JP4690912B2 - 目的信号区間推定装置、目的信号区間推定方法、プログラム及び記録媒体 - Google Patents

Description

本発明は、ノイズ信号を含む混合信号から所定の性質を有する目的信号が存在する区間を推定する技術に係わり、特に、信号の分散が変動する（分散変動：ボラティリティ）性質を有する目的信号が存在する区間を推定する技術に関する。

車内や駅構内での雑音を背景にして収録された会話から音声を取り出したり、騒音の中で発せられた音声を携帯電話で符号化したりする場合、それらの雑音を抑圧し、高精度かつ高速に会話等の目的信号が存在する区間を推定する技術が必要となる。このような従来技術の代表例としては、例えば、ＶＡＤ（Voice Activity Detector) algorithm（例えば、「非特許文献１」参照）を例示できる。このような従来の音響区間推定技術では、特徴量として信号の周波数スペクトル、全帯域エネルギー、帯域分割後の各帯域のエネルギー、信号波形の零交差数及びそれらの時間微分等を用い、この特徴量と所定の閾値とを比較すること等により音響区間の推定を行っていた。
Benyassine, A., Shlomot, E., and Su, H-Y. "ITU-T recommendation G.729 Annex B: A silence compression scheme for use with G.729 optimized for V.70 digital simultaneous voice and data applications", IEEE Communication Magazine, pp. 64-73, September, 1997.

しかし、上述のような特徴量は雑音等のノイズ信号と目的信号とで類似する場合もある。そのため、従来方法では目的信号が存在する区間を高精度に推定することは困難であった。
本発明はこのような点に鑑みてなされたものであり、目的信号が存在する区間を高精度に推定することを可能にする技術を提供することを目的とする。

本発明では、目的信号とノイズ信号とが混合した混合信号を処理対象とする。なお「目的信号」とは、信号の分散が変動する性質を有する信号を意味する。本発明では、観測された混合信号をサンプリングした離散混合信号と、離散混合信号の時系列変動を示す変動モデル及び離散混合信号の分散の時系列変動を示す分散変動モデルを結合した結合モデルとを用いて、当該結合モデルのパラメータを推定する。なお、「モデル」とは、サンプリング点間における信号値の関係をモデル化した関係式である。また「推定する」とは推定値を算出することを意味する。

ここで、離散混合信号の時系列変動を示す変動モデルは、ノイズ信号の大雑把な特性を捉えることができる。また、離散混合信号の分散の時系列変動を示す分散変動モデルは、目的信号の特性を捉えることができると考えられる。よって、この変動モデルと分散変動モデルとを結合した結合モデルは、目的信号とノイズ信号とが混合した実際の混合信号を表現することが可能である。そのため、この結合モデルが実際の離散混合信号に対して適切なものとのなるように当該結合モデルのパラメータを推定することも可能である。そして、このように推定したパラメータは、目的信号の特性を捉えることができる分散変動モデルを特定することになるため、混合信号における目的信号が存在する区間を推定することも可能となる。

また、本発明において好ましくは、所定のサンプル点長を１フレームとして離散混合信号をフレームごとに分割する。そして、フレームごとに当該離散混合信号と結合モデルとを用いて当該結合モデルのパラメータを推定する。これにより、離散混合信号のサンプル数が演算許容範囲を超え、パラメータ算出過程における演算結果が発散してしまうことを防止できる。
また、本発明において好ましくは、結合モデルの次数である第１パラメータを選択し、離散混合信号を用い、当該第１パラメータが代入された結合モデルの数値的最適化を行って当該結合モデルの第２パラメータを算出し、所定の選択基準に従い、第１パラメータ及び第２パラメータの少なくとも一部から最適なパラメータを推定する。

またさらに、本発明において好ましくは、変動モデルが、自己回帰モデルであり、分散変動モデルが、一般化自己回帰条件付分散不均一モデルである。そして、結合モデルが、ｙ_ｎをサンプリング点ｎ（ｎ＝１，...，Ｎ、Ｎはサンプル数）における離散混合信号とし、Ｃ，κを定数とし、ｍ，ｐ，ｑ（ｍ∈｛１，...，Ｍ｝，ｐ∈｛１，...，Ｐ｝，ｑ∈｛１，...，Ｑ｝）を次数とし、Ａ_ｋ，Ｇ_ｉ，Ｒ_ｊをｋ，ｉ，ｊごとに定まる係数とし、ε_ｎをｎごとに定まる予測誤差とし、σ_ｎ ^２をｙ_ｎの分散値とした場合における、

である。
また、本発明において好ましくは、統計モデルの適切さの客観的尺度を用いてパラメータを選択する。
またさらに、本発明において好ましくは、次数ｍ，ｐ，ｑを選択し、離散混合信号を用い、当該次数ｍ，ｐ，ｑが代入された式（１），（２）に示す結合モデルの数値的最適化を行って予測誤差ε_ｎと分散値σ_ｎ ^２とを算出する。そして、

を最小にする分散値σ_ｎ ^２を、結合モデルのパラメータとして推定する。
また、本発明において好ましくは、混合信号分析手段は、離散混合信号と変動モデルとノイズ振幅を示すノイズパラメータの分散値とを用いてカルマンフィルタ処理を行い、その処理結果を用いて暫定目的信号を算出し、暫定目的信号と分散変動モデルとを用いて結合モデルのパラメータを推定する。ここで、カルマンフィルタ処理は、離散混合信号からノイズ信号を大雑把に除去する処理である。そのため、その処理結果から生成される暫定目的信号には、目的信号の特徴が多く含まれている。そのため、このような暫定目的信号と分散変動モデルとを用いることにより、目的信号の立ち上がり部分の特徴を適格に反映させたパラメータ推定が可能となる。また、ノイズパラメータの分散値は任意に設定可能な値である。この分散値を調整することにより、カルマンフィルタで排除されるノイズの振幅を調整できる。その結果、パラメータ推定処理の最適化も可能となる。

また、本発明において好ましくは、推定されたパラメータ中の所定のパラメータを用いて時間領域マスクを生成し、当該時間領域マスクと当該混合信号とを被演算子とした演算を行い、その演算結果を出力する。このように出力された演算結果は、目的信号が存在する区間の混合信号の推定値となる。

