JP4468447B2 - 自給式呼吸装置システム内で発生した音声信号を等化するための方法および装置 - Google Patents

Description

本発明は、概して、通信システムと結合している加圧空気供給システムに関する。

消防のような危険な環境活動に従事しているスタッフ間での明瞭で信頼性の高い通信は、自分自身の健康および安全を維持しながらその使命を達成するために不可欠なものである。作業状況により、例えば、自給式呼吸装置（ＳＣＢＡ）マスクおよび空気供給システム、自給式水中呼吸装置（ＳＣＵＢＡ）マスクおよび空気供給システム、または航空機用酸素マスク・システムのような加圧空気供給システムを使用しなければならない場合が出てくる。
米国特許出願第１０／８８２，４５２号 米国特許出願第１０／８８２，７１５号

スタッフがこのような加圧空気供給システムを使用している場合でも、明瞭で信頼性の高い通信を維持し、スタッフの健康および安全を効果的に監視することが望ましい。

図１は、通信システム１３０と結合している加圧空気供給システム１１０を含む従来技術によるシステム１００の簡単なブロック図である。加圧空気供給システムは、通常、ＳＣＢＡマスクのような呼吸マスク１１２と、空気シリンダ（図示せず）と、レギュレータ１１８と、レギュレータ１１８を空気シリンダに接続している高圧ホース１２０とを含む。使用する空気供給システム１１０のタイプにより、システム１１０は、例えば、ユーザに呼吸のためのクリーンな空気を供給し、有害な毒素がユーザの肺に達するのを防止し、ユーザの肺が燃焼している構造の内部の過熱した空気により火傷することから保護し、ユーザの肺を水から保護し、さらにユーザを顔面および呼吸器の火傷から保護することにより、ユーザを保護することができる。さらに、通常、マスクは圧力を必要とする呼吸システムであるとみなされる。何故なら、通常、マスクの着用者が息を吸い込むときだけ空気が供給されるからである。

通信システム１３０は、通常、マスクの着用者の音声を記録するように設計されていて、マスクの内側および外側に装着、マスクに取り付け、またはマスク１１２上の音声送信ポート上で手の中に保持することができる従来のマイクロホン１３２を含む。通信システム１３０は、さらに、マスクの着用者が、例えば他の通信装置に自分の音声を送るために使用することができる双方向無線機のような通信装置１３４を含む。マスクのマイクロホン・デバイス１３２は、直接、または中間電子処理装置１３８を通して無線機１３４に接続することができる。この接続は、従来のワイヤ・ケーブル（例えば１３６）を通して、または従来のＲＦ、赤外線または超音波短距離送信機／受信機システムにより無線で行うことができる。中間電子処理装置１３８は、例えば、デジタル信号プロセッサとして実施することができ、インタフェース電子回路、音声増幅器、およびデバイス用およびマスク・マイクロホン用のバッテリー電力を含むことができる。

システム１００のようなシステムは、その使用に関連するいくつかの問題点がある。これらの問題点については、説明を分かりやすくするために、図１のシステム１００のマスク−無線機音声パスを示す図２のブロック図を参照しながら説明する。唇からの音声入力２１０（例えば、Ｓ_ｉ（ｆ））は、音響共鳴およびヌルを特徴とする音響伝達関数２２０（例えば、ＭＳＫ（ｆ））を有する、マスク（例えば、ＳＣＢＡマスク）に入る。これらの共鳴およびヌルは、マスクの空洞容積およびマスクの内面からの音の反射によるものである。伝達関数ＭＳＫ（ｆ）を特徴とするこれらの効果は、入力音声波形Ｓ_ｉ（ｆ）を歪ませ、そのスペクトル内容を変化させる。もう１つの音源は、同様にマスクに入り、ＭＳＫ（ｆ）の影響を受ける呼吸装置（例えば、レギュレータ吸気ノイズ）が発生するノイズ２３０である。もう１つの伝達関数２４０（例えば、ＮＰ_ｋ（ｆ））が、ノイズが、音声のノイズではなく、マスク内の若干異なる位置から発生するノイズによるものであることを示している。音声およびノイズＳ（ｆ）は、自分自身の伝達関数２５０（例えば、ＭＩＣ（ｆ））を有するマイクロホンにより音響エネルギーから電子信号に変換される。次に、マイクロホン信号は、通常、音声増幅器、およびまた、伝達関数２６０（例えば、ＭＡＡ（ｆ））を有する他の回路を通る。次に、ＭＡＡ（ｆ）からの出力信号２７０（例えば、Ｓ_ｏ（ｆ））は、無線機内に入力され、さらに処理され送信される。

システム１００のようなシステムの問題点に戻って説明すると、このような問題点の一例は、その動作の一部としての大きな音響ノイズのこれらシステムによる発生に関連する。より詳細に説明すると、これらのノイズは、特に無線機のような電子システムと一緒に使用した場合、通信の品質を有意に劣化させる恐れがある。ＳＣＢＡシステムのような加圧空気供給システムが導入する顕著な音声アーティファクトであるこのような１つのノイズとしては、図２にボックス２３０として示すレギュレータ吸気ノイズがある。

レギュレータ吸気ノイズは、マスクの着用者が息を吸い込む度に発生する広帯域のノイズ・バーストとして発生する。マスク内の圧力が負になると、エア・レギュレータの弁が開き、高圧の空気がマスク内に入ることができるようになり、大きなヒス音を発生する。このノイズは、後続の音声と一緒にマスク通信システムのマイクロホンによりピックアップされ、音声とほぼ同じエネルギーを有する。吸気ノイズは、通常、音声を遮断しない。何故なら、吸気ノイズは、通常、息を吸い込む時だけ発生するからである。しかし、このことがいくつかの問題を引き起こす恐れがあるが、そのいくつかの例について以下に説明する。例えば、吸気ノイズはＶＯＸ（音声作動スイッチ）回路をトリガする恐れがあり、それにより無線チャネルが開きまた占拠され、同じ無線チャネル上の他のスピーカと干渉を起こさないとも限らない。さらに、デジタル無線機を使用する通信システムにおいては、吸気ノイズがＶＡＤ（音声活動検出装置）アルゴリズムをトリガして、ノイズ抑制アルゴリズムでノイズ推定を無線信号処理チェーンのさらに下まで混乱させる恐れがある。さらに、吸気ノイズは、通常、聞き手にとって不快なものである。

システム１００のようなシステムの第２の問題点について以下に説明する。これらシステムは、通常、鼻および口、または顔全体を覆うマスクを使用する。空気システムのマスクは、マスクの容積および内部反射面の幾何学的形状の関数である特定の組の音響共鳴および反共鳴（ヌル）を有し、マスク内で発生する音声のスペクトル特性を変化させる一定の幾何学的形状の閉空気空洞を形成する。より詳細に説明すると、エアマスク音声パス（図２）を特徴付ける際に、システムの最も難しい部分は、話す人の唇からマスクのマイクロホンまでの音響伝達関数（２２０）である。これらのスペクトルの歪みは、取り付けられている音声通信システム、特に、劣化した音声を処理するために最適化されないパラメータ的デジタル・コーデックを使用するシステムの性能を有意に劣化する恐れがある。音響マスク歪みは、パラメータ的デジタル・コーデックが関連する場合に、通信システムの品質および明瞭度に影響することが分かっている。一般的に、吸気ノイズの他に、音声品質を最も劣化させる空気システムの影響は、マスクの音響特性がよくないためによるものと思われる。

