FI124716B - Järjestelmä ja menetelmä adaptiivista älykästä kohinanvaimennusta varten - Google Patents

Description

JÄRJESTELMÄ. JA MENETELMÄ ADAPTIIVISTA ÄLYKÄSTÄ KOHINANVAIMENNUSTA VARTEN

KEKSINNÖN TAUSTA

Keksinnön ala 5 Esillä oleva keksintö liittyy yleisesti ää nenkäsittelyyn ja erityisesti äänisignaalin adaptiiviseen kohinanvaimennukseen.

Tunnetun tekniikan kuvaus 10 Nykyään on monia menetelmiä epäedullisen au- dioympäristön taustakohinan vähentämiseksi. Yksi tällainen menetelmä on vakiona pysyvän kohinanvaimennus-järjestelmän käyttö. Vakiona pysyvä kohinanvaimennus-järjestelmä antaa aina lähtökohinan, joka on kiinteän 15 määrän verran pienempi kuin tulokohina. Tyypillisesti kiinteä kohinanvaimennus on välillä 12-13 desibeliä (dB) . Kohinanvaimennus on kiinnitetty tälle konservatiiviselle tasolle, jotta vältetään tuottamasta puheen säröä, jota ilmenisi suuremmalla kohinanvaimennuksel-20 la.

Suuremman kohinanvaimennuksen järjestämiseksi on hyödynnetty signaalikohinasuhteisiin (SNR) perustuvia dynaamisia kohinanvaimennusjärjestelmiä. Tätä sig-naalikohinasuhdetta voidaan sitten käyttää vaimen-25 nusarvon määrittämiseen. Valitettavasti signaaliko- hinasuhde ei itsessään ole kovin hyvä puheen särön en-o nustaja johtuen audioympäristössä olevista erilaisista kohinatyypeistä. Signaalikohinasuhde on sen suhde, o ^ kuinka paljon äänekkäämpää puhe on kohinaan verrattu- 30 na. Puhe voi kuitenkin olla ei-stationaarinen signaa-

X

£ li, joka voi jatkuvasti muuttua ja sisältää taukoja.

i- Tyypillisesti jonkin aikavälin kuluessa puheen energia o § käsittää sanan, tauon, sanan, tauon, ja niin edelleen, o ^ Lisäksi audioympäristössä voi olla läsnä stationaans- 00 35 ta ja dynaamista kohinaa. Signaalikohinasuhde keskiar- vottaa kaikki nämä stationaariset ja ei-stationaariset 2 puheet ja kohinat. Kohinasignaalin tilastollisia ominaisuuksia ei oteta huomioon, vaan huomioon otetaan vain kohinan kokonaistaso.

Joissakin tunnetun tekniikan järjestelmissä 5 voidaan johtaa siistaussuodin (enhancement filter) kohinan spektrin estimaatin perusteella. Eräs yleinen siistaussuodin on Wiener-suodin. Epäedullisesti siistaussuodin on tyypillisesti järjestetty minimoimaan tiettyjä matemaattisia virhemääriä ottamatta huomioon 10 käyttäjän havaintoja. Seurauksena on se, että mukaan tulee tietty määrä puheen huononemista kohinanvaimen-nuksen sivutuotteena. Tämä puheen huononeminen voimistuu, kun kohinataso nousee ja käytetään enemmän ko-hinanvaimennusta. Toisin sanoen signaalikohinasuhteen 15 laskiessa sovelletaan pienempää vahvistusta, minkä seurauksena on suurempi kohinanvaimennus. Tämä tuo mukanaan enemmän puheen häviösäröä ja puheen huononemista .

Siten on toivottavaa pystyä järjestämään 20 adaptiivinen kohinanvaimennus, joka minimoi tai poistaa puheen häviösärön ja huononemisen.

KEKSINNÖN YHTEENVETO

Esillä olevan keksinnön sovellutusmuodot rat-25 kaisevat tai lievittävät merkittävästi aiempia ongelmia, jotka liittyvät kohinanvaimennukseen ja puheen siistaukseen (speech enhancement). Esimerkkisovelluk- o sissa akustisella anturilla vastaanotetaan ensisijai- c\i ^ nen akustinen signaali. Sitten ensisijainen akustinen o ^ 30 signaali erotellaan taajuuskaistoihin analyysia var- ten. Tämän jälkeen energiamoduuli laskee energi- £ an/tehon estimaatit jonkin aikavälin aikana kullekin ^ taajuuskaistalle (ts. tehoestimaatit). Kohinaestimaa- o g tin moduuli voi käyttää tehospektriä (ts. akustisen 2 35 signaalin kaikkien taajuuskaistojen tehoestimaatteja) ^ kohinaestimaatin määrittämiseksi kullekin taajuuskais- 3 talle ja kokonaiskohinaspektriä akustista signaalia varten.

Adaptiivinen älykäs vaimennuksen generoija käyttää ensisijaisen akustisen signaalin kohinaspekt-5 riä ja tehospektriä puheen häviösärön (speech loss distortion, SLD) estimoimiseen. SLD-estimaattia käytetään ohjaussignaalien johtamiseen, jotka säätävät adaptiivisesti siistaussuodinta (enhancement filter). Siistaussuodinta hyödynnetään vahvistusten eli vahvis-10 tusmaskien joukon generointiin, joita voidaan soveltaa ensisijaiseen akustiseen signaaliin kohinavaimennetun signaalin generoimiseksi.

Joidenkin sovellutusmuotojen mukaisesti voidaan hyödyntää kahta akustista anturia: yhtä anturia 15 ensisijaisen akustisen signaalin sieppaamiseen ja toista anturia toissijaisen akustisen signaalin sieppaamiseen. Näitä kahta akustista signaalia voidaan sitten käyttää tasojenvälisen eron (inter-level difference, ILD) johtamiseen. ILD mahdollistaa estimoidun 20 SLD:n tarkemman määrittämisen.

Joissakin sovellutusmuodoissa mukavuuskohinan generoija voi generoida mukavuuskohinaa sovellettavaksi kohinavaimennettuun signaaliin. Mukavuuskohina voidaan asettaa tasolle, joka on juuri kuuluvuuden ylä-25 puolella.

PIIRUSTUSTEN YHTEENVETO 'ίο Kuvio 1 on ympäristö, jossa esillä olevan C\l keksinnön sovellutusmuotoja voidaan harjoittaa, o 1 30 Kuvio 2 on lohkokaavio esillä olevan keksin- m ^ nön sovellutusmuotoja toteuttavan audiolaitteen esi- x g merkistä.

Kuvio 3 on lohkokaavio äänenkäsittelykoneen o g esimerkistä.

? 35 Kuvio 4 on lohkokaavio adaptiivisen älykkään ^ vaimennuksen generoijän esimerkistä.

4

Kuvio 5 on kaavio, joka kuvaa adaptiivista älykästä kohinanvaimennusta verrattuna vakiona pysyvän kohinanvaimennuksen järjestelmiin.

Kuvio 6 on vuokaavio esimerkkimenetelmästä 5 kohinanvaimennukseen, joka käyttää adaptiivista älykästä vaimennusjärjestelmää.

Kuvio 7 on vuokaavio esimerkkimenetelmästä kohinanvaimennuksen suorittamiseen.

Kuvio 8 on vuokaavio esimerkkimenetelmästä 10 vahvistusmaskien laskemiseen.