本発明では、目的信号とノイズ信号とが混合した混合信号における当該目的信号が存在する区間を高精度で推定することができる。

第１の実施の形態：
以下、本発明の第１の実施の形態を図面を参照して説明する。

〔原理〕
まず、本形態の原理について説明する。
図８（ａ）は、無雑音状態の音声信号（「目的信号」に相当）を例示した図である。ここで、横軸は時間を示し、縦軸は振幅を示している。また、図８（ｂ）は、この音声信号の分布状態を例示した図である。ここで、横軸は振幅を示し、縦軸は頻度を示している。図８（ｂ）に例示するように、音声信号の分布は、裾が重く（通常の正規分布よりも裾が広がり）、中心がやや歪み鋭く尖った形状をしている。
通常、音声信号の推定は、自己回帰モデル〔ＡＲ（Autoregressive）モデル〕を用いて行われる（例えば、「古井貞煕，”音声情報処理”，森北出版株式会社，ｐ２６−３８，１９９８」参照）。図８（ｃ）（ｄ）は、このＡＲモデルの予測誤差に対応する１次階差系列の分布形状を示した図である。ここで、図８（ｃ）の横軸は時間を示し、縦軸は振幅を示す。また、図８（ｄ）の横軸は、この系列の正規分布の確率変数値を示し、縦軸は頻度を示す。
これらの図に示すように、この系列の分布は、裾が重く中心がやや歪み鋭く尖った形状となる。これは、ＡＲモデルの推定誤差成分に音声信号の特徴が多く残存する傾向を示している。すなわち、ＡＲモデルでは、正確に音声信号をモデル化することが困難である。

一方、ファイナンスの分野では、株の収益率の分散変動（ボラティリティ）を捉えたモデル化や分析が行われている（例えば、「Nagahara, Y. and Kitagawa, G. "A non-Gaussian stochastic volatility model", Journal of Computer Finance,2, 33-47, 1998」等参照）。株の収益率は、ブラックマンデー等の偶発的突発的経済事情により、その分散変動が急激に変動するが、音声信号も声門部の非線形的な変動に影響されるという点でこれに類似する特徴を有する。従って、音声信号のモデル化において、分散変動を捉えた分散不均一なモデルを適用することは妥当であると考えられる。

これに対し、車内や騒音等の雑音信号（「ノイズ信号」に相当）は比較的定常である。よって、雑音信号は、離散混合信号の時系列変動を示すモデルであれば捉えることが可能であると考えられる。例えば、雑音信号は、通常の線形ＡＲモデルで記述されるカラードノイズとして捉えることが可能である。
以上より、離散混合信号の時系列変動を示す変動モデルと、離散混合信号の分散の時系列変動を示す分散変動モデルを結合した結合モデルを用いれば、音声信号のような目的信号と雑音信号のようなノイズ信号とが混在した混合信号を捉えることができるものと考えられる。本形態では、このような結合モデルを用いて目的信号区間の推定を行う。

〔基本構成・動作〕
図１は、本形態の目的信号区間推定装置１の基本構成を例示した概念図である。
目的信号区間推定装置１は、目的信号とノイズ信号とが混合した混合信号を分析する混合信号分析装置１０と、その出力値から目的信号区間を推定する目的信号区間推定部２０とを有している。
まず、混合信号分析装置１０の離散混合信号メモリ１１に混合信号（目的信号＋ノイズ信号）を所定のサンプリング周波数でサンプリングした離散混合信号を格納する。次に、格納された離散混合信号が、混合信号分析装置１０の混合信号分析部１２に入力される。ここで混合信号分析部１２は、離散混合信号の時系列変動を示す変動モデルと離散混合信号の分散の時系列変動を示す分散変動モデルとを結合した結合モデル１２ａの演算が可能なように構成されている。そして、混合信号分析部１２は、入力された離散混合信号と結合モデル１２ａとを用いて、当該結合モデル１２ａのパラメータを推定し、当該パラメータを特定する情報を出力する。
次に、目的信号区間推定部２０に、離散混合信号メモリ１１から抽出された離散混合信号と、混合信号分析装置１０で推定されたパラメータとが入力される。そして、目的信号区間推定部２０は、これらを用いて目的信号区間を推定し、それを示す目的信号区間情報を出力する。
〔詳細〕
次に、本形態の詳細を説明する。

＜本形態で取り扱うモデル＞
本形態の例では、変動モデルとして自己回帰モデル（ＡＲモデル）を採用し、分散変動モデルとして一般化自己回帰条件付分散不均一モデル〔ＧＡＲＣＨ（Generalized Autoregressive Conditional Heteroskedasticity）モデル〕（例えば、「Bollerslev, T. "Generalized autoregressive conditional heteroskedasticity" , Journal of Econometrics, 31, 307-327.」等参照）を採用する。そして、結合モデルを

とする。なお、ここでは、ｙ_ｎをサンプリング点ｎ（ｎ＝１，...，Ｎ、Ｎはサンプル数）における離散混合信号とし、Ｃ，κを定数とし、ｍ，ｐ，ｑ（ｍ∈｛１，...，Ｍ｝，ｐ∈｛１，...，Ｐ｝，ｑ∈｛１，...，Ｑ｝）を次数とし、Ａ_ｋ，Ｇ_ｉ，Ｒ_ｊをｋ，ｉ，ｊごとに定まる係数とし、ε_ｎをｎごとに定まる予測誤差とし、σ_ｎ ^２をｙ_ｎの分散値としている。