図３は、マスク（３２０）内およびマスク・マイクロホン出力（３１０）のところで測定したスペクトル振幅応答、およびマスク、マイクロホンおよびマイクロホン増幅器に対する結合伝達関数（３３０）の一例を示す。これらの特定のデータは、頭部および胴体のシミュレータ上に装着したＳＣＢＡマスクにより入手したものである。音響励起は、人工口部シミュレータを駆動する３Ｈｚ〜１０ＫＨｚの掃引正弦波からなる。図３に示すように、スペクトルは、ほとんどの場合、マイクロホン内のプリアンプ帯域フィルタにより、５００Ｈｚ未満および４．０ＫＨｚを超える周波数のところで有意に減衰していて、５０〜４．０ＫＨｚ間の有意の音声通過帯域領域内に多数の大きなスペクトル・ピークおよびノッチを含む。これらのスペクトル・ピークおよびノッチは、通常、櫛フィルタリングを行うマスク内の反射、および空洞共鳴条件によるものである。有意のスペクトル・ピークおよびノッチは、通過帯域を前後に移動するにつれて音声ピッチ成分およびフォルマントを変調し、その結果、音声の品質が劣化し、音声が歪む。音声の歪みを低減する目的で等化システムを定義するために使用するこのような伝達関数を含むこのようなシステムを特徴付ける１つまたは複数の伝達関数を決定するのが望ましい場合がある。

システムの伝達関数を適合できるように決定し、送信チャネルを等化するための多数の実績のある技術が存在する。システム伝達関数を決定するための１つの効果的な方法は、システムを励起し、システム・パラメータを決定するために、広帯域基準信号を使用する方法である。多くの音声送信環境で伝達関数を推定する際の１つの問題は、適当な広帯域の励起信号が容易に入手できないことである。１つの普通のアプローチは、長期平均音声スペクトルを基準として使用するアプローチである。しかし、この基準を使用する適応時間は、特に音声入力がまばらである場合には、長い時間がかかる場合がある。さらに、長期音声スペクトルは、音声スペクトルをかなり変える恐れがある叫び声および感情的ストレスを多くの場合含んでいる公共サービス活動の場合には、個人によりまた個人間でかなり異なる恐れがある。

システム１００のようなシステムに関連するもう１つの問題点は、例えばバイオメトリック・パラメータを含むマスク着用者のいくつかのパラメータを測定するためのもっと効率的な方法および装置がないことである。システム１００のようなシステムを使用しているかもしれない、危険な環境内で作業している個人のこのようなパラメータの測定は、これらの個人の安全および性能を監視するために重要なものである。例えば、個人の呼吸数および空気消費量の測定は、その人の作業量、生理的適性、ストレス・レベル、貯蔵空気供給の消費（すなわち、使用できる作業時間）を特徴付ける重要なパラメータである。呼吸を測定する従来の方法は、胸部インピーダンス体積記録器の使用またはサーミスタ・センサを使用する空気の流れの温度の測定を含む。しかし、消防のような物理的に要求の厳しい環境で作業している個人から、これらの従来の方法により、信頼性の高い測定値を入手することは、通常測定を行うために使用する身体に装着しているセンサおよびアーティファクトのズレを起こす恐れがある激しい物理的な運動によりさらに難しくなる。

それ故、吸気ノイズを効果的に検出し、減衰し、音声を等化し（すなわち歪みの影響を除去し）、通信システムと結合している加圧空気供給システムを含むシステムで、ユーザに関連するパラメータを測定するための方法および装置が求められている。

以下に添付の図面を参照しながら本発明の好ましい実施形態について説明するが、これは単に例示としてのものに過ぎない。

本発明を、多くの異なる形の実施形態で表すことができるが、図面および本明細書で特定の実施形態について詳細に説明する。この開示は本発明の原理の一例であると見なすべきであり、本発明を図に示すおよび本明細書に記載する特定の実施形態に限定するものではないことを理解されたい。さらに、本明細書で使用する用語および語は、本発明を制限するものではなく、単に説明のためのものであると見なすべきである。また、図面を簡単にし、分かりやすくするために図の素子の縮尺は必ずしも正確なものでないことも理解されたい。例えば、素子のうちのあるものの寸法は他の素子に対して誇張されている。さらに、そうするのがよいと考えた場合には、対応する素子を示すために、いくつかの図面で参照番号を反復して使用している。

本発明の種々の態様を詳細に説明する前に、本発明の理解を助けるために、すでに簡単に説明したエア・レギュレータの吸気ノイズをより詳細に説明することにする。吸気ノイズは、誰かが息を吸い込んでレギュレータ弁が開いた場合に、高圧の空気がＳＣＢＡまたは他の加圧空気供給システム・マスクに入るために発生するノイズである。ＳＣＢＡマスク内に直接結合している弁のところで空気の乱流が起こると、非常に大きな広帯域のヒス・ノイズが発生するが、このノイズは音声信号によるマイクロホンのところの振幅にほぼ等しい。図４および図５は、それぞれＳＣＢＡマスク内で記録した通常の吸気ノイズ４００の一例とその広帯域の分光写真５００を示す。

図５を見れば分かるように、ノイズ・スペクトルは、約５００、１７００、２７００および６０００Ｈｚのところに高いスペクトル・ピークを有する広帯域のスペクトルである。ピークは、マスク内の共鳴および内部マスク反射による櫛フィルタリングによるものであり、マスク・モデル、サイズおよび構成が変化すると、周波数および振幅が変化する。ノイズ・スペクトルの色は、通常、特定のマスク／着用者の組合せに対して一定である。何故なら、マスクを顔に着用すると内部幾何学的形状全体がほぼ一定になるからである。図６はそのことを示す。この図においては、所与のＳＣＢＡマスクを着用している同じ話し手に対するＳＣＢＡマスク・マイクロホンからの３つの別々の吸気ノイズ（６１０、６２０および６３０）のスペクトルは重畳している。この一致は、何人かの話し手についても、いくつかのメーカーからのマスクについても観察された。さらに、同じマスクを着用している何人かの話し手からのエア・レギュレータ・ノイズの高いスペクトルの類似性も観察された。

最後に、図７は、ＳＣＢＡシステムから記録した音声７１０の例を示す。図７に示すように、吸気ノイズ７２０の影響は、音声自身の上には認められない。何故なら、人々は息を吸っている場合、通常話そうとしないからである。しかし、ノイズのエネルギーおよびスペクトルは十分大きく、無線機内の音声検出装置およびノイズ抑制回路といくつかの問題を起こし、聞き手にとってうるさいものである。

第１の態様においては、本発明は、図１に示すシステム１００のような通信システムと結合している加圧空気供給システム内の吸気ノイズを検出および除去するための方法および装置である。本明細書においては、本発明のこの実施形態によるこの方法をＡＲＩＮＡ（エア・レギュレータ吸気ノイズ減衰器）方法とも呼ぶ。エア・レギュレータの吸気ノイズを識別し、除去するためのＡＲＩＮＡ方法の基礎は、音声と比較した場合、また例えば種々の環境ノイズのような他のタイプのノイズと比較した場合、ノイズが比較的一定であることである。図８は、ＡＲＩＮＡ方法８００のブロック図を示すが、このブロック図は４つの部分、すなわち、ノイズ・モデル・マッチング８１０、ノイズ検出８３０、ノイズ減衰８５０、およびノイズ・モデル更新８７０に分割することができる。