ESIMERKKISOVELLUTUSMUOTOJEN SELOSTUS

Esillä oleva keksintö tuo esille esimerkki-järjestelmiä ja -menetelmiä äänisignaalin sisältämän 15 kohinan vaimentamiseen adaptiivisesti ja älykkäästi. Sovellutusmuodot pyrkivät tasapainottamaan kohinanvaimennuksen ja puheen huononemisen (ts. puheen hä-viösärön) mahdollisimman vähän tai ei ollenkaan. Esi-merkkisovellutusmuodoissa määritetään puheen ja kohi-20 nan tehoestimaatteja puheen häviösärön (speech loss distortion, SLD) määrän estimoimiseksi. Tästä SLD- estimaatista johdetaan sitten ohjaussignaali, jota sitten käytetään siistaussuotimen adaptiiviseen muokkaamiseen SLD:n minimoimiseksi tai estämiseksi. Tulok-25 sena on se, että kohinanvaimennusta voidaan soveltaa suuressa määrin silloin, kun mahdollista, ja kohinan-. vaimennusta voidaan vähentää, kun olosuhteet eivät o salli suurta määrää kohinanvaimennusta (esim. korkea

CvJ

^ SLD). Lisäksi esimerkkisovellutusmuodot soveltavat ko- o 1 30 hmanvaimennusta adaptiivisesti vain sen verran, että m kohina ei ole kuultavissa, kun kohinataso on alhainen.

X

g Joissakin tapauksissa tämän tuloksena voi olla se, et- tä kohinanvaimennusta ei sovelleta ollenkaan, o § Esillä oleva keksinnön sovellutusmuotoja voi- ? 35 daan harjoittaa millä tahansa audiolaitteella, joka on 00 järjestetty vastaanottamaan ääntä, kuten esimerkiksi solukkopuhelimilla, käsipuhelimilla, kuulokeradioilla 5 ja puhelinneuvottelujärjestelmillä näihin kuitenkaan rajoittumatta. Edullisesti esimerkkisovellutusmuodot on järjestetty parantamaan kohinanvaimennusta samalla, kun ne minimoivat puheen huononemisen. Vaikka esillä 5 olevan keksinnön joitakin sovellutusmuotoja tullaan kuvaamaan solukkopuhelimen toimintaan viitaten, niin esillä olevaa keksintöä voidaan harjoittaa millä tahansa audiolaitteella.

Kuvioon 1 viitaten esitetään ympäristö, jossa 10 esillä olevan keksinnön sovellutusmuotoja voidaan harjoittaa. Käyttäjä toimii audiolaitteen 104 puhelähtee-nä 102. Esimerkkiaudiolaite 104 käsittää kaksi mikrofonia: äänenlähteen 102 suhteen ensisijaisen mikrofo nin 106 ja toissijaisen mikrofonin 108, joka sijaitsee 15 jonkin etäisyyden päässä ensisijaisesta mikrofonista 106. Joissakin sovellutusmuodoissa mikrofonit 106 ja 108 käsittävät suuntauksettomia mikrofoneja.

Samalla, kun mikrofonit 106 ja 108 vastaanottavat ääntä (ts. akustisia signaaleja) audiolähteeltä 20 102, ne myös poimivat kohinaa 110. Vaikka kuviossa 1 kohinan 110 esitetään tulevan yhdestä kohdasta, niin kohina 110 voi käsittää mitä tahansa ääniä yhdeltä tai useammalta eri paikalta kuin äänilähde 102, ja niihin voi kuulua jälkikaiuntaa ja heijastumia. Kohina 110 25 voi olla stationaarista, ei-stationaarista, ja/tai sekä stationaarisen että ei-stationaarisen kohinan yhdistelmä .

^ Esillä olevan keksinnön jotkin sovellutusmuo- o ^ dot hyödyntävät näiden kahden mikrofonin 106 ja 108 o 30 välisiä tasoeroja (esim. energiaeroja). Koska ensisija jäinen mikrofoni 106 on paljon lähempänä äänilähdettä x 102 kuin toissijainen mikrofoni 108, niin ensisijaisen mikrofonin 106 intensiteettitaso on korkeampi, minkä § seurauksena on korkeampi energiataso esimerkiksi pu- o 35 he/äänisegmentin aikana.

° Tasoeroa voidaan sitten käyttää puheen ja ko hinan erottelemiseksi aika-taajuustasossa. Lisäsovel- 6 lutusmuodot voivat käyttää energian tasoerojen ja aikaviiveiden yhdistelmää puheen erottelemiseksi. Bi-nauraalisiin vihjeisiin perustuvan dekoodauksen perusteella voidaan suorittaa puhesignaalin talteenotto tai 5 puheen siistaus.

Viitaten nyt kuvioon 2 esimerkkiaudiolaite 104 esitetään yksityiskohtaisemmin. Esimerkkisovellu-tusmuodoissa audiolaite 104 on ääntä vastaanottava laite, joka käsittää prosessorin 202, ensisijaisen 10 mikrofonin 106, toissijaisen mikrofonin 108, äänenkä-sittelykoneen 204 ja ulosantolaitteen 206. Audiolaite 104 voi käsittää lisäkomponentteja, joita tarvitaan audiolaitteen 104 toimintaa varten. Äänenkäsittely-konetta 204 tullaan selostamaan yksityiskohtaisemmin 15 kuvion 3 yhteydessä.

Kuten edellä mainittiin, ensisijainen mikrofoni 106 ja toissijainen mikrofoni 108 ovat erillään toisistaan jonkin etäisyyden verran, jotta mahdollistetaan niiden väliset energian tasoerot. Sitten, kun 20 mikrofonit 106 ja 108 ovat vastaanottaneet akustiset signaalit, ne muunnetaan sähköisiksi signaaleiksi (ts. ensisijaiseksi sähköiseksi signaaliksi ja toissijaiseksi sähköiseksi signaaliksi). Analogiadigitaalimuun-nin (ei esitetty) voi muuntaa sähköiset signaalit di-25 gitaalisiksi signaaleiksi käsittelyä varten joidenkin sovellutusmuotojen mukaisesti. Akustisten signaalien erottelemiseksi ensisijaisen mikrofonin 106 vastaanot- ^ tamaan akustiseen signaaliin viitataan tässä tekstissä o ^ termillä ensisijainen akustinen signaali, kun taas o 30 toissijaisen mikrofonin 108 vastaanottamaan akustiseen !£ signaaliin viitataan tässä tekstissä termillä toissi- x jäinen akustinen signaali. Huomattakoon, että esillä ^ olevan keksinnön sovellutusmuotoja voidaan harjoittaa o hyödyntäen vain yhtä mikrofonia (ts. ensisijaista mik- o 35 rofonia).

^ Ulosantolaite 206 on mikä tahansa laite, joka antaa ääntä ulos käyttäjälle. Ulosantolaite 206 voi 7 esimerkiksi käsittää kuulokemikrofonin tai käsipuhelimen kuulokkeen, tai puhelinneuvottelulaitteen kaiutti-men.

Kuvio 3 on esillä olevan keksinnön yhden so-5 vellutusmuodon mukaisen esimerkkiäänenkäsittelykoneen 204 yksityiskohtainen lohkokaavio. Esimerkkisovellu-tusmuodoissa äänenkäsittelykone 204 sisältyy muistilaitteeseen. Käytössä ensisijaiselta mikrofonilta 106 ja toissijaiselta mikrofonilta 108 vastaanotetut akus-10 tiset signaalit muunnetaan sähköisiksi signaaleiksi ja prosessoidaan taajuusanalyysimoduulin 302 kautta. Yhdessä sovellutusmuodossa taajuusanalyysimoduuli 302 ottaa akustiset signaalit ja jäljittelee suodinpankin simuloimaa korvasimpukan taajuusanalyysiä (ts. kor-15 vasimpukkatasoa). Yhdessä esimerkissä taajuusanalyysi- moduuli 302 erottelee akustiset signaalit taajuuskaistoihin. Vaihtoehtoisesti taajuusanalyysiin ja -synteesiin voidaan käyttää muita suotimia, kuten esimerkiksi lyhyen aikavälin Fourier-muunnosta (STFT), 20 alikaistasuodinpankkeja, moduloituja kompleksisia päällekkäisiä muunnoksia, korvasimpukkamalleja, aal- lokkeita, jne. Koska useimmat äänet (esim. akustiset signaalit) ovat kompleksisia ja käsittävät useamman kuin yhden taajuuden, niin akustisen signaalin ali-25 kaista-analyysi määrittää, mitkä yksittäiset taajuudet ovat mukana kompleksisessa akustisessa signaalissa kehyksen (esim. ennalta määrätyn ajanjakson) aikana. Yh- ^ den sovellutusmuodon mukaisesti kehys on 8 ms pitkä, o ^ Esillä olevan keksinnön erään esimerkkisovel- i 00 cp 30 lutusmuodon mukaisesti adaptiivisen älykkään vaimenin nuksen (adaptive intelligent suppression, AIS) gene- ^ roija johtaa ajan ja taajuuden myötä vaihtelevat vah-

