-filter bandwidths and excitation Patterns", (J. Acoust.Soc.Am. 74, 750–753 1983), B.C.J. Moore und M.R Glasburg.
Anstatt die mittlere Signalamplitude in jedem Band alle vier Millisekunden zu berechnen, wird in diesem Ausführungsbeispiel die Signalamplitude über unterschiedliche Durchschnittsbildungsperioden für die unterschiedlichen Bänder berechnet, über zwei Millisekunden für das höchste Pitch-Band und 48 Millisekunden für das niedrigste Pitch-Band, mit dazwischenliegenden Durchschnittsbildungszeiten für die dazwischenliegenden Bänder. Es wird beobachtet, dass ein Variieren der zeitlichen Auflösung in Abhängigkeit von dem Pitch (oder im allgemeinen der Frequenz), um über ein längere Intervall bei niedrigeren Frequenzen aufzulösen, eine wesentlich verbesserte Leistung liefert.
Für eine nachfolgende Verarbeitung wird, wie oben, für jeden Zeitabschnitt von zwei Millisekunden ein Array von Bandpassfilter-Ausgabewerten erzeugt. Für Bänder niedriger als der höchste Pitch werden Werte mehr als einmal für intervenierende Zeitabschnitte wiederholt (zum Beispiel wird für das niedrigste Pitch-Band jeder Wert 24-mal für die Zeitabschnitte von zwei Millisekunden zwischen jedem 48 Millisekunden-Durchschnitts-Amplituden-Wert wiederholt). Alternativ kann eine numerische Interpolation zwischen aufeinander folgenden Werten durchgeführt werden, anstatt sie nur zu wiederholen.
Die Schritte 103–111 sind dieselben wie in dem ersten Ausführungsbeispiel (mit der Anpassung von numerischen Konstanten, um die unterschiedlichen Filterantworten zu reflektieren).
Viertes Ausführungsbeispiel
In diesem Ausführungsbeispiel, wie in dem dritten Ausführungsbeispiel, kann das Sprachsignal gemäß entweder dem ersten Ausführungsbeispiel oder dem zweiten Ausführungsbeispiel erzeugt werden. Jedoch simuliert die Analyse-Einheit 8, anstatt die oben beschriebenen Maskierungsberechnungen durchzuführen, direkt das menschliche Ohr, wie beschrieben wird zum Beispiel in „Digital Filter Simulation of the Basilar Membrane", Computer Speech and Language, Nr. 3 1989, Ambikairajh, Black und Linggard (hierin durch Bezugnahme in seiner Ganzheit aufgenommen). Ein derartiges Modell empfängt als Eingabe das Signal von dem ADC 81, teilt das Signal in eine Vielzahl von Frequenzbändern und erzeugt eine Serie von Ausgaben an jedem Zeitabschnitt, die den Effekten des verzerrten Signals von der Telekommunikationsvorrichtung 1 auf Teilen der menschlichen Hör-Struktur entspricht. Die Ausgaben des Modells werden dann durch eine geeignete Verarbeitung und Entscheidungs-Logik (zum Beispiel ein neuronales Netzwerk oder eine Fuzzy-Logik-Steuervorrichtung) kombiniert basierend auf einer empirisch abgeleiteten Korrelation mit tatsächlichen Zuhörerantworten, um ein Signal zu liefern, das die Wahrnehmungsbedeutung der Verzerrung in dem Signal anzeigt.
Aspekte des Analyseverfahrens dieses Ausführungsbeispiels können auch mit anderen Testsignalen verwendet werden (zum Beispiel reale menschliche Sprache).
Effekte der Erfindung
Unter Bezugnahme auf die 12 bis 16 wird die Repräsentation der Verzerrung des Testsignals der 8a von verschiedenen Typen einer Telekommunikationsvorrichtungs durch die ersten und zweiten Ausführungsbeispiele der Erfindung nun dargestellt.
12a zeigt die Fehler-Erregungs-Oberfläche, die durch eine augenblickliche Amplitudenverzerrung produziert wird, die durch Hinzufügen von Termen zweiter und dritter Ordnung niedriger Amplitude zu dem Signal produziert wird. Die Verzerrung wird als „kaum hörbar" von einem menschlichen Zuhörer charakterisiert. Es ist zu sehen, dass die Fehler-Lautheits-Zahlen klein und meistens positiv sind, wie in 12b gezeigt wird.