＜ハードウェア構成＞
図２は、本形態における目的信号区間推定装置１００の構成を例示したブロック図である。
図２に例示するように、この例の目的信号区間推定装置１００は、ＣＰＵ（Central Processing Unit）１０１、入力部１０２、出力部１０３、補助記憶装置１０４、ＲＡＭ（Random Access Memory）１０５、ＲＯＭ（Read Only Memory）１０６及びバス１０７を有している。
この例のＣＰＵ１０１は、制御部１０１ａ、演算部１０１ｂ及びレジスタ１０１ｃを有し、レジスタ１０１ｃに読み込まれた各種プログラムに従って様々な演算処理を実行する。また、入力部１０２は、データが入力される入力インタフェース、キーボード、マウス等であり、出力部１０３は、データを出力する出力インタフェース、ディスプレイ等である。補助記憶装置１０４は、例えば、ハードディスク、ＭＯ（Magneto-Optical disc）、半導体メモリ等であり、本形態の目的信号区間推定処理をＣＰＵ１０１に実行させるためのプログラムを格納したプログラム領域１０４ａ、音響信号等の各種データが格納されるデータ領域１０４ｂを有している。また、ＲＡＭ１０５は、ＳＲＡＭ (Static Random Access Memory)、ＤＲＡＭ (Dynamic Random Access Memory)等であり、プログラム領域１０５ａ及びデータ領域１０５ｂを有している。また、バス１０７は、ＣＰＵ１０１、入力部１０２、出力部１０３、補助記憶装置１０４、ＲＡＭ１０５及びＲＯＭ１０６を通信可能に接続している。

＜プログラム構成＞
次に、プログラム領域１０４ａ，１０５ａに格納されるプログラムについて説明する。
このプログラムは、観測された混合信号を所定のサンプリング周波数でサンプリングして離散離散混合信号を抽出するための混合信号切出プログラムと、離散混合信号が入力され、当該離散混合信号と、離散混合信号の時系列変動を示す変動モデル及び離散混合信号の分散の時系列変動を示す分散変動モデルを結合した結合モデルとを用いて、当該結合モデルのパラメータを推定し、当該パラメータを特定する情報を出力するための混合信号分析プログラムと、当該パラメータの少なくとも一部を用いて目的信号区間を推定するための目的信号区間推定プログラムとを有している。

ここで、混合信号分析プログラムは、結合モデルの次数である第１パラメータを選択し、当該第１パラメータを出力するための次数推定プログラムと、離散混合信号と第１パラメータとが入力され、当該離散混合信号を用い、当該第１パラメータが代入された結合モデルの数値的最適化を行って当該結合モデルの第２パラメータを算出し、当該第２パラメータを出力するためのパラメータ推定プログラムと、第１パラメータ及び第２パラメータの少なくとも一部が入力され、所定の選択基準に従い、最適なパラメータを選択し、選択したパラメータを特定する情報を出力するためのパラメータ選択プログラムとに対し、各処理を実行させ、その処理結果を返してもらうことができるように構成されている。

さらに、パラメータ推定プログラムは、入力された第１パラメータを結合モデルの次数として代入し、その代入結果を出力するためのモデル値算出プログラムと、離散混合信号と第１パラメータが代入された結合モデルとを入力とし、数値的最適化を行い、当該結合モデルの第２パラメータを算出して出力するための数値的最適化プログラムとに対し、各処理を実行させ、その処理結果を返してもらうことができるように構成されている。なお、数値的最適化プログラムとしては、例えば、MATLAB（登録商標）のOptimization Toolbox等を例示できる。また、この例の結合モデルは、数値的最適化プログラムに組み込まれているものとするが、結合モデルをメモリ１４０に格納しておき、これを読み込んで使用する構成としてもよい。

また、パラメータ選択プログラムは、第１パラメータ及び第２パラメータの少なくとも一部が入力され、所定の選択基準での評価に用いられる評価式を演算し、その演算結果を出力するための選択基準値算出プログラムと、上記の評価式が入力され、その比較を行い、その比較結果を出力するための比較プログラムとに対し、各処理を実行させ、その処理結果を返してもらうことができるように構成されている。なお、選択基準として赤池の情報量規準（AIC Akaike's Information Criteria、「Akaike,H. "A new look at statistical model indentification",IEEE Trans. Auto. Cont., 19, 716-723, 1974 」等参照）を用いる場合、評価式は、AIC=‐2・（モデルの最大対数尤度）+ 2・（モデルの自由パラメータ数）となる。

また、目的信号区間推定プログラムは、混合信号分析プログラムを用いて推定されたパラメータ中の所定のパラメータが入力され、当該パラメータを用いて時間領域マスクを生成し、当該時間領域マスクを出力するためのマスク生成プログラムと、時間領域マスクと混合信号とが入力され、当該時間領域マスクと当該混合信号とを被演算子とした演算を行い、その演算結果を出力するためのマスク適用プログラムとに対し、各処理を実行させ、その処理結果を返してもらうことができるように構成されている。
さらに、この例のマスク生成プログラムは、入力されたパラメータの平均値を算出して出力するための平均値算出プログラムと、当該平均値を用いて時間領域マスクを算出して出力するための関数設定プログラムとに対し、各処理を実行させ、その処理結果を返してもらうことができるように構成されている。
なお、上述した各プログラムは、単一のプログラム列として記載されていてもよく、また、少なくとも一部のプログラムが別個のモジュールとしてライブラリに格納されていてもよい。また、上記のプログラム単体でその機能を実現できるものでもよいし、上記のプログラムが他のライブラリ（記載していない）を読み出して各機能を実現するものでもよい。

＜ハードウェアとソフトウェアとの協働＞
ＣＰＵ１０１は、読み込まれたＯＳ（Operating System）プログラムに従い、補助記憶装置１０４のプログラム領域１０４ａに格納されている上述プログラムをＲＡＭ１０５のプログラム領域１０５ａに書き込む。同様にＣＰＵ１０１は、補助記憶装置１０４のデータ領域１４ｂに格納されている各種データを、ＲＡＭ１０５のデータ領域１０５ｂに書き込む。そして、このプログラムやデータが書き込まれたＲＡＭ１０５上のアドレスがＣＰＵ１０１のレジスタ１０１ｃに格納される。ＣＰＵ１０１の制御部１０１ａは、レジスタ１０１ｃに格納されたこれらのアドレスを順次読み出し、読み出したアドレスが示すＲＡＭ１０５上の領域からプログラムやデータを読み出し、そのプログラムが示す演算を演算部１０１ｂに順次実行させ、その演算結果をレジスタ１０１ｃに格納していく。