ＡＲＩＮＡ方法８００の基本的方法は、下記のように要約することができる。方法８００は、好ましくはデジタル・フィルタ（例えば、全極線形予測符号化（ＬＰＣ）デジタル・フィルタ）を使用する吸気ノイズをモデル化する。次に、方法８００は、ノイズ・モデル・フィルタの倒置により、音声入力信号（すなわち、マスク・マイクロホンがピックアップした音声およびノイズ）をフィルタリングし、逆ノイズ・モデル・フィルタの出力のエネルギーを、入力信号または他のエネルギー基準のエネルギーと比較する。入力信号とモデルとの間で、よく似たスペクトルの一致が見られる信号周期中に、入力信号を含むレギュレータ吸気ノイズを任意の所望のレベルに減衰することができる。

ここで、図８に示すＡＲＩＮＡ方法８００の特異性について説明すると、処理の際の第１のステップは、許容することができる実施態様の複雑さに依存して、図９または図１０により好ましい実施形態で実施することができる方法８００のノイズ・モデル・マッチング・セクション８１０により、入力信号８０２を基準ノイズ・モデルと連続的に比較することにより吸気ノイズの発生を検出することである。しかし、当業者であれば、他のスペクトル・マッチング方法も使用することができることを理解することができるだろう。本明細書においては、図９および図１０に示す上記２つの好ましいマッチング方法は、正規化モデル誤差（またはＮＭＥ）方法、および板倉−斉藤（またはＩ−Ｓ）歪み方法と呼ばれる。両方の方法の場合、基準ノイズ・モデルは、吸気ノイズのスペクトル特性を近似するデジタル・フィルタ（９１２、１０１２）により表される。好ましい実施形態の場合には、このモデルは、一組のＬＰＣ係数により指定される全極（自己回帰）フィルタとして表される。しかし、当業者であれば、全極モデルの代わりに、例えば、周知のＡＲＭＡ（自己回帰移動平均）モデルのような他のフィルタ・モデルも使用することができることを理解することができるだろう。

基準ノイズ・モデル・フィルタ係数は、吸気ノイズの少なくとも１つのデジタル化したサンプルから得られる、一組の自己相関係数から入手することができる。最初のノイズ・サンプルおよび対応する最初の自己相関係数（８７２）は、任意の数のノイズ予備記録からオフラインで入手することができ、本発明の実施態様にとって重要なものではない。さらに、実験により、例えば、１つのＳＣＢＡマスクからの最初のノイズ・サンプルも、同じ設計の他のマスクおよび場合によっては異なる設計のマスクに対してうまく動作することが分かっている。自己相関係数は、生のサンプリングしたノイズ・データから直接計算することができるし、または当業者にとって周知の普通の方法を使用して、ＬＰＣまたは反射係数のような他の通常使用するスペクトル・パラメータ表示から入手することができる。

好ましい実施形態の場合には、ノイズ・モデル自己相関係数は、下記の標準的な式により計算することができる。

ここで、Ｒ_ｉはｐ個の自己相関係数の最大のｉ番目の係数であり、ｘ_ｎは、Ｎ個のサンプルの最大を含む通常の吸気ノイズ信号サンプル・セグメントのｎ番目のサンプルであり、Ｒ_０は全セグメントのエネルギーを表す。自己相関関数ｐの次数は、通常、１４である好ましい実施形態に対する値を含む１０〜２０である。さらに、理想的には、Ｎ個の信号サンプルは、スペクトル推定を平滑にするために自己相関を実行する前に、ハミング窓により窓処理することが好ましい。ハミング窓は下式により表される。

通常の当業者であれば、他の窓処理方法も使用することができることを理解することができるだろう。

下式のｚ領域表示伝達関数を含む全極線形予測モデル・フィルタを表す一組の１０番目の次数のノイズ・モデルＬＰＣ係数ａ_１，ａ_２，．．．，ａ_ｐを決定するために、ノイズ・モデル自己相関係数が次に使用される。

ここで、ｚ＝ｅ^{−ｊｎωＴ}はｚ変換変数である。この例の場合、１０番目の次数のＬＰＣ係数が決定された。しかし、異なる次数のＬＰＣ係数も特定の実施態様に基づいて選択することができる。自己相関からＬＣＰパラメータへの変換（ステップ９１２、１０１２）は、当業者にとって周知の任意の数のパラメータ変換技術により行うことができる。好ましい実施形態の場合には、ＬＰＣパラメータは、当業者であれば周知のダービン方法により自己相関パラメータから入手することができる。

ここで、図９のＮＭＥスペクトル・マッチング方法の特異性について説明すると、得られた全極ＬＰＣノイズ・フィルタ・モデルは、逆ＬＰＣフィルタを形成するために倒置される（ステップ９１４）。

理想的には、マスク・マイクロホンから入手し、音声および吸気ノイズＳ（ｚ）を含む、低域フィルタリングし、サンプリングした音声入力信号８０２は、出力信号を入手するために逆フィルタ

（ステップ９１４）を通過することが好ましい。

次に、逆フィルタ入力および出力信号のエネルギーＥ_ｉｎ、Ｅ_ｏｕｔが計算され（それぞれステップ９１８および９１６で）、歪み測定値Ｄが、ステップ９２０で計算され、ノイズ・モデルと入力信号との間の類似性の測定値として使用される。Ｄの理論的なもっと低い境界は無限の次数に対してゼロであるが、実際には、もっと低い境界および有限の次数のノイズ・モデルにどれくらいよく一致するかは入力信号により決まる。この実施態様の場合には、歪み測定値は、下式によりステップ９２０で計算される正規化したモデル誤差（ＮＭＥ）と呼ばれるＥ_ｉｎに対するＥ_ｏｕｔの比率により定義される。

次に、入力信号のエネルギーを、ノイズ・モデルにどのくらいよく似ているかにより除去することができる。好ましい実施形態の場合には、上記信号フィルタリングは、時間領域内のコンボルーションにより行われるが、この信号フィルタリングは上式に示すように周波数領域内でも行うことができる。

ＡＲＩＮＡ方法８００に対する信号処理は、通常、セグメント分割したフレームをベースとして行われる。好ましい実施形態の場合には、入力信号８０２は、８．０ＫＨｚで低域フィルタリングされ、サンプリングされ、８０のサンプル（１０ミリ秒）のブロック内にバッファされ、逆ノイズ・モデル・フィルタを通る（式５）。それ故、理想的には、すべてのフィルタリングは、連続的に入力信号８０２の８０サンプル・セグメントで行うことが望ましい。次に、逆ノイズ・モデル・フィルタの正規化したモデル誤差（ＮＭＥ）が、フィルタ出力フレーム・エネルギーを入力信号フレーム・エネルギーで割ることにより計算される（式６）。しかし、理想的には、この計算は時間の解像度をよりよくするためにサブフレームに基づいて行うことが望ましい。それ故、各８０点フレームは、サブフレーム、例えば、４、２０点サブフレームに分割されるが、必要な精度の程度により、他のサブフレーム分割も使用することができる。次に、全正規化モデル誤差信号（ＮＭＥ）を、最後の１６のサブフレームの出力フィルタ・エネルギーＥ_ｏｕｔを平均し、その値を対応する時間整合した１６のサブフレーム入力フィルタ・エネルギーＥ_ｉｎの平均で割ることにより平滑にすることができる。このようにしても、分析は遅れないが、遷移ドロップアウト、およびレギュレータ・ノイズ・スペクトルを変える恐れがある他の大きな背景ノイズの影響を容易に除去することができる。それにより、本発明のこの実施態様において、平均ＮＭＥ値が、入力信号スペクトルの類似性へのノイズ・モデルの測定値として使用される。