13a zeigt die entsprechende Fehler-Amplituden-Oberfläche für eine völlig hörbare nicht-lineare Verzerrung desselben Typs, aber mit Termen zweiter und dritter Ordnung mit höherem Wert. Die Amplitude des Fehlers und die Fehler-Lautheit (13b) sind beide viel größer. Zusätzlich ist zu sehen, dass die Majorität der Verzerrungslautheit mit dem stimmhaften Teil des Testsignals der 8a übereinstimmt, da dieses Niederfrequenz-Formanttöne enthält, deren Harmonische wahrnehmbar signifikant sind.
Unter Bezugnahme auf die 14a und 14b werden die Effekte der modulierten Rauschen-Referenz-Einheits(MNRU – modulated noise reference unit)-Verzerrung gezeigt. Eine MNRU-Verzerrung wird im Anhang A der CCITT Recommendation P81 beschrieben, und ist ausgebildet, theoretisch äquivalent zu der Verzerrung zu sein, die durch eine einzelne A-Law-CM-Stufe eingeführt wird (der Art, die in Telekommunikationssystemen weithin verwendet wird). Das Pegel der Verzerrung wird charakterisiert als vollständig hörbar durch einen menschlichen Zuhörer. Wieder ist aus der 14a zu sehen, dass die Wahrnehmungsverzerrung hauptsächlich mit Formanten in dem stimmhaften Teil des Testsignals verbunden ist.
Unter Bezugnahme auf die 15a und 15b, wenn eine Übersprech-Verzerrung (crossover distortion) geliefert wird (d.h. Verzerrung der Art y = mx + c für x grösser als null und y = mx – c für x kleiner als null), werden niedrige Amplituden-Signale nicht übertragen, und somit wird der stimmlose Ton mit niedrigerer Energie in dem zweiten Teil des Testsignals drastisch gedämpft. Die 15a und 15b zeigen somit einen sehr signifikanten subjektiven Einfluss dieser Art von Verzerrung, was der Reaktion des menschlichen Zuhörers entspricht.
Schließlich zeigen die 16a und 16b die Effekte eines Sprachaktivitäts-Detektors mit einer 50 Millisekunden Anstiegszeit. In dem Anfangsteil des Signals gibt es eine große negative Fehler-Lautheit, da das Signal gekappt wurde. Die folgende positive Fehler-Lautheit besteht aufgrund eines Überschwingens oder eines Absinkens. Die Fehler-Lautheitswerte zeigen einen hohen Pegel von wahrgenommener Verzerrung an, die mit der Reaktion des menschlichen Zuhörers übereinstimmt.
Andere Alternativen und Modifikationen
Aus dem Vorangegangenen ist zu sehen, dass viele Variationen zu den oben beschriebenen Ausführungsbeispielen gemacht werden können, ohne das Betriebs-Prinzip der Erfindung zu ändern. Wenn zum Beispiel die Telekommunikationsvorrichtung ausgebildet ist, eine digitale Eingabe zu empfangen, kann auf den DAC 71 verzichtet werden. Das Signal von dem Ausgabe-Anschluss 5 kann in digitaler Form an den Eingangsanschluss 2 der Telekommunikationsvorrichtung geliefert werden und auf den ADC 81 kann ebenfalls verzichtet werden. Alternativ kann ein elektromechanischer Transducer an dem Ausgabe-Anschluss 5 vorgesehen werden und das Signal als ein Audio-Signal geliefert werden. In dem letzteren Fall kann das Testsignal über einen künstlichen Mund geliefert werden, wie diskutiert in CCITT P.51 Recommendation an Artificial Ear and Artificial Mouth, Vol. 5, Rec P.51, Melbourne 1988 und frühere UK-Patentanmeldung GB2218299 ( 8730346 ). Ähnlich kann das verzerrte Sprachsignal über eine künstliche akustische Ohrstruktur empfangen werden, wie in der oben genannten CCITT Recommendation und unserer früheren UK-Patentanmeldung GB2218300 ( 8730347 ) beschrieben wird. Dieses würde das Filtern verringern, das im Schritt 101 erforderlich ist.