図３は、このようにＣＰＵ１０１に上述のプログラムが読み込まれることにより構成される目的信号区間推定装置１００の機能構成を例示したブロック図である。また、図４は、図３の混合信号分析部１２０の詳細構成を説明するためのブロック図であり、図５は、目的信号区間推定部１３０の詳細構成を説明するためのブロック図である。なお、図３〜５における実線の矢印はデータの流れを示すが、制御部１６０に出入りするデータの流れに対応する矢印は省略してある。また、図３における破線の矢印は、論理的な情報の流れを示す。

これらの図に示すように、この例の目的信号区間推定装置１００は、混合信号切出部１１０、混合信号分析部１２０、目的信号区間推定部１３０、メモリ１４０、一時メモリ１５０及び制御部１６０を有している。なお、混合信号分析部１２０及びメモリ１４０は、「混合信号分析装置」を構成する。
ここで、混合信号分析部１２０は、次数推定部１２１、パラメータ推定部１２２及びパラメータ選択部１２３を有している。また、パラメータ推定部１２２は、モデル値算出部１２２ａ及び数値的最適化部１２２ｂを有し、パラメータ選択部１２３は、選択基準値算出部１２３ａ及び比較部１２３ｂを有している。また、目的信号区間推定部１３０は、マスク生成部１３１及びマスク適用部１３２を有している。また、マスク生成部１３１は、平均値算出部１３１ａ及び関数設定部１３１ｂを有している。さらにメモリ１４０は、領域１４１〜１４５を有している。

なお、メモリ１４０は、レジスタ１０１ｃ、ＲＡＭ１０５のデータ領域１０５ｂ及び補助記憶装置１０４のデータ領域１０４ｂ等に相当する。また、混合信号切出部１１０、混合信号分析部１２０、目的信号区間推定部１３０及び制御部１６０は、ＣＰＵ１０１に上述したプログラムが読み込まれることにより構成されるものである。そして、この例の目的信号区間推定装置１００は、制御部１６０の制御のもと以下に示す各処理を実行する。
〔処理〕
次に、本形態における目的信号区間推定処理について説明する。

＜処理の全体＞
図６は、本形態における目的信号区間推定処理を説明するためのフローチャートである。以下、この図に沿って、この目的信号区間推定処理の全体を説明する。なお、各処理の詳細は後述する。
まず、メモリ１４０のデータを初期化される。次に、混合信号切出部１１０にマイクロホン等のセンサで観測された混合信号ｙが入力される。混合信号切出部１１０は、これを所定のサンプリング周波数でサンプリングした離散混合信号ｙ_ｎ（ｎ＝１，...，Ｎ、Ｎはサンプル数）を抽出し、これらをメモリ１４０の領域１４１（「離散混合信号メモリ」に相当）に格納する（ステップＳ１）。次に、混合信号分析部１２０において、メモリ１４０の領域１４１から離散混合信号ｙ_ｎを読み込み、当該離散混合信号ｙ_ｎと結合モデルとを用いて、当該結合モデルのパラメータを推定する（ステップＳ２）。なお、この例の結合モデルは、離散混合信号の時系列変動を示すＡＲモデルと、離散混合信号の分散の時系列変動を示すＧＡＲＣＨモデルとを結合した式（３）（４）に示すモデルである。そして、混合信号分析部１２０は、当該パラメータを特定する情報を出力する。混合信号分析部１２０から出力されたパラメータを特定する情報は、制御部１６０に入力される。制御部１６０は、この情報が特定するパラメータ中の所定のパラメータを選択し、それを示す情報を目的信号区間推定部１３０に与える。この情報を受けた目的信号区間推定部１３０は、これによって特定されるパラメータをメモリ１４０の領域１４２から読み込む。そして、マスク生成部１３０のマスク生成部１３１は、当該パラメータを用いて時間領域マスクＩ_ｎを生成し、当該時間領域マスクＩ_ｎを出力してメモリ１４０の領域１４４に格納する（ステップＳ３）。

次に、目的信号区間推定部１３０のマスク適用部１３２において、メモリ１４０の領域１４４から時間領域マスクＩ_ｎを読み込み、領域１４１から離散混合信号ｙ_ｎ（ｎ＝１，...，Ｎ）を読み込む。そして、マスク適用部１３２は、当該時間領域マスクＩ_ｎと当該混合信号ｙ_ｎとを被演算子とした演算ｙ_ｎ・Ｉ_ｎ（この例では乗算）を行い、その演算結果ｙ_ｎ・Ｉ_ｎを出力し（ステップＳ４）、メモリ１４０の領域１４５に格納する。なお、この演算結果ｙ_ｎ・Ｉ_ｎは、目的信号が存在する区間を示す情報となる。
＜ステップＳ２の処理の詳細＞
図７は、図６におけるステップＳ２の処理の詳細を説明するためのフローチャートである。以下、この図に沿ってステップＳ２の処理の詳細を説明していく。

まず、混合信号分析部１２０の次数推定部１２１において、結合モデルの次数（ｍ，ｐ，ｑ）(m∈｛1,...,M｝, p∈｛1,...,P｝,q∈｛1,...,Q｝）を選択し、この次数の組（ｍ，ｐ，ｑ）をメモリ１４０の領域１４２に格納する（ステップＳ１１）。なお、当該次数（ｍ，ｐ，ｑ）は第１パラメータに相当する。また、この例のステップＳ２の処理では次数ｍの値を固定とする。
［次数ｍの選択方法の例示］
次数ｍとしては、例えばＡＩＣ＝（−１／２）（Ｎ−ｍ）ｌｏｇ｛σ（ｍ）^２｝を最小にするものが選択される。なお、σ（ｍ）^２は、自己回帰モデルの予測誤差の分散値である。また、例えばこの計算においてｍが１０を超えるような場合には、以下のようにノイズ信号のスペクトルＳ_ｆ（ｆは周波数）を算出し、物理的に妥当なスペクトルＳ_ｆのピークが得られると認識されるｍが次数ｍとして選択されるように設定しておいてもよい。