好ましい実施形態の場合には、図１０の第２のもっと複雑な、しかしもっと正確なノイズ・モデル・マッチング方法８１０は、板倉−斉藤歪み方法を修正したものである。２つの信号間のスペクトルの類似性を決定するためのＩ−Ｓ方法は、当業者にとって周知のものである。この方法の場合、残留ノイズ・モデル逆フィルタ・エネルギーが、上記ＮＭＥ方法の場合のように、入力信号エネルギーとではなく、「最適」信号フィルタの残存エネルギーと比較される。フィルタは、現在の信号のセグメントのスペクトルと最もよく一致するという意味で「最適」なものである。

最適にフィルタリングした信号に対応する残存エネルギーはステップ１０１８〜１０２４で計算される。Ｉ−Ｓ方法の場合には、ステップ１０１８において、理想的には、入力信号８０２の２つの連続している８０のサンプル・バッファを１つの１６０のサンプル・セグメントに結合することが望ましい。好ましくは、下式による１６０点ハミング窓により、１６０のサンプル・セグメントに窓処理する。

次に、窓処理した信号データは、式１のところで説明した方法により自己相関がつけられる。ステップ１０１８で生成したこれらの自己相関係数は

で表される。対応する一組のＬＰＣ係数は、ステップ１０１２において基準ノイズ・モデル・パラメータを生成するために使用したのと同じ方法で、ステップ１０２０において、好ましくはダービン・アルゴリズムにより、自己相関係数から入手する。ステップ１０２０において生成した信号モデルＬＰＣ係数は

で表される。ステップ１０２２において、これらのＬＰＣ係数（ステップ１０２０）は下記の式９により自己相関がつけられ、

となる。これらのパラメータを使用して、このフィルタを通過する信号Ｅ_ｓの残存エネルギーが下式によりステップ１０２４において計算される。

ノイズ・モデルを通過する入力信号のエネルギーは、ステップ１０１２〜１０１６において計算される。ステップ１０１２において、ノイズ・モデルＬＰＣ係数が、すでに説明したように、ノイズ・モデル自己相関係数（８７４）から計算される。ステップ１０１２において生成したこれらＬＰＣ係数は、ａ_ｉ（ｉ＝１，２，．．．，ｐ）で表される。ステップ１０１４において、（ステップ１０１２からの）ＬＰＣ係数が、下式１１により自己相関付けられ、ｂ_ｉとなる。ステップ１０１８において計算したこれらのパラメータおよび自己相関シーケンスを使用して、基準ノイズ・モデルを通過する信号のエネルギー

が、式１０によりステップ１０１６において計算される。

基準ノイズ・モデルに対する「最適」信号モデルのスペクトル歪みＤの測定値が、下式に定義するように、ステップ１０２８において計算される。

信号モデルが基準ノイズ・モデルに似れば似るほど、歪み測定値は下限である１．０に近づく。この歪み測定値は、吸気ノイズの有無を判定するために、ＡＲＩＮＡ方法８００のノイズ検出セクション８３０により使用される。好ましい実施形態の場合には、Ｉ−Ｓ歪み測定値は、１６０のサンプルにより計算される。Ｉ−Ｓ歪み測定値により決定した吸気ノイズ分類は、１６０のサンプル・セグメントの各８０のサンプル・フレームと関連する。さらに、最初のノイズ・モデル（例えば、最初の自己相関係数８７２に基づいて）を生成したり、すでに説明し、以下に詳細に説明するノイズ・モデル更新セクション８７０によりノイズ・モデルを更新するときだけステップ１０１２および１０１４を実行するだけでよい。

次に、ＡＲＩＮＡ方法８００のノイズ検出部８３０において、スペクトル・マッチング８１０から入手した値（すなわち、入力信号とノイズ・モデル間の類似性の測定値を表すＮＭＥまたはＩ−Ｓ歪み測定値）が、経験的に入手した閾値（例えば、Ｄ_ｍｉｎ１）と比較される（ステップ８３２）。この検出閾値は、音声または他のタイプのノイズを吸気ノイズと間違って分類しないようにしながら、吸気ノイズの有無を検出するために選択される。

さらに、ノイズ・フィルタ・モデルの特異性により、吸気ノイズのスペクトルの変動、および例えば、間違った検出のようなノイズ・モデルに対するいくつかの音声の音の類似性が発生する場合がある。それ故、本物のエア・レギュレータの吸気ノイズの持続時間が、かなり長い間音声アーティファクトと比較されるので、理想的には、ノイズ持続時間閾値試験も適用することが好ましい（ステップ８３４）。それ故、検出が確認される前に、検出閾値は、所定の数の連続しているフレーム「Ｋ_１」（例えば、４フレーム）に適合しなければならない。相対的信号エネルギー、波形０交差、および他の特徴パラメータ情報は、音声／吸気ノイズ識別を改善するために検出スキームに内蔵させることができる。それ故、両方の閾値基準が満たされた場合（ステップ８３２および８３４から）、スペクトルの一致は許容できるほどに近いと見なされ、吸気ノイズが現在存在するものと見なされる。

ＡＲＩＮＡ方法８００のノイズ減衰部８５０においては、ノイズ検出部８３０の出力が、入力信号８０２が通過する出力信号乗算器（８５２）をゲート制御するために使用される。吸気ノイズを検出した場合には、ステップ８５４において、乗算器の利得Ｇがある所望の減衰値「Ｇ_ｍｉｎ」に設定される。この減衰の利得値は、ノイズを完全に除去するためには０．０にすることができ、吸気ノイズを完全に除去しないでこのノイズを抑制するだけでよいならもっと高い値に設定することができる。聞き手がエア・レギュレータが機能していることを確実にすることができるように、このノイズを完全に抑制しないことが望ましい。好ましい実施形態の場合には、Ｇ_ｍｉｎの値は０．０５である。そうでない場合で、吸気ノイズが検出されない場合には、理想的には、利得Ｇは、音声信号を減衰しないように１．０に設定することが望ましい。このゲート制御／乗算スキームの変動を使用することもできる。例えば、ゲート制御の攻撃および劣化をもっと緩やかなものにすることができる変動を使用することができ、吸気ノイズの前後に直接発生する場合がある音声の減衰の可能性を低減し、それにより耳で聞いた音声の品質を改善することができる。さらに、方法８００から容易に理解することができるように、本発明の重要な利点は、従来の連続ノイズ・フィルタリング方法とは異なり、レギュレータ・ノイズを検出した場合を除いてもとの信号が変化しないことである。