CL

vistukset eli vahvistusmaskit, joita käytetään kohinan § vaimentamiseen ja puheen siistaamiseen. Vahvistusmas- o o 35 kien johtamiseksi AIS-generoijalle 312 tarvitaan kui- ° tenkin tiettyjä syötteitä. Nämä syötteet käsittävät kohinan tehospektritiheyden (ts. kohinaspektrin), en- 8 sisijaisen akustisen signaalin tehospektritiheyden (ts. ensisijaisen spektrin), ja mikrofonien tasojenvä-lisen eron (ILD).

Signaalit välitetään sellaisenaan edelleen 5 energiamoduulille 304, joka laskee jonkin aikavälin aikaiset energia/tehoestimaatit akustisen signaalin kullekin taajuuskaistalle (ts. tehoestimaateille) . Tuloksena on se, että energiamoduuli 304 voi määrittää ensisijaisen spektrin (ts. ensisijaisen akustisen sig-10 naalin tehospektritiheyden) kaikkien taajuuskaistojen poikki. Tämä ensisijainen spektri voidaan toimittaa adaptiivisen älykkään vaimennuksen (AIS) generoijalle 312 ja ILD-moduulille 306 (jota kuvataan lisää tässä tekstissä). Samalla tapaa energiamoduuli 304 määrittää 15 toissijaisen spektrin (ts. toissijaisen akustisen sig naalin tehospektritiheyden) kaikkien taajuuskaistojen poikki toimitettavaksi ILD-moduulille 306.

Kahta mikrofonia hyödyntävissä sovellutusmuo-doissa voidaan määrittää sekä ensisijaisen akustisen 20 signaalin että toissijaisen akustisen signaalin teho-spektrit. Ensisijainen spektri käsittää tehospektrin ensisijaisesta akustisesta signaalista (ensisijaisesta mikrofonista 106), joka sisältää sekä puhetta että kohinaa. Esimerkkisovellutusmuodoissa ensisijainen akus-25 tinen signaali on signaali, joka tullaan suodattamaan AIS-generoijassa 312. Siten ensisijainen spektri välitetään edelleen AIS-generoijalle 312. Lisää yksityisti kohtia tehoestimaattien ja tehospektrien laskennasta o ^ on löydettävissä yhteisesti vireillä olevista patented 30 tihakemuksista US 11/343,524 ja US 11/699,732, jotka !ί? sisällytetään tähän viittauksella.

Kahden mikrofonin sovellutusmuodoissa myös

CL

mikrofonien tasojenvälisen eron (ILD) moduuli 306 § käyttää tehospektrejä ajan ja taajuuden myötä vaihte- o o 35 levän ILD:n määrittämiseen. Koska ensisijainen mikro- ^ foni 106 ja toissijainen mikrofoni 108 voivat olla suunnatut jollakin tietyllä tavalla, tiettyjä tasoero- 9 ja voi esiintyä, kun puhe on aktiivisena, ja muita tasoeroja voi esiintyä, kun kohina on aktiivisena. Sitten ILD välitetään edelleen adaptiiviselle luokittelijalle 308 ja AIS-generoijalle 312. Lisää yksityiskoh-5 tia ILD:n laskennasta on löydettävissä yhteisesti vireillä olevista patenttihakemuksista US 11/343,524 ja US 11/699,732.

Adaptiivinen esimerkkiluokittelija 308 on järjestetty erottelemaan kohinan ja häiriötekijät 10 (esim. lähteet, joilla on negatiivinen ILD) puheesta akustisessa signaal(e)issa kunkin kehyksen kunkin taajuuskaistan osalta. Adaptiivinen luokittelija 308 on adaptiivinen, koska piirteet (esim. puhe, kohina, ja häiriötekijät) muuttuvat ja riippuvat ympäristön akus-15 tisista olosuhteista. Esimerkiksi ILD, joka ilmaisee puhetta yhdessä tilanteessa, voi ilmaista kohinaa jossakin toisessa tilanteessa. Siten adaptiivinen luokittelija 308 säätää luokittelun rajoja ILD:n perusteella .

20 Esimerkkisovellutusmuotojen mukaisesti adap tiivinen luokittelija 308 erottelee kohinan ja häiriötekijät puheesta ja toimittaa tulokset kohinaestimaa-tin moduulille 310 kohinaestimaatin johtamiseksi. Aluksi adaptiivinen luokittelija 308 määrittää kanavi-25 en välisen maksimienergian kullakin taajuudella. Lisäksi määritetään paikalliset ILD:t kullekin taajuudelle. Globaali ILD voidaan laskea soveltamalla ener- ? gian paikallisiin ILD:hin. Nyt lasketun globaalin o ^ ILD:n perusteella voidaan päivittää globaalin ILD:n oo cp 30 liukuva keskiarvo ja/tai ILD-havaintojen liukuva kesii? kiarvo ja varianssi (ts. globaali klusteri). Sitten x kehystyypit voidaan luokitella globaalin ILD:n sijain-

CL

nin perusteella globaalin klusterin suhteen. Kehystyy- § pit voivat käsittää lähteen, taustan ja häiriötekijät, o o 35 Sitten, kun kehystyypit on määritetty, adap- ^ tiivinen luokittelija 308 voi päivittää globaalin kes kimääräisen liukuvan keskiarvon ja varianssin (ts.

10 klusterin) lähteelle, taustalle ja häiriötekijöille. Jos kehys luokitellaan lähteeksi, taustaksi tai häiriötekijäksi, niin yhdessä esimerkissä vastaavaa globaalia klusteria pidetään aktiivisena, ja se siirre-5 tään kohti globaalia ILD:tä. Niitä globaalin lähteen, taustan ja häiriötekijän globaaleja klustereita, jotka eivät vastaa kehystyyppiä, pidetään epäaktiivisina. Ne lähteen ja häiriötekijän globaalit klusterit, jotka pysyvät epäaktiivisina jonkin ennalta määrätyn ajan-10 jakson ajan, voivat siirtyä kohti taustan globaalia klusteria. Jos taustan globaali klusteri pysyy epäak-tiivisena jonkin ennalta määrätyn ajanjakson ajan, se siirtyy kohti globaalia keskiarvoa.

Sitten, kun kehystyypit on määritetty, adap-15 tiivinen luokittelija 308 voi päivittää myös paikallisen keskimääräisen liukuvan keskiarvon ja varianssin (ts. klusterin) lähteelle, taustalle ja häiriötekijöille. Paikallisten aktiivisten ja epäaktiivisten klusterien päivitysprosessi on samankaltainen kuin 20 globaalien aktiivisten ja epäaktiivisten klusterien päivitysprosessi.

Lähteen ja taustan klusterien sijainnin perusteella energiaspektrin kohtia luokitellaan lähteeksi tai kohinaksi. Tämän tulos välitetään kohinaesti-25 maatin moduulille 310.