ただし、この式におけるｅｘｐ（α）はネピア数ｅのα乗を意味し、ｉは虚数単位を意味する。また、Ａ_ｋは自己回帰モデルの係数である。この係数Ａ_ｋは、例えば、予め取得しておいた背景雑音等を用い、Yule-Walker法等により推定することができる。なお、この係数は式（３）（４）に示した結合モデルの係数Ａ_ｋの初期値としたり固定値としてもよい（「次数ｍの選択方法の例示」の説明終わり）。
次に、ステップＳ１１でメモリ１４０の領域１４２に格納された結合モデルの次数（ｍ，ｐ，ｑ）がパラメータ推定部１２２のモデル値算出部１２２ａに読み込まれ、モデル値算出部１２２ａは、この次数（ｍ，ｐ，ｑ）を式（３）（４）で示される結合モデルに代入する。そして、モデル値算出部１２２ａは、この次数（ｍ，ｐ，ｑ）が代入された結合モデルＣＭ（ｍ，ｐ，ｑ）を一時メモリ１５０に格納する（ステップＳ１２）。

次に、この次数（ｍ，ｐ，ｑ）が代入された結合モデルＣＭ（ｍ，ｐ，ｑ）と、メモリ１４０の領域１４１の離散混合信号ｙ_ｎとが数値的最適化部１２２ｂに読み込まれる。数値的最適化部１２２ｂは、この離散混合信号ｙ_ｎを用い、次数（ｍ，ｐ，ｑ）が代入された結合モデルＣＭ（ｍ，ｐ，ｑ）の数値的最適化を行い、当該結合モデルの定数Ｃ，κ、係数Ａ_ｋ，Ｇ_ｉ，Ｒ_ｊ、予測誤差ε_ｎ，ε_ｎ−ｊ、分散値σ_ｎ ^{２（ｎ＝１，．．．，Ｎ）}を算出し、これらをこの次数（ｍ，ｐ，ｑ）に対応付けてメモリ１４０の領域１４２に格納する（ステップＳ１３）。なお、定数Ｃ，κ、係数Ａ_ｋ，Ｇ_ｉ，Ｒ_ｊ、予測誤差ε_ｎ，ε_ｎ−ｊ、分散値σ_ｎ ^２が第２パラメータに相当する。

次に、メモリ１４０の領域１４１に格納された離散混合信号ｙ_ｎのサンプル数Ｎと、領域１４２に格納された次数ｍ，ｐ，ｑと、これらに対応付けられている分散値σ_ｎ ^２と予測誤差ε_ｎとが、パラメータ選択部１２３の選択基準値算出部１２３ａに読み込まれる。
選択基準値算出部１２３ａは、

を計算してその結果を一時メモリ１５０に格納する（ステップＳ１４）。
次に、パラメータ選択部１２３は、ステップＳ１の処理前に行われる初期化後初めてＡＩＣ（ｍ，ｐ，ｑ）の算出が行われたのか否かを判断する（ステップＳ１５）。具体的には、例えば、１回目のＡＩＣ（ｍ，ｐ，ｑ）の算出後、１回目のＡＩＣ（ｍ，ｐ，ｑ）の算出を行ったことを示すフラグを一時メモリ１５０に格納しておき、２回目のＡＩＣ（ｍ，ｐ，ｑ）の算出後、このフラグを２回以上ＡＩＣ（ｍ，ｐ，ｑ）の算出を行ったことを示すフラグに切り替えることとしておく。そして、パラメータ選択部１２３は、このフラグを参照することにより、ＡＩＣ（ｍ，ｐ，ｑ）の算出が１回目であるか否かを判断する。

ここで、ＡＩＣ（ｍ，ｐ，ｑ）の算出が１回であると判断された場合、パラメータ選択部１２３は、一時メモリ１５０に格納された１回目のＡＩＣ（ｍ，ｐ，ｑ）をメモリ１４０の領域１４３に格納し（ステップＳ１６）、処理がステップＳ１１に戻される。なお、このＡＩＣ（ｍ，ｐ，ｑ）は、ＡＩＣ（ｍ，ｐ，ｑ）の最小値ｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝の暫定値となる。また、この値は対応する次数（ｍ，ｐ，ｑ）に対応付けて格納される。
一方、ＡＩＣ（ｍ，ｐ，ｑ）の算出が１回でないと判断された場合、メモリ１４０の領域１４３に格納されたｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝と、ステップＳ１４で一時メモリ１５０に格納されたＡＩＣ（ｍ，ｐ，ｑ）とが比較部１２３ｂに読み込まれる。そして、比較部１２３ｂは、ＡＩＣ（ｍ，ｐ，ｑ）＜ｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝であるか否かを判断する（ステップＳ１７）。ここで、ＡＩＣ（ｍ，ｐ，ｑ）＜ｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝でない場合、一時メモリ１５０のＡＩＣ（ｍ，ｐ，ｑ）が破棄され（ステップＳ１８）、処理がステップＳ１１に戻される。一方、ＡＩＣ（ｍ，ｐ，ｑ）＜ｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝であった場合、パラメータ選択部１２３は、一時メモリ１５０に格納されたＡＩＣ（ｍ，ｐ，ｑ）をｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝としてメモリ１４０の領域１４３に上書き保存し（ステップＳ１９）、一時メモリ１５０のＡＩＣ（ｍ，ｐ，ｑ）を破棄する。なお、ｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝は対応する次数（ｍ，ｐ，ｑ）に対応付けて格納される。

なお、制御部１６０は、探索予定の全ての次数（ｍ，ｐ，ｑ）についての探索が終了したか否かを判断する（ステップＳ２０）。例えば、予めｍ＝８，ｐ∈｛１，２｝，ｑ∈｛１，２｝の範囲の探索を行うことと設定されていた場合、次数（ｍ，ｐ，ｑ）＝（８，１，１），（８，１，２），（８，２，１），（８，２，２）の全てについて上述のステップＳ１１以降の処理が実行されたか否かを判断する。ここで、探索予定の全ての次数（ｍ，ｐ，ｑ）についての探索が終了していないと判断された場合には、ステップＳ１１の処理に戻される。一方、探索予定の全ての次数（ｍ，ｐ，ｑ）についての探索が終了したと判断された場合には、パラメータ選択部１２３は、メモリ１４０の領域１４３に格納されたｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝に対応付けられた次数（ｍ，ｐ，ｑ）を特定する。次に、パラメータ選択部１２３は、特定した次数（ｍ，ｐ，ｑ）と領域１４２において対応付けられている分散値σ_ｎ ^２を結合モデルのパラメータとして選択し、これを特定する情報を制御部１６０に出力する（ステップＳ２１）。