Obgleich in den oben beschriebenen Ausführungsbeispielen ein einzelnes Abklingenprofil für eine zeitliche Maskierung beschrieben wird, kann in alternativen Ausführungsbeispielen der Erfindung bevorzugt werden, eine Vielzahl (zum Beispiel 2) von Abklingenraten für die Vorwärts(und Rückwärts)-Maskierung vorzusehen, und die erforderliche Abklingenrate in Abhängigkeit von der Dauer des Maskierungstons (d.h. die Anzahl von Zeitabschnitten, über welche die Amplitude in einem der Durchlassbänder einen vorgegebenen Pegel übersteigt) auszuwählen. Zum Beispiel kann ein maximales und ein minimales Abklingen (entsprechend jeweils 200 Millisekunden und 5 Millisekunden Dauer) definiert werden durch: y = 58.4039·10^(–0.0059x) y = 55.5955·10^(–0.0163x)
Obwohl Verbindungen zu einer tatsächlichen Telekommunikationsvorrichtung hier beschrieben wurden, ist es genauso möglich, eine Computer-Vorrichtung zu programmieren, um die Verzerrungen zu simulieren, die durch eine Telekommunikationsvorrichtung eingeführt werden, da viele derartige Verzerrungen relativ einfach zu charakterisieren sind (zum Beispiel die aufgrund von VADs oder Codecs). Demgemäß erstreckt sich die Erfindung ebenfalls auf Ausführungsbeispiele, in denen ein Signal an eine derartige Simulationsvorrichtung geliefert wird, und die simulierte verzerrte Ausgabe der Telekommunikationsvorrichtung verarbeitet wird. Auf diese Weise kann für einen menschlichen Zuhörer die Akzeptanz der Kombination vieler komplizierter und nicht-linearer Kommunikationsvorrichtungen modelliert werden vor dem Zusammenbau oder Anschluss einer derartigen Vorrichtung in Gebrauch.
Obwohl die Analyse-Einheit 8 und der Testsignalgenerator 7 als getrennte Hardware beschrieben wurden, können sie in der Praxis durch einen einzelnen geeignet verarbeiteten digitalen Prozessor realisiert werden; ebenso kann der Telekommunikationsvorrichtungssimulator, auf den in dem obigen Ausführungsbeispiel Bezug genommen wird, durch denselben Prozessor vorgesehen werden.
Obwohl in den oben beschriebenen Ausführungsbeispielen die Analysator-Einheit 8 das Testsignal von dem Testsignalgenerator 7 empfängt und analysiert, kann in der Praxis die Analysator-Einheit 8 die Erregungsdaten speichern, die vorher für die oder jede von mehreren Testsequenzen durch eine frühere Analyse abgeleitet wurden. Somit muss die Analysator-Einheit in derartigen Ausführungsbeispielen nicht selbst ausgebildet sein, das nichtverzerrte Testsignals zu analysieren.
In den oben beschriebenen Ausführungsbeispielen können andere Maße der Signalverzerrung als die Fehler-Lautheit, Fehler-Aktivität oder Fehler-Entropie einfach aus den berechneten Daten abgeleitet werden, die den 11a, 13a, 14a, 15a und 16a entsprechen. Tatsächlich ist die Lautheit der Verzerrung nur eine der Maße ihres Effekts auf einen menschlichen Zuhörer; andere sind Zuhörerermüdung und Zuhöranstrengung. Zum Beispiel können die Verzerrung oder die Fehler-Daten, die gemäß den oben beschriebenen Ausführungsbeispielen berechnet werden, als Eingaben in einen statistischen Klassifizierer, ein neuronales Netzwerk oder eine Fuzzy-Logik-Maschine eingesetzt werden, die gemäß Parametern arbeiten, die empirisch abgeleitet werden durch Vergleichstests mit echten menschlichen Zuhörern.
In diesem Dokument wird zur Einfachheit die Bezeichnung „Phonem" verwendet, um einen einzelnen, wiederholbaren, menschlichen Sprachton anzuzeigen, ungeachtet, dass in seiner normalen Verwendung ein „Phonem" einen Ton bezeichnen kann, der durch seinen Sprachkontext modifiziert wird.
Außer das Gegenteil wird angezeigt oder ist offensichtlich, können die Merkmale der obigen Ausführungsbeispiele kombiniert werden auf Arten, die von den hier explizit detailliert dargestellten abweichen.
Obwohl die Ausführungsbeispiele, die oben beschrieben werden, das Testen von Telekommunikationsvorrichtungen betreffen, ist die Anwendung von neuen Aspekten der Erfindung auf das Testen oder die Analyse einer anderen Sprachtragenden Vorrichtung nicht ausgeschlossen.