Eräässä vaihtoehtoisessa sovellutusmuodossa adaptiivisen luokittelijan 308 esimerkki käsittää sel- ? laisen, joka jäljittää kunkin taajuuskaistan minimi- ^ ILD:tä käyttäen minimistatistiikan estimoijaa. Luokit- oo cp 30 telun kynnysarvot voidaan sijoittaa kiinteälle etäi- syydelle (esim. 3 dB) kunkin kaistan minimi-ILD:n ylä-^ puolelle. Vaihtoehtoisesti kynnysarvot voidaan sijoit-

CL

taa vaihtelevalle etäisyydelle kunkin kaistan minimi- § ILD:n yläpuolelle riippuen kunkin kaistan äskettäin o o 35 havainnoidusta ILD-arvojen arvoalueesta. Jos esimer- ^ kiksi ILD:n havainnoitu arvoalue ylittää 6 dB, kyn nysarvo voidaan sijoittaa siten, että se on puolities- 11 sä kussakin kaistassa jonkin tietyn määrätyn ajanjakson (esim. 2 sekuntia) aikana havainnoitua minimi- ja maksimi-ILD:tä.

Esimerkkisovellutusmuodoissa kohinaestimaatti 5 perustuu vain ensisijaisen mikrofonin 106 akustiseen signaaliin. Esimerkin kohinaestimaatin moduuli 310 on komponentti, jota voidaan approksimoida matemaattisesti yhtälöllä Ν(ί,ω) = λι (ί,ω)Ει (t, ω) + (1 - λι (t, ω)) min [7\Α(ί -1, ω), Ει (ί,ω)] 10 esillä olevan keksinnön yhden sovellutusmuo- don mukaisesti. Kuten on nähtävissä, tämän sovellutus-muodon kohinaestimaatti perustuu ensisijaisen akustisen signaalin nykyisen energiaestimaatin Ei (Ι,ω) ja edellisen aikakehyksen kohinaestimaatin N(t-l,<a) mini-15 mistatistiikkaan. Tuloksena on se, että kohinan estimointi suoritetaan tehokkaasti ja vähäisellä viiveellä .

Yllä olevan yhtälön Äi(t,co) johdetaan ILD- moduulin 306 approksimoimasta ILDrstä seuraavasti f« 0 jos ILD{t,ω)< kynnysarvo 2 0 \{t,(o) = \ [«1 jos ILD{t,o)> kynnysarvo

Toisin sanoen, kun ensisijainen mikrofoni 106 on pienempi kuin kynnysarvo (esim. kynnysarvo = 0.5), jonka yläpuolella puheen oletetaan olevan, niin λι on pieni, ja siten kohinaestimaatin moduuli 310 seuraa 25 kohinaa tarkemmin. Kun ILD alkaa kohota (esim. koska puhetta on läsnä suuressa ILD-alueessa) λι kasvaa.

? Seurauksena on se, että kohinaestimaatin moduuli 310 o ^ hidastaa kohinan estimoinnin prosessia, ja puheen 00 Ί o energian osuus lopullisesta kohmaestimaatista ei ole ί 30 merkittävä. Siten esillä olevan keksinnön esimerkkiso- vellutusmuodot voivat käyttää minimistatistiikkojen ja Q.

puheaktiviteetin ilmaisun yhdistelmää kohinaestimaatin § määrittämiseksi. Sitten kohinaspektri (ts. kohinaesti- o o maatit akustisen signaalin kaikille taajuuskaistoille) ° 35 välitet ään edelleen AIS-generoijalle 312.

12

Puheen häviösärö (speech loss distortion, SLD) perustuu sekä puheen tason estimaattiin että ko-hinaspektriin. AIS-generoija 312 vastaanottaa sekä puheen että ensisijaisen spektrin kohinan energiamoduu-5 liitä 304, sekä kohinaspektrin kohinaestimaatin moduulilta 310. Näiden syötteiden ja ILD-moduulilta 306 saadun valinnaisen ILD:n perusteella voidaan päätellä puhespektri. Toisin sanoen kohinaspektrin kohinaesti-maatit voidaan vähentää ensisijaisen spektrin tehoes-10 timaateista. Tämän jälkeen AIS-generoija 312 voi määrittää vahvistusmaskit, joita sovelletaan ensisijaiseen akustiseen signaaliin. AIS-generoijaa 312 kuvataan yksityiskohtaisemmin jäljempänä kuvion 4 yhteydessä.

15 SLD on ajan myötä vaihteleva estimaatti. Esi- merkkisovellutusmuodoissa järjestelmä voi hyödyntää tilastotietoja äänisignaalin ennalta määrätyltä asetettavissa olevalta ajan määrältä (esim. kaksi sekuntia) . Jos kohina tai puhe muuttuu seuraavien kahden 20 sekunnin aikana, järjestelmä voi säätyä vastaavasti.

Esimerkkisovellutusmuodoissa AIS-generoij alta 312 ulos annettu vahvistuksen maski, joka riippuu ajasta ja taajuudesta, maksimoi kohinanvaimennuksen samalla, kun se rajoittaa SLD:tä. Siten kutakin vah-25 vistuksen maskia sovelletaan ensisijaisen akustisen signaalin vastaavaan taajuuskaistaan maskausmoduulissa 314 .

? Seuraavaksi maskatut taajuuskaistat muunne-

o J

^ taan takaisin aikatasoon korvasimpukkatasosta. Muunnos co o 30 voi käsittää maskattujen taajuuskaistojen ottamisen ja korvasimpukkakanavien vaihesiirrettyjen signaalien g summaamisen yhteen taajuussynteesin moduulissa 316.

CL

Sitten, kun muunnos on suoritettu loppuun, syntetisoi- § tu akustinen signaali voidaan antaa ulos käyttäjälle, o o 35 Joissakin sovellutusmuodoissa mukavuuskohinan ° generoijän 318 generoimaa mukavuuskohinaa voidaan li sätä signaaliin ennen kuin se annetaan ulos käyttäjäl- 13 le. Mukavuuskohina käsittää yhdenmukaista jatkuvaa kohinaa, joka yleensä ei ole kuulijan havaittavissa (esim. vaaleanpunaista kohinaa). Tätä mukavuuskohinaa voidaan lisätä akustiseen signaaliin kuuluvuuskynnyk-5 sen ylläpitämiseksi ja matalien ei-stationaaristen lähdön kohinakomponenttien peittämiseksi. Joissakin sovellutusmuodoissa mukavuuskohinan tason voidaan valita olevan juuri kuuluvuuskynnyksen yläpuolella, ja sen voidaan valita olevan käyttäjän asetettavissa. 10 Esimerkkisovellutusmuodoissa mukavuuskohinan taso voi olla AIS-generoijan 312 tiedossa, jotta se voi generoida vahvistuksen maskeja, jotka vaimentavat kohinan tasolle, joka on mukavuuskohinan alapuolella.

Huomattakoon, että kuvion 3 äänenkäsittelyko-15 neen 204 järjestelmärakenne on esimerkinomainen. Vaihtoehtoiset sovellukset voivat käsittää enemmän komponentteja, vähemmän komponentteja, tai vastaavia komponentteja, ja silti ne voivat kuulua esillä olevan keksinnön sovellutusmuotojen suojapiiriin. Äänenkäsit-20 telykoneen 204 eri moduuleja voidaan yhdistää yhdeksi moduuliksi. Esimerkiksi taajuusanalyysin moduulin 302 ja energiamoduulin 304 toiminnallisuudet voidaan yhdistää yhdeksi moduuliksi. Lisäesimerkkinä ILD-moduulin 306 funktiot voidaan yhdistää pelkästään 25 energiamoduulin 304 funktioihin tai yhdessä taajuus-analyysin moduulin 302 kanssa.

Viitaten nyt kuvioon 4, esimerkinomainen AIS- ? generoija 312 esitetään yksityiskohtaisemmin. Esimer- ^ kinomainen AIS-generoija 312 voi käsittää puheen särön oo 9 30 ohjauksen (speech distortion control, SDC) moduulin 402 ja laskennan siistaussuotimen (compute enhancement filter, CEF) moduulin 404. Ensisijaisen spektrin, Q.