＜ステップＳ３の処理の詳細＞
次に、図６におけるステップＳ３の処理の詳細を説明する。
ステップＳ２１においてパラメータ選択部１２３から出力されたｍｉｎ｛ＡＩＣ（ｍ，ｐ，ｑ）｝に対応する分散値σ_ｎ ^２を特定する情報は、制御部１６０から目的信号区間推定部１３０に送られ、目的信号区間推定部１３０は、これによって特定される分散値σ_ｎ ^２をメモリ１４０の領域１４２から読み込む。また、目的信号区間推定部１３０は、メモリ１４０の領域１４１からサンプル数Ｎも読み込む。
次に、目的信号区間推定部１３０のマスク生成部１３１の平均値算出部１３１ａにおいて、分散値σ_ｎ ^２の平均値

を算出し、この平均値μと分散値σ_ｎ ^２とを一時メモリ１５０に格納する。
そして、一時メモリ１５０から平均値μと分散値σ_ｎ ^２とが関数設定部１３１ｂに読み込まれ、関数設定部１３１ｂは、当該平均値μをしきい値として高レベル値或いは低レベル値を出力する時間領域マスクＩ_ｎを生成する。この例の場合、σ_ｎ ^２≧μとなるｎに対してＩ_ｎ＝１となり、σ_ｎ ^２＜μとなるｎに対してＩ_ｎ＝０となる時間領域マスクＩ_ｎを生成する。そして、このように生成された時間領域マスクＩ_ｎはメモリ１４０の領域１４４に格納される。

＜実験に用いたデータ＞
この実験では、離散混合信号ｙ_ｎとして、「（社）情報処理学会 音声言語情報処理研究会 雑音下音声認識評価ワーキンググループ」によって提供されている「雑音下音声認識評価環境（通称 ＡＵＲＯＲＡ−２Ｊ）」に含まれる音響信号を離散サンプリングしたものを用いた。この音響信号は、目的信号である男女１名の数字読み上げ音声に、ノイズ信号である車内雑音や地下鉄騒音をそれぞれ信号対雑音比０ｄＢと１０ｄＢで加算した信号である。また、この音響信号の離散サンプリングは、サンプリング周波数８ｋＨｚ、量子化ビット数１６ビットで行われた。

＜次数（ｍ，ｐ，ｑ）の探索範囲＞
ＡＲモデルのAIC(m)は、次数ｍが大きくなるほど小さくなる。これは、次数ｍが大きいほどモデルが実データに近くなることを示している。しかし、本形態で要求されるＡＲモデルは、それがノイズ信号を特徴付けられる程度のものであればよい。また、次数ｍが大きくなればなるほど演算量が大きくなるため、次数ｍはできるだけ小さいほうがよい。本形態では、以下のように妥当な次数ｍを決定した。
まず、ノイズ信号の周波数帯域における分析を試みる。ＡＲモデルの係数Ａ_ｋと予測誤差の分散値σ（ｍ）^２とを用い、前述の式（５）のようにノイズ信号のスペクトルＳ_ｆ（ｆは周波数）を推定する。

図９（ａ）は、車内雑音のスペクトルＳ_ｆを示したグラフであり、（ｂ）は、地下鉄騒音のスペクトルＳ_ｆを示したグラフである。ここで、縦軸はＳ_ｆ（ｄＢ）であり、横軸は周波数ｆ（０から０．５サンプリング時間）である。また、各グラフの上に記載された１から２０までの数字は次数ｍを示している。これらによると、高々次数ｍ＝８程度で主なスペクトルの特徴を捉えられることが分かる。従って、この実験ではｍ＝８を採用し、次数ｍの値は固定とする。
また、同様な理由により、この実験では、ＧＡＲＣＨモデルに対応する次数ｐ，ｑを、（ｐ，ｑ）＝（１，１），（１，２），（２，１），（２，２）の範囲で探索するものとする。

＜実験結果＞
図１０（ａ）は、目的信号にノイズ信号が混合した混合信号（この例では音響信号）に適用するモデルとＡＩＣの値との関係を示した表である。ここで、行の項目である「ＡＲ（８）」は次数８のＡＲモデルのみを用いた場合を、「ＧＡＲＣＨ（１，１）」はモデルとして次数（ｐ，ｑ）＝（１，１）のＧＡＲＣＨモデルのみを用いた場合を、「ＧＡＲＣＨ（２，１）」はモデルとして次数（ｐ，ｑ）＝（２，１）のＧＡＲＣＨモデルのみを用いた場合を、「ＧＡＲＣＨ（１，２）」はモデルとして次数（ｐ，ｑ）＝（１，２）のＧＡＲＣＨモデルのみを用いた場合を、「ＡＲ（８）＋ＧＡＲＣＨ（２，１）」は、モデルとして次数８のＡＲモデルと次数（ｐ，ｑ）＝（２，１）のＧＡＲＣＨモデルとの結合モデルを用いた場合を、それぞれ示している。また、列の項目である「Car noise SNR 10dB」はノイズ信号としてＳＮＲ１０ｄＢの車内雑音を用いた場合を、「Subway noise SNR 10dB」はノイズ信号としてＳＮＲ１０ｄＢの地下鉄騒音を用いた場合を、それぞれ示している。そして、この表の値は、それぞれの項目に対応するＡＩＣの値である。

それぞれのモデルのＡＩＣ値からモデルにより表現される混合信号の構造を推察すると、ＡＲモデルとＧＡＲＣＨモデルとを混合した混合モデルを適用した場合のＡＩＣ値は、ＡＲモデル単体やＧＡＲＣＨモデル単体を適用した場合のＡＩＣ値よりも格段に小さい。これは、混合モデルのほうがＡＲモデル単体やＧＡＲＣＨモデル単体よりも音響信号の性質により合致していることが分かる。すなわち、音響信号がカラードノイズ的性質と分散不均一な非ガウス性の両方の性質を有した信号であることが確認できる。従って、音響信号に対するモデル化は、離散混合信号の時系列変動を示すモデルと離散混合信号の分散の時系列変動を示すモデルとを組み合わせることが効果的であることが分かる。