ＡＲＩＮＡ方法８００の重要な構成要素は、検出のためにノイズ・モデルを周期的に更新することができることである。例えば、時間の経過中に顔の上でのエアマスクが移動すると、音響伝達関数に対するその影響が変化する。また、異なる人々が着用しているエアマスク、または異なるマスクを使用するということは、最初の基準ノイズ・モデルのスペクトルが実際の吸気ノイズのスペクトルからズレることを意味する。もとの基準ノイズ・モデルを周期的に更新することにより、正確な現在の基準ノイズ・モデルを維持することができる。それ故、ＡＲＩＮＡ方法８００のノイズ・モデル更新セクション８７０は、ノイズ・モデルを更新するために使用される。

ノイズ・モデル更新セクション８７０は、レギュレータ吸気ノイズの基準ＬＰＣフィルタ・モデルをいつ更新すべきかを決定するためにノイズ検出セクション８３０の出力を使用する。例えば、ノイズ・モデルを更新するのかしないのかを決定するために、ステップ８７６において、ノイズ検出セクション８３０からの出力を、第２の経験的に決定した閾値（例えば、Ｄ_ｍｉｎ２）と比較することができる。閾値が一致した場合には、吸気ノイズとして検出した多数の連続しているサブフレームをカウントすることができ（ステップ８７８）、バッファ内に格納している各サブフレーム内の信号サンプルをカウントすることができる。連続しているノイズのサブフレームの数が、ある閾値「Ｋ_２」（例えば、好ましい実施形態の場合の８サブフレーム、１６０サンプル）を超えると、ステップ８８０においてノイズ・モデルを更新する決定が行われる。ノイズでないサブフレームが検出された場合には（例えば、ステップ８３２、８３４および８７６のいずれかのところで）、ノイズ・フレーム・カウントは、ステップ８８４においてゼロにリセットされ、ノイズ・フレーム・カウントがステップ８７８において更新される。次に、現在検出した吸気ノイズを表す「Ｋ_２」連続している信号サブフレームに対する自己相関係数を、上記式１および式２によりステップ８８２のところで計算することができる。

これらの新しい自己相関係数は、ステップ８７４において、ノイズ・モデル、自己相関係数を更新するために使用される。理想的には、ステップ８８２において計算した自己相関係数を、例えば、下式のような簡単な加重式により、ステップ８７４において前のノイズ・モデル自己相関係数で平均することが望ましい。

ここで、

は、現在の基準ノイズ・モデルの自己相関係数であり、

は、現在検出している吸気ノイズ・サンプルの自己相関係数であり、αは、最初の基準モデルの更新速度を決定する１．０〜０．０の加重係数である。この加重係数は、すでに説明した通常は遅い吸気ノイズのスペクトル特性の変化速度により調整することができる。次に、ノイズ・モデル逆フィルタに対する新しい一組のＬＰＣ係数が、ステップ９１２および１０１２において更新したモデルの自己相関から再計算される。間違った検出によりノイズ・モデルから大きくズレることがないように、ノイズ・モデルに対する調整を制限することができる。さらに、必要な場合には、システムを最初のモデル状態にリセットすることができるように、最初の基準ノイズ・モデル係数（８７２）が格納される。ノイズ・モデル更新セクション８７０のところですでに説明した方法８００の適応機能により、システムは、特定のマスクおよびレギュレータの特性に適合することができ、最適の検出性能にすることができる。

ＡＲＩＮＡ方法８００の利点としては、従来の連続的フィルタリングを使用するアルゴリズムの場合のように、処理アルゴリズムにより音声信号自身が非可逆的な影響を受けないこと等がある。もう１つの利点は、ここで使用するＬＰＣモデル化を簡単にリアルタイムで容易に適合させることができることであり、簡単で効率的に計算することができることである。当業者であれば、上記利点が本発明のＡＲＩＮＡ実施形態に関連するすべての利点を含んでいることを意味するものではなく、代表的な利点を表すためのものであることを理解することができるだろう。

第２の態様においては、本発明は、図１のシステム１００のような通信システムと結合している加圧空気供給システムで音声信号を等化するための方法および装置である。本明細書においては、本発明の実施形態によるこの方法をＡＭＳＥ（エアマスク音声イコライザ）方法とも呼ぶ。等化のためのＡＭＳＥ方法の基礎は、音声と比較した場合、また例えば、種々の環境ノイズのような他のタイプのノイズと比較した場合、比較的一定していることである。同じマスクの共鳴条件は、レギュレータ・ノイズおよび音声信号の両方に影響を与えるので、ノイズを等化すると、音声信号の等化に適しているイコライザができる。しかし、音の反射によるピークおよびヌルは、音声とノイズとの間のもとの位置の違いによりノイズと音声との間で若干異なる。

ＡＭＳＥ方法は、マスク空洞および構造が発生する音響共鳴スペクトルのピークおよびヌル（すなわち、スペクトル振幅音響伝達関数）を推定するために、すべてのマスク・タイプの加圧空気呼吸システム（例えば、ＳＣＢＡ）が含む広帯域エア・レギュレータ吸気ノイズを使用する。次に、このスペクトル情報は、リアルタイムで補償デジタル逆フィルタを形成するために使用される。このフィルタは、スペクトルが歪んでいる音声信号を等化し、マスクを使用しない場合に発生する歪みのない音声を近似する出力信号を生成するために適用される。この適用により、マスク・マイクロホンからの音声の品質が改善し、通信の明瞭度が改善する。

ここで、ＡＭＳＥ方法の特異性について説明する。図１１はこの方法１１００のブロック図であり、このブロック図は、４つのセクション、すなわち、ノイズ・モデル・マッチング・セクション１１１０、ノイズ検出セクション１１３０、マスク音声等化セクション１１５０、およびノイズ・モデル更新セクション１１７０に分割することができる。理想的には、ＡＭＳＥ方法のノイズ・モデル・マッチング・セクション、ノイズ検出セクション、およびノイズ・モデル更新セクションは、すでに詳細に説明したＡＲＩＮＡ方法の対応するセクションと同じものであることが望ましい。それ故、説明を簡単にするために、これら３つのセクションの詳細な説明はここでは省略する。しかし、ＡＭＳＥ方法１１００のマスク音声等化セクション１１５０（鎖線エリア内の）については以下に詳細に説明する。

ＡＭＳＥ方法１１００の音声等化セクション１１５０により、吸気ノイズ基準自己相関係数が、上式３によりステップ１１５２において、ノイズのｎ番目の次数のＬＰＣモデルを生成するために使用される。ステップ１１５２において生成されたＬＰＣモデルは、例えば図２のＭＳＫ（ｆ）のようなマスクの伝達関数を特徴とし、また、吸気ノイズに対してノイズ経路伝達関数ＮＰ（ｆ）を含む。好ましくは、１４番目の次数のモデルが適しているが、他の任意の次数のモデルも使用することができる。当業者であれば、例えば、周知のＡＲＭＡ（自己回帰移動平均）モデルのような全極モデルの代わりに、他のフィルタ・モデルも使用することができることを理解することができるだろう。さらに、本発明の好ましい実施形態のところですでに説明した時間領域フィルタリング動作の代わりに、周波数領域内でフィルタリング動作を行うこともできる。