ILD:n ja kohinaspektrin perusteella AIS-generoija 312 o voi määrittää vahvistuksen maskit (esim. ajan myötä o 2 35 vaihtelevat vahvistukset kullekin taajuuskaistalle).

o c\j Esimerkin SDC-moduuli 402 on järjestetty es timoimaan puheen häviösärön (SLD) määrää ja johtamaan 14 siihen liittyvät ohjaussignaalit, joita käytetään CEF-moduulin 404 käyttäytymisen säätämiseen. Perimmältään SDC-moduuli 402 kerää ja analysoi tilastotietoja useaa eri taajuuskaistaa varten. SLD-estimaatti on kaikkien 5 eri taajuuskaistojen tilastotietojen funktio. Huomattakoon, että jotkin taajuuskaistat voivat olla tärkeämpiä kuin jotkin muut taajuuskaistat. Yhdessä esimerkissä tietyt äänet, kuten esimerkiksi puhe, liittyvät rajalliseen taajuuskaistaan. Eri sovellutusmuodoissa 10 SDC-moduuli 402 voi soveltaa painokertoimia analysoidessaan tilastotietoja useaa eri taajuuskaistaa varten säätääkseen CEF-moduulin 404 käyttäytymistä paremmin tehokkaamman vahvistuksen maskin tuottamiseksi.

Esimerkkisovellutusmuodoissa SDC-moduuli 402 15 voi laskea pitkän aikavälin puhetasojen (speech level, SL) sisäisen estimaatin ensisijaisen spektrin ja ILD:n perusteella kullakin ajan hetkellä, ja verrata sisäistä estimaattia kohinaspektrin estimaattiin mahdollisen signaalin häviösärön määrän estimoimiseksi. Yhden so-20 vellutusmuodon mukaisesti nykyinen SL voidaan määrittää päivittämällä ensin vaimentumiskertoimen. Yhdessä esimerkissä vaimentumiskerroin (desibeleissä) alkaa nollasta, kun SL-estimaatti päivitetään, ja se kasvaa lineaarisesti ajan myötä (esim. yhden desibelin sekun-25 nissa), kunnes SL-estimaatti päivitetään uudestaan (jolloin se nollataan). Jos ILD on jonkin kynnysarvon T yläpuolella, ja jos ensisijainen spektri on korkeampi pi kuin nykyinen SL-estimaatti miinus vaimentumisker- o ^ roin, niin SL-estimaatti päivitetään ja asetetaan en- 0 30 sisijaiseen spektriin (desibeliyksiköissä). Jos nämä !£ ehdot eivät täyty, SL-estimaatti pidetään aiemmin es- 1 timoidussa arvossaan. Joissakin sovellutusmuodoissa cc SL-estimaatti voidaan rajoittaa alempaan ja ylempään o rajaan, jossa puheen tason odotetaan yleensä olevan, o 35 Sitten, kun SL-estimaatti on määritetty, SLD- ^ estimaatti voidaan laskea. Aluksi kehyksen kohina- spektri voidaan vähentää (desibeliyksiköissä) SL- 15 estimaatista, ja tuloksen M:ksi alin arvo voidaan laskea. Sitten tulos sijoitetaan kehäpuskuriin, jonka vanhin arvo poistetaan. Sitten määritetään SLD:n N:ksi alin arvo ennalta määrätyn ajan aikana puskurissa.

5 Sitten tulosta käytetään rajoittamaan SDC-moduulin 402 lähtöä sen suhteen, kuinka nopeasti lähtö voi muuttua (esim. lähtöjännitteen muuttumisnopeus). Tuloksena oleva lähtö x voidaan muuntaa tehotasoon yhtälön ^ = 10x/1° mukaisesti. Sitten CEF-moduuli 404 käyttää tulo losta A (ts. ohjaussignaalia).

Esimerkinomainen CEF-moduuli 404 generoi vah-vistusmaskit puheen spektrin ja kohinan spektrin perusteella, jotka noudattavat rajoituksia. Näitä rajoituksia voi ohjata SDC:n lähtö (ts. SDC-moduulilta 402 15 lähtevät ohjaussignaalit) sekä tieto pohjakohinasta ja siitä, missä määrin äänilähdön komponentit ovat kuultavissa. Tuloksena on se, että vahvistusmaski yrittää minimoida kohinan kuuluvuuden maksimaalisella SLD:n rajoituksella ja minimaalisella taustakohinan jatku-20 vuuden rajoituksella.

Esimerkkisovellutusmuodoissa vahvistusmaskin laskenta perustuu Wiener-suodinratkaisuun. Normaali Wiener-suotimen yhtälö on G(f) =--,

Ps(f) + Pn(f) 25 missä Ps on puhesignaalin spektri, Pn on ko- ^ hinan spektri (jonka kohinaestimaatin moduuli 310 toi- o c\j mittaa), ja f on taajuus. Esimerkkisovellutusmuodoissa o Ps voidaan johtaa vähentämällä Pn ensisijaisesta i λ 30 spektristä. Joissakin sovellutusmuodoissa tulosta voi- x daan tasoittaa temporaalisesti käyttämällä alipääs- cr tösuodinta.

o Signaalin häviösäröä vähentävää Wiener-

O

§ suotimen muokattua versiota (ts. siistaussuodinta) ku- o 35 vaa yhtälö 16 c(f)- Ps(f)

Ps(f) + Y-Pn(f)' missä y on nollan ja yhden välillä. Mitä pienempi y on, sitä enemmän signaalin häviösärö pienenee. Esimerkkisovellutusmuodoissa signaalin häviösäröä voi 5 olla tarpeen pienentää vain niissä tilanteissa, joissa normaali Wiener-suodin saisi aikaan sen, että signaalin häviösärö olisi suuri. Siten γ on adaptiivinen. Tämä kerroin γ voidaan hankkia mappaamalla SDC-moduulin 402 lähtö γ nollan ja yhden välillä olevaan 10 väliin. Tämä voidaan saada aikaan käyttämällä esimerkiksi sellaista yhtälöä kuin 7 = min(l, % ). Tässä tapa- / Λ) uksessa λο on parametri, joka vastaa pienintä sallittua SLD:tä.

Muokattu siistaussuodin voi lisätä kohinamo-15 dulaation havaittavuutta, missä lähtökohinan havaitaan lisääntyvän, kun puhe on aktiivisena. Tästä johtuen voi olla tarpeen rajoittaa lähdön kohinan taso, kun puhe ei ole aktiivisena. Tämä voidaan saada aikaan asettamalla vahvistusmaskille Glb alarajan. Esimerkki-20 sovellutusmuodoissa Glb voi riippua A:sta. Tuloksena on se, että suotimen yhtälö voidaan kuvata seuraavasti G(f) = maxf Glb(X\--1, l P<n+y Mf) missä Glb yleisesti ottaen suurenee, kun λ pienenee. Tämä voidaan saavuttaa yhtälöllä h / ^ 25 Glb = min(l,J γχ) * Tässä tapauksessa on parametri, joka oj , ohjaa kohinan jatkuvuuden määrää annetulla λ:n arvol- 00 S5 la. Mitä suurempi λι on, sitä enemmän on jatkuvuutta.

LO

T- Siten CEF-moduuli 404 olennaisesti korvaa aiempien so- ir vellutusmuotojen Wiener-suotimen.

CL

30 Viitaten nyt kuvioon 5 esitetään kaavio, joka o kuvaa adaptiivista älykästä (kohinan) vaimennusta o 5 (AIS) verrattuna vakiona pysyvän kohinanvaimennuksen o c\J järjestelmiin. Kuten kuviossa esitetään, esillä olevan keksinnön sovellutusmuodot pyrkivät pitämään lähtökö- 17 hinan lähellä kuuluvuuskynnystä. Siten jos kohina on kuuluvuuden alapuolella, esillä olevan keksinnön so-vellutusmuodot eivät välttämättä sovella mitään ko-hinanvaimennusta. Kun kohinan taso muuttuu kuultavak-5 si, esillä olevan keksinnön sovellutusmuodot pyrkivät kuitenkin pitämään lähtökohinan tasolla, joka on juuri kuuluvuustason alapuolella.