図１０（ｂ）は、ノイズ信号が車内雑音である場合の音響信号（混合信号）を示した図である。ここで、横軸はサンプリング点ｎを示し、縦軸は振幅を示す。また、図１０（ｃ）は、本形態の目的信号区間推定装置で算出された分散値σ_ｎ ^２の平方根、すなわち標準偏差σ_ｎを示した図である。ここで、横軸はサンプリング点ｎを示し、縦軸は標準偏差σ_ｎの値を示す。また、図１０（ｄ）は、本形態の目的信号区間推定装置で算出された時間領域マスクＩ_ｎを図１０（ｂ）の音響信号ｙ_ｎ（混合信号）に乗じた系列を示した図である。横軸・縦軸は図１０（ｂ）と同じである。また、図１０（ｅ）は、無雑音の場合の音響信号（目的信号）を示した図である。横軸・縦軸は図１０（ｂ）と同じである。

ここで図１０（ｄ）に示す波形と図１０（ｅ）に示す波形とを比較すると分かるように、図１０（ｄ）に示す波形、すなわち、本形態の目的信号区間推定装置で算出された時間領域マスクＩ_ｎを音響信号に乗じた波形は、目的信号が存在する区間を表現している。これは、本形態の目的信号区間推定装置により、ノイズ信号を含む混合信号から目的信号が存在する区間を推定することができることを示している。
第２の実施の形態：
次に、本発明の第２の実施の形態を図面を説明する。

〔原理〕
本形態は、第１の実施の形態の変形例である。第１の実施の形態との相違点は、結合モデルへの離散混合信号の適用の仕方である。すなわち、第１の実施の形態では、観測された離散混合信号（目的信号とノイズ信号とが混合する）に対し、変動モデル（例えばＡＲモデル）のノイズ項に分散変動モデル（例えば、ＧＡＲＣＨモデル）が加わった結合モデルを直接適用し、この結合モデルのパラメータを抽出していた。しかし、第２の実施の形態では、離散混合信号を目的信号とノイズ信号との和と考え、結合モデルを変動モデルと分散変動モデルとの和として考える。そしてまず、離散混合信号と、結合モデルを構成する変動モデルとノイズ振幅を示すノイズパラメータの分散値とを用い、カルマンフィルタ処理を行う。つまり、まず、離散混合信号に変動モデルを適用し、変動モデルの大雑把なパラメータを抽出する。次に、このパラメータが代入された結合モデルを状態空間表現し、カルマンフィルタの逐次処理のためのパラメータを抽出する。そして、抽出したパラメータと、任意に設定可能なノイズ振幅を示すノイズパラメータの分散値とを用い、カルマンフィルタ処理を実行し、離散混合信号から大雑把にノイズ信号を除去する。その後、カルマンフィルタ処理により大雑把にノイズ信号が除去された信号を用い、暫定的な目的信号（「暫定目的信号」と呼ぶ）を算出する。そして、この暫定目的信号に分散変動モデルを適用し、結合モデルのパラメータを推定する。このように目的信号の特徴を多く含む暫定目的信号を抽出し、これに分散変動モデルを適用することにより、目的信号の立ち上がり部分の特徴を容易かつ的確に抽出することができる。また、ノイズパラメータは任意に設定できるパラメータであるため、カルマンフィルタ処理により排除されるノイズ信号の振幅も調整できる。これにより、暫定目的信号に分散変動モデルを適用する処理を最適化できる。

〔本形態の結合モデル〕
上述のように、本形態では、変動モデルと分散変動モデルとの和からなる構造的な結合モデルを用いる。すなわち、このモデルでは、目的信号をｘ_ｎとし、ノイズ信号をｚ_ｎとし、離散混合信号をｙ_ｎとした場合に（ｎ＝１，...，Ｎ、Ｎはサンプル数）、
y_n=x_n+z_n …(6)
となると仮定する。なお、以下の例では、変動モデルとしてＡＲモデル

を用い、分散変動モデルとしてＧＡＲＣＨモデル

を用いる。なお、ε_ｎは平均０，未知分散σ_ｎ ^２の正規分布に従う。また、ν_nは、独立同一分布に従う係数である。
ここで、式（６）を状態空間表現で表すと次のようになる。
観測方程式：Z_n=Hξ_n+w_n …(9)
状態方程式：ξ_n=Fξ_n-1+γε_n …(10)
ここで、本形態の例では、Hは単位行列（=[1]）であり、ｗ_ｎは平均０、分散δの正規分布に従うノイズの振幅を示すノイズパラメータN(0,δ)である。また、ξ_n=(x₁,x₂,...,x_m)'であり、・’は・の転置を示す。また、γ
はγ=(1,0,...,0)であり、Ｆは

の状態遷移行列である。
〔カルマンフィルタのアルゴリズム〕
この場合、カルマンフィルタのアルゴリズムは以下のようになる。
一期先予測過程：
ξ_n|n-1=Fξ_n-1|n-1 …(12)
V_n|n-1=FV_n-1|n-1F’+γQγ’ …(13)
フィルタリング過程：
K=V_n|n-1H’(HV_n|n-1H’+Δ）^-1 …(14)
ξ_n|n=ξ_n|n-1+K(y_n‐Hξ_n|n-1) …(15)
V_n|n=(I‐KH)V_n|n-1 …(16)
なお、・_α|βはβ時点の情報を用いて生成されたα時点の・を意味する。また、Δは、分散δを要素とする対角行列である。また、Ｉは単位行列を意味する。式（１２）〜（１６）の処理を逐次的に繰り返すことにより、ξ_n|n，V_n|n（ｎ＝１，...，Ｎ）が得られる。