次に、好ましくは、ステップ１１５６において音声信号が通過する（式４による）逆フィルタ内でＬＰＣモデル係数を使用する。逆フィルタを音声信号が通過すると、入力信号が効果的に等化され、それにより図２のマスク伝達関数ＭＳＫ（ｆ）によるスペクトル歪み（ピークおよびノッチ）が除去される。適切な固定の後フィルタを使用するステップ１１５８におけるポストフィルタリングは、理想的には、吸気ノイズの任意の白でない部分を修正し、または後置の特定のコーデックまたは無線機の要件を最適に満足させる目的で音声信号を特定のトーン品質にするために、等化した信号上で行うことが望ましい。また、ポストフィルタリングは、図２のノイズ経路伝達関数ＮＰ（ｆ）を補償するためにも使用することができる。

図１２は、２つの異なる次数の等化フィルタの場合の、エア・レギュレータ・ノイズに対するＡＭＳＥ方法８００のイコライザの影響を示す。より詳細に説明すると、図１２は、等化前の吸気ノイズ・バーストのスペクトル表示１２１０である。さらに、この図は、１４番目の次数の等化フィルタ（１２２０）および２０番目の次数の等化フィルタ（１２３０）による等化後の吸気ノイズのスペクトルも示す。図を見れば分かるように、スペクトルのピークは、２０番目の次数の等化フィルタにより非常にうまく平らになっていて、１４番目の次数の等化フィルタによりかなりうまく平らになっている。さらに、これらのフィルタにより等化したマスク音声の聴取試験により、等化しなかった音声と比較した場合、音声の品質が等化フィルタの使用により有意に改善されたことが分かった。さらに、２つのフィルタの次数の間に聴取した音声の品質の僅かな違いが認められた。

ＡＭＳＥアルゴリズム・アプローチの利点としては、（１）マスク音響共鳴特性を判定するために、励起源としてエアマスク・システムに固有の一定のスペクトル的に安定な広帯域のレギュレータ・ノイズを使用していること、（２）簡単で、しっかり確立された効率的な技術により、リアルタイムでシステム伝達関数がモデル化されていること、（３）同じ効率的な技術で等化がリアルタイムで行われていること、（４）変化する状態にシステムの伝達関数モデルがリアルタイムで連続的に適合することができること等がある。通常の当業者であれば、上記利点は、本発明のＡＭＳＥ実施形態に関連するすべての利点を含んでいるわけではなく、代表的なものを示すものであることを理解することができるだろう。

第３の態様においては、本発明は、吸気ノイズの持続時間および周波数を決定し、図１のシステム１００のような通信システムと結合している加圧空気供給システムでの呼吸数および空気使用量を決定するための方法および装置である。本明細書においては、本発明のこの実施形態による方法はＩＮＲＲＡ（吸気ノイズ呼吸器数分析装置）方法とも呼ばれる。このＩＮＲＲＡ方法は、本質的には、人の呼吸音を測定する代わりに、エア・レギュレータが発生する音を監視することにより呼吸を測定する間接的な方法である。ＩＮＲＲＡ方法の基本は、ＳＣＢＡのような加圧空気呼吸システムの空気は１つの方向にしか流れないことである。空気は、空気源およびレギュレータからだけシステム内に入り、排気弁を通してだけ外部にでることができる。吸気弁および排気弁を同時に開くことはできない。それ故、レギュレータの吸気弁の動作は、ユーザの呼吸サイクルに直接関連している。

レギュレータの吸気弁が開いたことの１つのインジケータは、レギュレータの吸気ノイズである。吸気ノイズは、ＳＣＢＡまたは他の加圧空気供給システムのマスクにより高圧の空気が入った結果である。マスクは気密に維持されているため、人が空気を吸い込むと、マスク内に僅かな負の圧力が発生し、そのためレギュレータの弁が開き、加圧タンクの空気が入る。ＳＣＢＡマスク内と直接結合している弁の前後の空気の乱流は、大きな広帯域のヒス・ノイズを発生し、マイクロホンでピックアップすることができ、また空気を吸い込む毎に発生する。すでに説明したように、ノイズは急激なもので、空気を吸い込んでいる間、非常に安定している振幅を有し、開始時間および終了時間が非常にはっきり分かる。所与のマスク・タイプおよび着用者の場合、開いた口の大きさ、発声管の状態、肺の空気の流れのようないくつかの要因によりかなり変化する人間の直接の呼吸音とは対照的に、吸気ノイズのスペクトル特性は非常に安定している。ＩＮＲＲＡは、呼吸数の測定基準として、エア・レギュレータの吸気ノイズの安定性を利用している。

ＩＮＲＲＡは、その全スペクトル特性により吸気ノイズの有無を識別するためにマッチド・フィルタリング・スキームを使用する。さらに、ＩＮＲＲＡは、万一発生した場合、ノイズのスペクトル特性の変化に適合することができるので、吸気ノイズと他の音とを最もよく区別する。各吸気のスタートを計算することにより、発生した吸気ノイズから瞬間的な呼吸数およびその時間平均を容易に計算することができる。さらに、終わりを測定し、各吸気ノイズの持続時間を計算することにより、また予測できるマスク・レギュレータの流速についてのいくつかの情報を供給することにより、システムは空気の流れの容積を推定することができる。この推定は、吸気ノイズを記録しているマイクロホンからの信号だけにより行うことができる。

図１３は、ＩＮＲＲＡ方法１３００のブロック図である。このブロック図は、５つのセクション、すなわち、ノイズ・モデル・マッチング・セクション１３１０、ノイズ検出セクション１３３０、吸気定義装置セクション１３５０、パラメータ推定装置セクション１３７０、およびノイズ・モデル更新セクション１３９０に分割することができる。理想的には、ＩＮＲＲＡ方法のノイズ・モデル・マッチング・セクション、ノイズ検出セクションおよびノイズ・モデル更新セクションは、すでに詳細に説明したＡＲＩＮＡ方法の対応するセクションと同じものであることが望ましい。それ故、説明を簡単にするために、これら３つのセクションの詳細な説明はここでは省略する。しかし、ＩＮＲＲＡ方法１３００の吸気定義装置セクション１３５０およびパラメータ推定装置セクション１３７０については以下に詳細に説明する。

最初に、吸気定義装置セクション１３５０について説明する。ＩＮＲＲＡ方法１３００のセクション１３５０の目的は、少なくとも１つの要因に基づいて、例えば、この場合には、吸気に対応する１つまたは複数の完全な吸気ノイズ・バーストの一組の終点および持続時間に基づいて吸気ノイズを特徴付けることである。吸気ノイズ検出セクション１３３０の決定は、ステップ１３５２において、１および０の値を使用する時間指数ｍの関数としての吸気ノイズの有無を表す、好ましくは２進信号、ＩＮＭ_ｍ（ｍ＝０，１，２，．．．，Ｍ−１）を発生するために使用される。この２進信号は、長さＭのサンプルの回転バッファに格納される。Ｍは、少なくとも２つの吸気ノイズ・バースト、または予想される最も遅い呼吸数での息の時間周期を収容するために、２進信号の十分なサンプルを格納するのに十分な大きさを有する。好ましい実施形態の場合には、Ｍは約１５秒である。この２進信号およびＭの値の時間分解能は、吸気ノイズ・モデル・マッチング・セクションに依存するすでに説明した吸気ノイズ検出セクション１３３０で使用する最も小さいサブフレーム時間により決まり、２０サンプル（２．５ミリ秒）または８０サンプル（１０ミリ秒）であり、これによりステップ１３１０で使用するスペクトル・マッチング方法が決まる。