Esillä olevan keksinnön sovellutusmuodot voivat vaimentaa joinakin aikoina enemmän ja joinakin 10 toisina aikoina vähemmän kuin vakiona pysyvän kohinan-vaimennuksen järjestelmä. Lisäksi sovellutusmuotoja voidaan säätää enemmän tai vähemmän herkiksi puheen särölle. Kuviossa 5 esimerkiksi esitetään AIS-asetus, joka on herkempi puheen särölle ja jonka vaimennus on 15 siten konservatiivisempaa (ts. herkempi AIS) . Havaitseminen on kuitenkin olennaisesti identtistä, kun läh-tökohina pidetään kuultavuuskynnyksen alapuolella.

Esimerkkisovellutusmuodoissa lähtökohina pidetään vakiona, kunnes kohinan taso käy liian suurek-20 si. Sitten, kun kohinan taso nousee liian suureksi, AIS-generoija 312 säätää vahvistusmaskeja vaimennuksen määrän pienentämiseksi SLD:n välttämiseksi. Esimerkkisovellutusmuodoissa käyttäjä voi säätää esillä olevaa keksintöä enemmän tai vähemmän herkäksi SLD:lle.

25 Kuten edellä selostettiin, kuultavuuskynnystä voidaan toteuttaa tai ohjata lisäämällä mukavuuskohi-naa. Mukavuuskohinan mukanaolo voi taata sen, että mu-? kavuuskohinan tason alapuolella olevat lähtökohinan ^ komponentit eivät ole kuulijan havaittavissa, oo cp 30 Yleisesti ottaen puheen säröytymistä voi ta- ί pahtua signaalikohinasuhteilla, jotka ovat 15 dB:n ^ alapuolella. Esimerkkisovellutusmuodoissa 15 dB:n ala- Q_ puolella kohinanvaimennuksen määrää voidaan vähentää.

§ Kohinanvaimennuksen maksimimäärä tapahtuu kohina si- o o 35 sään/kohina ulos -käyrän polvekkeessa 502. Se todelli- ° nen signaalikohinasuhde, jolla polveke 502 tapahtuu, riippuu kuitenkin signaalista, koska esillä olevan 18 keksinnön sovellutusmuodot hyödyntävät signaalin hä-viösärön (SLD) estimaattia eivätkä signaalikohinasuh-detta. Eri tyyppisten äänilähteiden annetulla signaa-likohinasuhteella voi tapahtua eri määriä puheen huo-5 nontumista. Esimerkiksi kapeakaistaiset ja ei- stationaariset kohinasignaalit voivat aiheuttaa vähemmän signaalin häviösäröä kuin leveäkaistainen ja sta-tionaarinen kohina. Polveke 502 voi siten tapahtua alemmalla signaalikohinasuhteella kapeakaistaisille ja 10 ei-stationaarisille signaaleille. Jos esimerkiksi pol veke 502 tapahtuu 5 dB: n signaalikohinasuhteella vaaleanpunaisen kohinan lähteelle, se voi tapahtua 0 dB:n signaalikohinasuhteella puhetta käsittävälle kohinan lähteelle.

15 Joissakin sovellutusmuodoissa voi tapahtua kohinan portti-ilmiötä (noise gating) erittäin suurilla kohinatasoilla. Jos puheessa on tauko, esillä olevan keksinnön sovellutusmuodot voivat tarjota paljon kohinanvaimennusta. Kun puhe kytkeytyy päälle, järjes-20 telmä voi luopua nopeasti kohinanvaimennuksesta, mutta jonkin verran kohinaa on kuultavissa, kun puhe kytkeytyy päälle. Tuloksena on se, että kohinanvaimennuksesta täytyy luopua tietyssä määrin niin, että on jonkin verran jatkuvuutta, jota järjestelmä voi käyttää ko-25 hinakomponenttien ryhmittelemiseen yhteen. Siten sen sijaan, että annettaisiin kohinan kytkeytyä päälle, kun puhetta tulee mukaan, voidaan säilyttää jonkin ? verran taustakohinaa (ts. vähentää kohinanvaimennusta

O

^ siinä määrin kuin on tarpeen kohinan portti-ilmiön oo cp 30 vaikutuksen vähentämiseksi). Sitten sen vaikutus ei ί ole niin ärsyttävä eikä se ole todella havaittavissa, g kun puhetta on läsnä.

Viitaten nyt kuvioon 6 esitetään esimerkki- § vuokaavio 600 esimerkkimenetelmästä kohinanvaimennuk- o o 35 seen, joka käyttää adaptiivisen älykkään vaimennuksen ^ (AIS) järjestelmää. Vaiheessa 602 ensisijainen mikro foni 106 ja valinnainen toissijainen mikrofoni 108 19 vastaanottavat äänisignaaleja. Esimerkkisovellutusmuo-doissa akustiset signaalit muunnetaan digitaaliseen formaattiin prosessointia varten.

Sitten vaiheessa 604 taajuusanalyysin moduuli 5 302 suorittaa taajuusanalyysin akustisille signaaleil le. Yhden sovellutusmuodon mukaisesti taajuusanalyysin moduuli 302 hyödyntää suodinpankkia akustisessa signaaleissa läsnä olevien yksittäisten taajuuskaistojen määrittämiseksi.

10 Vaiheessa 606 lasketaan sekä ensisijaiseen mikrofoniin 106 että toissijaiseen mikrofoniin 108 vastaanotettujen akustisten signaalien energiaspekt-rit. Yhdessä sovellutusmuodossa energiamoduuli 304 määrittää kunkin taajuuskaistan energiaestimaatin.

15 Esimerkkisovellutusmuodoissa esimerkinomainen energia-moduuli 304 hyödyntää nykyistä akustista signaalia ja aiemmin laskettua energiaestimaattia nykyisen energia-estimaatin määrittämiseksi.

Sitten, kun energiaestimaatit on laskettu, 20 valinnaisessa vaiheessa 608 lasketaan mikrofonien taso jenväliset erot (ILD). Yhdessä sovellutusmuodossa ILD lasketaan sekä ensisijaisen että toissijaisen akustisen signaalin energiaestimaattien (ts. energia-spektrin) perusteella. Esimerkkisovellutusmuodoissa 25 ILD-moduuli 306 laskee ILD:n.

Vaiheessa 610 luokitellaan adaptiivisesti puhe ja kohinakomponentit. Esimerkkisovellutusmuodoissa ? akustisen signaalin puheen erottelemiseksi kohinasta ^ adaptiivinen luokittelija 308 analysoi vastaanotetut co cp 30 energiaestimaatit sekä ILD:n, mikäli se on saatavilla, li Tämän jälkeen vaiheessa 612 määritetään kohi- nan spektri. Esillä olevan keksinnön eräiden sovellu- Q.

tusmuotojen mukaisesti kunkin taajuuskaistan kohinaes- § timaatti perustuu ensisijaiseen mikrofoniin 106 vas- o o 35 taanotettuun akustiseen signaaliin. Kohinaestimaatti ° voi perustua ensisijaiselta mikrofonilta 106 tulevan akustisen signaalin taajuuskaistan nykyiseen energia- 20 estimaattiin ja aiemmin laskettuun kohinaestimaattiin. Esillä olevan keksinnön esimerkkisovellutusmuotojen mukaisesti kohinaestimaattia määritettäessä kohinan estimointi pysäytetään tai sitä hidastetaan, kun ILD 5 suurenee.

Vaiheessa 614 suoritetaan kohinanvaimennus. Kohinanvaimennuksen prosessia tullaan selostamaan yksityiskohtaisemmin kuvioiden 7 ja 8 yhteydessä. Ko-hinavaimennettu akustinen signaali voidaan sitten an-10 taa ulos käyttäjälle vaiheessa 616. Joissakin sovellu-tusmuodoissa digitaalinen akustinen signaali muunnetaan analogiseksi signaaliksi ulosantoa varten. Ulos-anto voi tapahtua esimerkiksi kaiuttimen, kuulokkeiden tai muiden vastaavien laitteiden välityksellä.