Claims

Testvorrichtung zum Testen einer Einrichtung zur Handhabung von Sprachsignalen, die aufweist Mittel (7) zum Liefern eines Testsignals, Analysemittel (8) zum Empfangen eines verzerrten Signals, das dem Testsignal entspricht, wenn es durch die zu testende Einrichtung (1) verzerrt wird, und zum Analysieren des verzerrten Signals, um ein Verzerrungswahrnehmungsmaß zu erzeugen, das den Umfang anzeigt, zu dem die Verzerrung des Signals für einen menschlichen Zuhörer wahrnehmbar ist, dadurch gekennzeichnet, dass das Analysemittel (8) Mittel aufweist, die ausgebildet sind, zumindest das verzerrte Signal zu verarbeiten, um eine Vielzahl spektraler Komponenten zu erzeugen, und Mittel, um für jede derartige Komponente eine Vielzahl von Werten (c(i, j)) zu erzeugen, wobei jeder Wert den Fehler in einem jeweiligen zeitlichen Abschnitt der Komponente betrifft; und Mittel zur Erzeugung eines Verzerrungswahrnehmungsmaßes (Y_LE), das den Umfang anzeigt, zu dem die Verzerrung des Signals für einen menschlichen Zuhörer wahrnehmbar ist, durch Messen der Fehler über eine Vielzahl der zeitlichen Abschnitte und der Komponenten, wobei das Verzerrungswahrnehmungsmaß abhängig ist von der statistischen Verteilung (E_E) der Fehler über die zeitlichen Abschnitte und spektralen Komponenten, wie gegeben wird durch die Formel
Testvorrichtung gemäß Anspruch 1, wobei das Verzerrungswahrnehmungsmaß Y_LE auch abhängig ist von dem Aggregat E_A dieser Unterschiede.
Testvorrichtung gemäß Anspruch 1 oder 2, wobei das von jedem Abschnitt dargestellte Zeitintervall für Komponenten niedrigerer Frequenz langer ist als für Komponenten höherer Frequenz.
Testvorrichtung gemäß einem der vorhergehenden Ansprüche, wobei das Analysemittel (8) ausgebildet ist, das Verzerrungswahrnehmungsmaß (c(i, j)) derart zu erzeugen, dass es von der wahrnehmbaren Lautheit der Verzerrung abhängt und nichtlinear von der Amplitude der Verzerrung abhangt.
Verfahren zum Testen einer Sprachsignal-Handhabungseinrichtung, das die Schritte aufweist: Liefern eines Testsignals an die Sprachsignal-Handhabungseinrichtung; Analysieren des Testsignals als verzerrt durch die Sprachsignal-Handhabungseinrichtung; Bestimmen des Umfangs, zu dem die Verzerrung dieses Signals für einen menschlichen Zuhörer wahrnehmbar ist; und Verarbeiten zumindest des verzerrten Signals, um eine Vielzahl von spektralen Komponenten zu erzeugen, Erzeugen einer Vielzahl von Werten (c(i, j)) für jede derartige Komponente, wobei jeder Wert den Fehler in einem jeweiligen zeitlichen Abschnitt der Komponente betrifft; und Erzeugen eines Verzerrungswahrnehmungsmaßes (Y_LE), das den Umfang anzeigt, zu dem die Verzerrung des Signals für einen menschlichen Zuhörer wahrnehmbar ist, durch Messen der Fehler über eine Vielzahl der zeitlichen Abschnitte und der Komponenten, wobei das Verzerrungswahrnehmungsmaß (Y_LE) abhängig ist von der statistischen Verteilung (E_E) der Fehler über die zeitlichen Abschnitte und spektralen Komponenten, wie gegeben wird durch die Formel
Verfahren gemäß Anspruch 5, wobei das Verzerrungswahrnehmungsmaß Y_LE auch abhängig ist von dem Aggregat E_A dieser Unterschiede.
Verfahren gemäß Anspruch 5 oder 6, wobei das von jedem Abschnitt dargestellte Zeitintervall für Komponenten niedrigerer Frequenz länger ist als für Komponenten höherer Frequenz.
Verfahren gemäß Anspruch 5, 6 oder 7, wobei das Verzerrungswahrnehmungsmaß (c(i, j)) abhängig ist von einer wahrnehmbaren Lautheit der Verzerrung und nichtlinear von der Amplitude der Verzerrung.