１３３０からの吸気ノイズ検出装置の出力は、いつでも完全なものであるというわけではないので、吸気ノイズの検出中に検出ミスが起こる場合があり、本当のスタート、およびノイズの持続時間がある程度曖昧になる場合がある。それ故、ステップ１３５２において発生した２進吸気ノイズ信号は、ステップ１３５４において、周知の移動平均タイプまたは他の適当なフィルタにより統合される。このフィルタは、任意の短い持続時間の検出誤差を平滑化し、呼吸に対応する完全な吸気ノイズ・バーストを定義するもっと正確な信号を発生する。ステップ１３５４で発生したこの信号から、各ノイズ・バーストに対する正確なスタート時間Ｓ_ｉ、終了時間Ｅ_ｉ、および呼吸持続時間Ｄ_ｉを含む少なくとも１つの要因を、ステップ１３５６において、処理フレーム持続時間精度内で決定することができる。２進信号ＩＮＭ_ｍで表す吸気ノイズ・バーストのスタート時間および終了時間は、信号バッファ内のその相対的指数を記録することにより入手される。持続時間Ｄ_ｉは１つの吸気ノイズ・バーストに対して下式により定義される。

ここで、ｉは、長さＭおよび時間周期Ｔ秒の２進信号バッファに含まれているｉ番目のＩ_Ｔ吸気ノイズ・バーストを示す。理想的には、これらの吸気ノイズ・バースト要因の値は、ノイズ・バースト／呼吸毎に一組のパラメータで、回転有限長さバッファに格納することが望ましい。図１４〜図１７は、ＩＮＲＲＡアルゴリズムのセクション１３１０、１３３０、１３５２および１３５４により処理したＳＣＢＡマスク・マイクロホン音声の結果を示す。この結果はＳＣＢＡを着用している男の話し手からの音声に基づくもので、静かな室内で記録したものである。図１４は、ノイズ・バースト１４１０を含む入力音声１４２０を示す。図１５は、吸気ノイズ・モデル・マッチング・セクション１３１０のスペクトル歪み測定値Ｄ出力の時間−振幅図１５００である。図１６は、吸気ノイズ検出装置１３３０の２進出力の時間−振幅図１６００である。図１７は、生の検出装置出力を統合し、各吸気の持続時間を正確に定義する呼吸定義装置アルゴリズム１３５０の移動平均フィルタ構成要素１３５４の出力の時間−振幅図１７００である。

パラメータ推定装置１３７０セクションは、吸気定義装置セクション１３５０による吸気ノイズの特徴付け要因に基づいて推定することができるパラメータのいくつかの例を示す。決定することができるパラメータの２つのこのような例は、ユーザの呼吸数であり、大体の吸気の流れの量である。呼吸数は、吸気定義装置セクション内で判定することができる連続している吸気ノイズ・バーストのシーケンシャルなスタート時間情報Ｓ_ｉにより容易に決定することができる。例えば、１分間の「瞬間的」呼吸数は、下式により計算することができる。

ここで、Ｓ_ｉは秒単位による２つの連続しているノイズ・バースト（吸気）である。それ故、平均呼吸数は、下式により計算することができる。

ここで、Ｉ_Ｔは、指定の時間Ｔ中に検出した連続している呼吸（吸気ノイズ・バースト）の数である。

吸気中の大体の空気の流れの量は、例えば、吸気定義装置セクションにより決定することができる呼吸の持続時間から、初期エア・タンク充填圧力に関するいくつかの追加情報から、およびオフラインで決定することができるレギュレータの平均流量から推定することができる。吸気弁が開くと、空気供給タンク圧力が、エア・レギュレータの最低入力圧力レベル以上である場合には、顔マスクにほぼ一定の圧力で（周囲の空気／水圧の関数）ある量の空気がエア・レギュレータ内に流入することができる。さらに、マスク・レギュレータの吸気弁が開いている間は、マスク内への空気の流入速度はほぼ一定である。それ故、タンク供給源から出て呼吸装置に供給される空気の量は、吸気弁が開いている時間に比例する。弁が開いている時間は、各吸気ノイズの持続時間により測定することができる。

充填した場合、供給タンク内の最初の空気の量は、タンク容量Ｖ_０、充填圧力Ｐ_０、ガス温度Ｔ_０、および汎用ガス定数Ｒ、モル内のガスの質量Ｎ_ｍの関数であり、周知の理想ガス式、ＰＶ＝Ｎ_ｍＲＴにより計算することができる。初期充填圧力およびタンク・シリンダ容積は分かっているので、タンク・ガスの温度およびマスク・ガスの温度が同じであると仮定した場合、マスク圧力で呼吸するために使用することができる空気の容量は、下式で表すことができる。

それ故、吸気イベントｉ中にユーザに供給される空気の大体の容量は、下式で表される。

ここで、ＩＶ_ｉは空気の容積、Ｄ_ｉは吸気ノイズから判定した吸気イベントの持続時間、Ｋ_Ｒは特定のエア・レギュレータに対する空気の流速に関連する校正係数である。Ｋ_Ｒは、個々のシステムに対して経験的に入手することができ、おそらくメーカーのデータから決定することができる。個々の吸気容積ＩＶ_ｉから、時間Ｔまでに使用される空気の大体の全量Ｖ_Ｔは下式のように定義することができる。

ここで、Ｉ_Ｔは時間Ｔまでの吸気の全数である。それ故、残りのタンクの供給空気は下式のようになる。

ＩＮＲＲＡ方法の利点としては、最小の音声帯域幅上で呼吸ノイズをピックアップするために任意のマイクロホン信号を使用することができること、および特殊なセンサを必要としないこと等がある。もう１つの利点は、呼吸検出装置が、安定しているスペクトル特性を有し、特性が変化する人間の呼吸ノイズを含んでいないエア・レギュレータが発生するノイズの検出をベースとしていることである。さらにもう１つの利点は、呼吸検出装置が、他のタイプの音響呼吸分析装置のように、特定のチェック周波数にロックされないことである。さらに、システムは、環境の変化、および異なるユーザ、および加圧空気呼吸装置マスク・システムに自動的に適合する。それ故、ＩＮＲＲＡ方法は、連続的、瞬間的、または平均の呼吸数、および例えば、モニタへの無線データ・チャネルを介してシステム１００の外部に自動的に送信することができる貴重な情報である大体の空気使用量データを供給することができる。通常の当業者であれば、上記利点は、本発明のＩＮＲＲＡ実施形態に関連するすべての利点を含んでいるのではなくて、利点の代表的なものに過ぎないことを理解することができるだろう。

本発明による３つのすべての方法（ＡＲＩＮＡ、ＡＭＳＥおよびＩＮＲＲＡ）は、好適には、（上記システム１００によるシステムが内蔵している）メモリ・デバイス上に格納しているソフトウェア・アルゴリズムとして実施し、そのステップは、例えば、システム１００のＤＳＰ１３８のような適切な処理装置で実施することが好ましい。本発明の自己相関およびＬＰＣフィルタリング方法に対応するアルゴリズムは、処理時間のほとんどを使用する。しかし、別の方法としては、これらのアルゴリズム、またはＡＲＩＮＡ、ＡＭＳＥおよびＩＮＲＲＡ方法に対応するアルゴリズムのエンティティは、小さいハードウェア領域内で効率的に実施することができる。さらに、ＡＭＳＥ方法は、ＡＲＩＮＡ方法のように多くの方法を使用しているので、本発明の他の実施形態の場合には、これらの方法を効率的に結合することができる。