15 Viitaten nyt kuvioon 7 esitetään vuokaavio esimerkkimenetelmästä kohinanvaimennuksen (vaihe 614) suorittamiseen. Vaiheessa 702 AIS-generoija 312 laskee vahvistusmaskit. Lasketut vahvistusmaskit voivat perustua ensisijaiseen tehospektriin, kohinaspektriin ja 20 ILD:hen. Eräs esimerkkiprosessi vahvistusmaskien generoimiseksi annetaan jäljempänä kuvioon 8 viitaten.

Sitten, kun vahvistusmaskit on laskettu, vah-vistusmaskeja voidaan soveltaa ensisijaiseen akustiseen signaaliin vaiheessa 704. Esimerkkisovellutusmuo-25 doissa maskausmoduuli 314 soveltaa vahvistusmaskeja.

Vaiheessa 706 ensisijaisen akustisen signaalin maskatut taajuuskaistat muunnetaan takaisin aika- ^ tasoon. Esimerkinomaiset muunnostekniikat soveltavat o ^ korvasimpukkakanavan käänteistaajuutta maskattuihin oo cp 30 taajuuskaistoihin maskattujen taajuuskaistojen syntejä tisoimiseksi.

x Joissakin sovellutusmuodoissa mukavuuskohinan

CC

□_ generoija 318 voi generoida mukavuuskohinaa vaiheessa § 708. Mukavuuskohina voidaan asettaa tasolle, joka on o 35 hiukan kuultavuuden yläpuolella. Sitten mukavuuskohi- ° naa voidaan soveltaa syntetisoituun akustiseen signaa- 21 liin vaiheessa 710. Eri sovellutusmuodoissa mukavuus-kohinaa sovelletaan summaajan välityksellä.

Viitaten nyt kuvioon 8 esitetään vuokaavio esimerkkimenetelmästä vahvistusmaskien laskemiseen 5 (vaihe 702). Esimerkkisovellutusmuodoissa vahvistus-maski lasketaan ensisijaisen akustisen signaalin kullekin taajuuskaistalle.

Vaiheessa 802 estimoidaan puheen häviösärön (SLD) määrä. Esimerkkisovellutusmuodoissa SDC-moduuli 10 402 määrittää SLD:n määrän laskemalla ensin pitkän ai kavälin puhetasojen (SL) sisäisen estimaatin, joka voi perustua ensisijaiseen spektriin ja ILD:hen. Sitten, kun SL-estimaatti on määritetty, voidaan laskea SLD-estimaatti. Siten vaiheessa 804 johdetaan ohjaussig-15 naalit SLD:n määrän perusteella. Sitten nämä ohjaus signaalit välitetään edelleen siistaussuotimelle vaiheessa 806.

Vaiheessa 808 generoidaan vahvistusmaski nykyiselle taajuuskaistalle lyhyen aikavälin signaalin 20 perusteella sekä kohinaestimaatti taajuuskaistalle siistaussuotimella. Esimerkkisovellutusmuodoissa siis-taussuodin käsittää CEF-moduulin 404. Jos vaiheessa 810 akustisen signaalin jokin toinen taajuuskaista tarvitsee vahvistusmaskin laskemista, niin silloin 25 prosessia toistetaan, kunnes koko taajuusspektri mah dutettu .

Vaikka esillä olevan keksinnön sovellutusmuo-? toja on selostettu käyttäen ILD:tä, vaihtoehtoisten

O

^ sovellutusmuotojen ei tarvitse olla ILD-ympäristössä.

CO

cp 30 Normaalit puheen tasot ovat ennustettavissa olevia, ja !£ puhe voi vaihdella 10 dB: n sisällä ylemmäs tai alem- ^ mas. Siten järjestelmä voi olla tietoinen tästä vaih-

CL

teluvälistä, ja se voi olettaa, että puhe on sallitun § vaihteluvälin alimmalla tasolla. Tässä tapauksessa ILD

o 35 asetetaan yhtä suureksi kuin 1. Edullisesti ILD:n ° käyttö mahdollistaa sen, että järjestelmä voi saada tarkemman estimaatin puheen tasoista.

22

Yllä kuvatut moduulit voivat käsittää käskyjä, jotka on tallennettu tallennusvälineelle. Prosessori 202 voi noutaa ja suorittaa käskyt. Käskyjen joihinkin esimerkkeihin kuuluu ohjelmisto, ohjelmakoodi 5 ja firmware-ohjelmisto. Tallennusvälineiden jotkin esimerkit käsittävät muistilaitteita ja integroituja piirejä. Käskyt ovat käytössä, kun prosessori 202 suorittaa niitä prosessorin 202 ohjaamiseksi toimimaan esillä olevan keksinnön sovellutusmuotojen mukaisesti. 10 Käskyt, prosessori(t) ja tallennusvälineet ovat tuttu ja alan ammattilaisille.

Esillä olevaa keksintöä on kuvattu edellä esimerkkisovellutusmuotoihin viittaamalla. Alan ammattilaisille on ilmeistä, että erilaisia muunnoksia voi-15 daan tehdä ja että muita sovellutusmuotoja voidaan käyttää poikkeamatta esillä olevan keksinnön laajemmasta suojapiiristä. Esillä olevan keksinnön sovellu tusmuoto ja voidaan esimerkiksi soveltaa mihin tahansa järjestelmään (esim. muuhun kuin puheen siistausjär- 20 jestelmään), kunhan kohinan tehospektrin estimaatti on saatavilla. Siten esillä olevan keksinnön on tarkoitus kattaa nämä sekä muut esimerkkisovellutusmuotojen muunnelmat.

o

CM

CO

cp

LO

X

cc

CL

δ o o o δ

CM

Claims (20)

23

1. Menetelmä alikaistakohinanvaimentimen adaptiiviseksi ohjaamiseksi, joka menetelmä käsittää: vastaanotetaan ensisijainen akustinen signaa- 5 li; tunnettu siitä, että määritetään puheen häviösärön estimaatti ensisijaisen akustisen signaalin perusteella, missä pu heen häviösärön estimaatti on kohinanvaimentimen tuot-10 tämän puheen mahdollisen heikentymisen estimaatti ja se on primaarin akustisen signaalin signaali- kohinasuhde-estimaatin funktio; määritetään ohjausparametri ja adaptiivinen muuntelija käyttämällä puheen häviösärön estimaattia; 15 ja ohjataan alikaistakohinanvaimentajaa käyttämällä ohjausparametria ja adaptiivista muuntelijaa, jotta rajoitetaan mahdollista puheen heikentymistä.

2. Patenttivaatimuksen 1 mukainen menetelmä, 20 missä puheen häviösärön estimaatin määrittäminen kä sittää lasketun kohinaspektrin vähentämisen ensisijaisen akustisen signaalin tehospektristä.

3. Patenttivaatimuksen 2 mukainen menetelmä, joka edelleen käsittää ensisijaisen akustisen signaa-

25 Iin tehospektrin laskemisen.

4. Patenttivaatimuksen 1 mukainen menetelmä, ^ joka edelleen käsittää ensisijaisen akustisen signaa- δ Iin sisältämän kohinan ja puheen luokittelun. CvJ qq

5. Patenttivaatimuksen 1 mukainen menetelmä, o 1 30 noka edelleen käsittää: m ^ määritetään tasojen välinen ero ensisijaisen x £ akustisen signaalin ja toissijaisen akustisen signaa- Iin välillä; ja o § määritetään ohjausparametri ja adaptiivinen o ί- 35 muuntelija käyttämällä tasojen välistä eroa ja puheen ^ häviösärön estimaattia. 24

6. Patenttivaatimuksen 1 mukainen menetelmä, missä puheen häviösäröestimaatti on primaarin akustisen signaalin painotetun signaali-kohinasuhde-estimaatin funktio.

7. Patenttivaatimuksen 1 mukainen menetelmä, missä alikaistakohinanvaimentaja on parannussuodatin, jolla on suodatinyhtälö, joka on funktio ohjauspara-metrista ja adaptiivisesta muuntelijasta.

8. Järjestelmä alikaistakohinanvaimentimen 10 adaptiiviseksi ohjaamiseksi, joka järjestelmä käsit tää : prosessorin (202); ja muistin, joka tallentaa tietokoneohjelman, joka on suoritettavissa prosessorilla (202) suoritta-15 maan menetelmän alikaistakohinanvaimentimen adaptiivi seksi ohjaamiseksi, joka menetelmä käsittää: vastaanotetaan ensisijainen akustinen signaali; tunnettu siitä, että 20 määritetään puheen häviösärön estimaatti en sisijaisen akustisen signaalin perusteella, missä puheen häviösärön estimaati on kohinanvaimentimen tuottaman puheen mahdollisen heikentymisen estimaatti ja se on primaarin akustisen signaalin signaali-25 kohinasuhde-estimaatin funktio; määritetään ohjausparametri ja adaptiivinen muuntelija käyttämällä puheen häviösärön estimaattia; s ^ ohjataan alikaistakohinanvaimentajaa käyttä- oo cp 30 mällä ohjausparametria ja adaptiivista muuntelijaa, !£ jotta rajoitetaan mahdollista puheen heikentymistä.

9. Patenttivaatimuksen 8 mukainen järjestel- CL mä, missä puheen häviösärön estimaatin määrittäminen g käsittää lasketun kohinaspektrin vähentämisen ensisi- o o 35 jäisen akustisen signaalin tehospektristä.

^ 10. Patenttivaatimuksen 8 mukainen järjestel mä, joka edelleen käsittää: 25 määritetään tasojen välinen ero ensisijaisen akustisen signaalin ja toissijaisen akustisen signaalin välillä; ja määritetään ohjausparametri ja adaptiivinen 5 muuntelija käyttämällä tasojen välistä eroa ja puheen häviösärön estimaattia.

11. Patenttivaatimuksen 8 mukainen järjestelmä, missä menetelmä edelleen käsittää primaarin akustisen signaalin primaarispektrin muodostamisen.

12. Patenttivaatimuksen 10 mukainen järjes telmä, missä menetelmä edelleen käsittää primaarin akustisen signaalin tehospektrin laskemisen.

13. Tietokoneella luettavissa oleva pyvyvä väline, joka sisältää tietokoneohjelman, joka on suo- 15 ritettavissa prosessorilla suorittamaan menetelmän alikaistakohinanvaimentimen adaptiiviseksi ohjaamiseksi, joka menetelmä käsittää: vastaanotetaan ensisijainen akustinen signaali; 20 tunnettu siitä, että määritetään puheen häviösärön estimaatti ensisijaisen akustisen signaalin perusteella, missä puheen häviösärön estimaatti on kohinanvaimentimen tuottaman puheen mahdollisen heikentymisen estimaatti ja 25 se on primaarin akustisen signaalin signaali- kohinasuhde-estimaatin funktio; määritetään ohjausparametri ja adaptiivinen ? muuntelija käyttämällä puheen häviösärön estimaattia; o ^ ja CO cp 30 ohjataan alikaistakohinanvaimentajaa käyttä- !£ mällä ohjausparametria ja adaptiivista muuntelijaa, ^ jotta rajoitetaan mahdollista puheen heikentymistä. CL

14. Patenttivaatimuksen 13 mukainen tietoko- § neella luettavissa oleva pyvyvä väline, missä menetel- o o 35 mä edelleen käsittää: δ c\j 26 määritetään tasojen välinen ero ensisijaisen akustisen signaalin ja toissijaisen akustisen signaalin välillä; ja määritetään ohjausparametri ja adaptiivinen 5 muuntelija käyttämällä tasojen välistä eroa ja puheen häviösärön estimaattia.

15. Menetelmä kohinan adaptiiviseksi vaimentamiseksi, joka menetelmä käsittää: vastaanotetaan ensisijainen akustinen signaa- 10 li; tunnettu siitä, että määritetään puheen häviösärön estimaatti ensisijaisen akustisen signaalin perusteella, missä pu heen häviösärön estimaatti on kohinanvaimentimen tuot-15 tämän puheen mahdollisen heikentymisen estimaatti ja se on primaarin akustisen signaalin signaali- kohinasuhde-estimaatin funktio; määritetään ohjausparametri ja adaptiivinen muuntelija käyttämällä puheen häviösärön estimaattia; 20 vaimennetaan kohinaa käyttämällä ohjauspara- metria ja adaptiivista muuntelijaa tuottamaan ko-hinavaimennetun signaalin, jotta rajoitetaan mahdollista puheen heikentymistä; muodostetaan ja sovelletaan mukavuuskohinaa 25 kohinavaimennettuun signaaliin tuottamaan ulostulosig naalin; ja tuotetaan ulostulosignaali.

? 16. Patenttivaatimuksen 15 mukainen menetel- o mä, missä puheen häviösärön estimaatin määrittäminen co cp 30 käsittää lasketun kohinaspektrm vähentämisen ensisi- ^ jäisen akustisen signaalin tehospektristä, χ

17. Patenttivaatimuksen 15 mukainen menetel- cc CL mä, missä menetelmä edelleen käsittää: g määritetään tasojen välinen ero ensisijaisen o 35 akustisen signaalin ja toissijaisen akustisen signaa- Iin välillä; ja 27 määritetään ohjausparametri ja adaptiivinen muuntelija käyttämällä tasojen välistä eroa ja puheen häviösärön estimaattia.

18. Järjestelmä kohinan adaptiiviseksi vai-5 mentamiseksi, joka järjestelmä käsittää: prosessorin (202); ja muistin, joka tallentaa tietokoneohjelman, joka on suoritettavissa prosessorilla (202) suorittamaan menetelmän kohinan adaptiiviseksi vaimentamisek-10 si, joka menetelmä käsittää: vastaanotetaan ensisijainen akustinen signaali; tunnettu siitä, että määritetään puheen häviösärön estimaatti en-15 sisijaisen akustisen signaalin perusteella, missä puheen häviösärön estimaatti on kohinanvaimentimen tuottaman puheen mahdollisen heikentymisen estimaatti ja se on primaarin akustisen signaalin signaali-kohinasuhde-estimaatin funktio; 20 määritetään ohjausparametri ja adaptiivinen muuntelija käyttämällä puheen häviösärön estimaattia; vaimennetaan kohinaa käyttämällä ohjauspara-metria ja adaptiivista muuntelijaa tuottamaan ko-hinavaimennetun signaalin, jotta rajoitetaan mahdol-25 lista puheen heikentymistä; muodostetaan ja sovelletaan mukavuuskohinaa kohinavaimennettuun signaaliin tuottamaan ulostulosig- ^ naalin; ja o ^ tuotetaan ulostulosignaali, co cp 30

19. Patenttivaatimuksen 18 mukainen järjes- !£ telmä, missä puheen häviösärön estimaatin määrittämi- x nen käsittää lasketun kohinaspektrin vähentämisen en- Q_ sisijaisen akustisen signaalin tehospektristä, g

20. Patenttivaatimuksen 18 mukainen järjes- o 35 telmä, joka edelleen käsittää: δ c\j 28 määritetään tasojen välinen ero ensisijaisen akustisen signaalin ja toissijaisen akustisen signaalin välillä; ja määritetään ohjausparametri ja adaptiivinen 5 muuntelija käyttämällä tasojen välistä eroa ja puheen häviösärön estimaattia. 't δ c\j i oo o m X cc CL δ o o o δ c\j 29