特定の実施形態により本発明を説明してきたが、当業者であれば他の利点および修正を容易に思い付くだろう。それ故、広義の意味で、本発明は、特定の詳細、代表的な装置、および図に示し、本明細書に記載する例示としての例に限定されない。上記説明を読めば、当業者であれば種々の変更、修正および変更を思い付くだろう。例えば、吸気ノイズを識別し、減衰するための方法についてはすでに説明したが、本発明に関連する方法は、呼気ノイズのような他のタイプのノイズ、または上記方法を使用する効率的な検出に役に立つ疑似定常スペクトル特性を有する他のタイプのノイズに適用することができる。それ故、本発明が上記説明により制限されないで、添付の特許請求の範囲の精神および範囲によるこのようなすべての変更、修正および変形を含むことを理解されたい。

通信システムと結合している呼吸のための加圧空気供給システムを含む従来技術のシステムの簡単なブロック図。 図１のシステムのマスク−無線機音声パス。 マスク内部およびマスク・マイクロホン出力のところで測定したスペクトル振幅応答の一例、およびマスク、マイクロホンおよびマイクロホン増幅器に対する計算した結合伝達関数。 ＳＣＢＡエア・レギュレータが発生する吸気ノイズの一例。 図４の吸気ノイズの長期振幅スペクトル。 所与のＳＣＢＡマスクを着用している一人の話し手が発生する吸気ノイズの４つの重なっているスペクトル。 音声と混合している吸気ノイズ・バーストを示すＳＣＢＡマイクロホンからの音声出力。 本発明の一実施形態による吸気ノイズを検出し、除去するための方法の簡単なブロック図。 図８の方法で使用するスペクトル・マッチャの一実施形態の簡単なブロック図。 図８の方法で使用するスペクトル・マッチャの他の実施形態の簡単なブロック図。 本発明の他の実施形態による音声信号を等化するための方法の簡単なブロック図。 本発明による１４番目の次数のおよび２０番目の次数のＬＰＣ逆フィルタ等化後のスペクトルと比較した等化前の吸気ノイズ・スペクトル。 バイオメトリック・パラメータを測定する際に使用するための本発明の他の実施形態による、吸気ノイズの周波数の持続時間を決定し、呼吸数および空気使用量を決定するための方法の簡単なブロック図。 音声および空気規制吸気ノイズを含むマイクロホン入力からの信号を示す。 図１３の方法により測定した図１４の信号の平均正規化モデル誤差。 図１３の方法により発生した吸気ノイズ検出装置の出力信号。 図１３の方法により発生した統合吸気検出装置の出力。

Claims (9)

1. 音声信号が入るマスクを含み、音声に影響を与える伝達関数を有する加圧空気供給システム内で発生する前記音声信号を等化するための方法であって、
   吸気ノイズに基づいて吸気ノイズ・モデルを生成するステップと、
   前記音声信号を含む入力信号を受信するステップと、
   前記ノイズ・モデルに基づいて前記音声信号を等化するステップであって、前記ノイズ・モデルが、前記音声信号の等化により、前記伝達関数の影響の少なくとも一部が除去されるように、前記マスクの伝達関数を特徴付けるステップと、を含む方法。
2. 前記吸気ノイズ・モデルを生成する前記ステップが、
   前記吸気ノイズの少なくとも１つのデジタル化したサンプルを生成するために前記吸気ノイズをサンプリングするステップと、
   前記少なくとも１つのデジタル化したサンプルに窓処理するステップと、
   前記少なくとも１つの窓処理したデジタル化したサンプルから一組の自己相関係数を決定するステップと、
   前記一組の自己相関係数に基づいて一組の線形予測符号化（ＬＰＣ）係数を生成するステップと、
   前記一組のＬＰＣ係数からＬＰＣフィルタを生成するステップと、を含む請求項１に記載の方法。
3. 前記ノイズ・モデルがデジタル信号として表示され、
   デジタル・フィルタが、一組の自己相関係数から生成する一組のＬＰＣ係数に基づく線形予測符号化（ＬＰＣ）フィルタであり、
   前記音声信号が前記ＬＰＣフィルタの倒置により等化される請求項１に記載の方法。
4. 前記等化した音声信号をポストフィルタ処理するステップをさらに含む請求項１に記載の方法。
5. 前記入力信号が吸気ノイズをさらに含み、前記方法が前記ノイズ・モデルを更新するステップをさらに含む請求項１に記載の方法。
6. 前記ノイズ・モデルを更新する前記ステップが、
   類似性の測定値を入手するために前記入力信号を前記ノイズ・モデルと比較するステップと、
   前記入力信号の前記吸気ノイズを検出するために前記類似性の測定値を少なくとも１つの閾値と比較するステップであって、前記ノイズ・モデルが、前記検出した吸気ノイズに基づいて更新されるステップとを含む請求項５に記載の方法。
7. 前記ノイズ・モデルが、第１の組の自己相関係数に基づいて生成する一組のＬＰＣ係数に基づく線形予測符号化（ＬＰＣ）フィルタであり、前記ノイズ・モデルを更新する前記ステップが、
   前記検出した吸気ノイズの少なくとも１つのデジタル化したサンプルを生成するために前記検出した吸気ノイズをサンプリングするステップと、
   前記少なくとも１つのデジタル化したサンプルから第２の組の自己相関係数を決定するステップと、
   前記第１および第２の組の自己相関係数の関数として前記第１の組の自己相関係数を更新するステップと、
   前記更新した一組の自己相関係数に基づいて前記一組のＬＰＣ係数を更新するステップと、
   前記更新した一組のＬＰＣ係数に基づいて前記ＬＰＣフィルタを更新するステップと、をさらに含む請求項６に記載の方法。
8. 音声信号が入るマスクを含み、音声に影響を与える伝達関数を有する加圧空気供給システムで前記音声信号を等化するためのデバイスであって、
   処理素子と、
   前記処理素子と結合していて、
   吸気ノイズに基づいて吸気ノイズ・モデルを生成するステップと、
   前記音声信号を含む入力信号を受信するステップと、
   前記ノイズ・モデルに基づいて前記音声信号を等化するステップであって、前記ノイズ・モデルが、前記音声信号の等化により前記伝達関数の影響の少なくとも一部が除去されるように、前記マスクの伝達関数を特徴付けるステップと
   を実行するように、処理装置に命令するためのコンピュータ・プログラムを格納するためのメモリ素子と
   を備えるデバイス。
9. 音声信号を等化するためのシステムであって、
   前記音声信号が入るマスクを含み、音声に影響を与える伝達関数を有する加圧空気供給システムと、
   前記加圧空気供給システムと結合している通信システムとを備え、該システムが、
   処理素子と、
   前記処理素子と結合していて、
   吸気ノイズに基づいて吸気ノイズ・モデルを生成するステップと、
   前記音声信号を含む入力信号を受信するステップと、
   前記ノイズ・モデルに基づいて前記音声信号を等化するステップであって、前記ノイズ・モデルが、前記音声信号の等化により、前記伝達関数の影響の少なくとも一部が除去されるように、前記マスクの伝達関数を特徴付けるステップと、
   を実行するように、処理装置に命令するためのコンピュータ・プログラムを格納するためのメモリ素子と、
   を備えるシステム。

Images