〔本形態の構成〕
次に、本形態の構成について説明する。本形態の目的信号区間推定装置は、第１の実施の形態の目的信号区間推定装置１００の混合信号分析部１２０を、カルマンフィルタを用いるものに置き換えた構成を採る。以下では、第１の実施の形態との相違点である混合信号分析部の構成を中心に説明し、第１の実施の形態と共通するその他の事項については説明を省略する。
図１１は、第２の実施の形態における混合信号分析部２２０の構成を例示したブロック図である。なお、図１１において第１の実施の形態と共通する事項については、第１の実施の形態で用いたのと同じ符号を付した。

図１１に例示するように、混合信号分析部２２０は、カルマンフィルタ部３２２、暫定目的信号生成部３２３及びパラメータ推定部３２４を有しており、メモリ１４０及び一時メモリ１５０とのデータのやり取りが可能なように構成されている。また、カルマンフィルタ部３２２は、変動モデル適用部３２２ａ、一期先予測部３２２ｂ及びフィルタリング部３２２ｃを有している。なお、混合信号分析部２２０は、制御部１６０の制御のもと各処理を実行する。
〔本形態の処理〕
次に第２の実施の形態における混合信号分析部２２０の処理について説明する。なお、その他の処理については第１の実施の形態と同様であるため説明を省略する。また、次数ｍ，ｐ，ｑは、例えば、第１の実施の形態と同様に求めてもよいが、本形態では、説明の簡略化のため、次数ｍ，ｐ，ｑが既にメモリ１４０の領域２４２に格納されているものとする。また、任意に選択されたノイズパラメータｗ_ｎ=N(0,δ)の分散δもメモリ１４０の領域２４４に格納されているものとする。

図１２は、第２の実施の形態における混合信号分析処理の詳細を説明するためのフローチャートである。なお、混合信号分析処理は、第１の実施の形態におけるステップＳ２の処理に相当する処理である。
まず、カルマンフィルタ部３２２の変動モデル適用部３２２ａが、メモリ１４０のメモリ１４０の領域１４１から離散混合信号ｙ_ｎ（ｎ＝１，...，Ｎ）を読み込み、領域２４２から次数ｍを読み込む。そして、変動モデル適用部３２２ａは、読み込んだ離散混合信号ｙ_ｎを用い、次数ｍが代入された式（７）のパラメータＡ_ｋ（ｋ＝１，...，ｍ）を推定する（ステップＳ３１）。なお、この推定には、例えば、最小２乗法やユールウォーカー法や数値的最適化法等を用いることができる。なお、数値的最適化には、例えば、MATLAB（登録商標）のOptimization Toolbox等を用いる。推定されたパラメータＡ_ｋは一時メモリ１５０に格納される。

次に、一期先予測部３２２ｂが、一時メモリ１５０からパラメータＡ_ｋ（ｋ＝１，...，ｍ）を読み込み、式（１１）に従い状態遷移行列Ｆを生成し（ステップＳ３２）、一時メモリ１５０に格納する。
次に、制御部１６０が、ｎに１を代入し、これを一時メモリ１５０に格納する（ステップＳ３３）。そして、一期先予測部３２２ｂが、一時メモリ１５０からｎ，Ｆ，ξ_{ｎ−１｜ｎ−１}を読み込み、前述の式（１２）（１３）の演算を行い、ξ_n|n-1及びV_n|n-1を求める（ステップＳ３４）。なお、本形態では、式（７）のＡＲモデルのε_ｎの未知分散σ_ｎ ^２をＱとして用いる。また、ξ_0|0及びV_0|0には任意の初期値を用いる。生成されたV_n|n-1は、一時メモリ１５０に格納され、ξ_n|n-1は一時メモリ１５０及びメモリ１４０に格納される。

次に、フィルタリング部３２２ｃが、一時メモリ１５０からV_n|n-1を読み込み、前述の式（１４）の演算を行ってＫを求め、一時メモリ１５０に格納する。さらに、フィルタリング部３２２ｃは、一時メモリ１５０からξ_n|n-1を読み込み、メモリ１４０の領域１４１から離散混合信号ｙ_ｎを読み込み、領域２４３から分散δを読み込み、式（１５）の演算を行ってξ_n|nを求め、一時メモリ１５０及び領域２４４に格納する。さらに、フィルタリング部３２２ｃは、一時メモリ１５０からＫとV_n|n-1とを読み込み、式（１６）の演算を行ってV_n|nを求め、一時メモリ１５０に格納する（ステップＳ３５）。

次に、暫定目的信号生成部３２３が、メモリ１４０の領域１４１から離散混合信号ｙ_ｎを読み込み、領域２４４からξ_n|n−１を読み込み、
pz_n=y_n-Hξ_n|n-1 …(17)
の演算によって、暫定目的信号ｐｚ_ｎを生成する（ステップＳ３６）。生成された暫定目的信号ｐｚ_ｎは、メモリ１４０の領域２４５に格納される。
次に、制御部１６０は、一時メモリ１５０に格納されたｎがＮであるか否かを判断する。ここで、ｎ＝Ｎでなければ、制御部１６０は、ｎ＋１を新たなｎとして一時メモリ１５０に格納し、処理をステップＳ３４に戻す。一方、ｎ＝Ｎであれば、制御部１６０は、パラメータ推定部３２４にトリガを与える。

このトリガを与えられたパラメータ推定部３２４は、メモリ１４０の領域２４５から
暫定目的信号ｐｚ_ｎ（ｎ＝１，...，Ｎ）を読み込む。そして、パラメータ推定部３２４は、読み込んだ暫定目的信号ｐｚ_ｎを用いて、式（８）の分散変動モデルの数値的最適化を行い、パラメータσ_ｎ ^２，κ，Ｇ_ｉ，Ｒ_ｊ，ε_ｎ−ｊを算出し、メモリ１４０の領域２４６に格納する。なお、数値的最適化には、例えば、MATLAB（登録商標）のOptimization Toolbox等を用いる。その後の処理は第１の実施の形態と同様である。
〔実験結果〕
次に、第２の実施の形態の目的信号区間推定装置を実際に適用した場合の実験結果を示す。

＜実験に用いたデータ＞
音声信号（目的信号）と雑音信号（ノイズ信号）が混在する音響信号として、旅行対話データベースから生成したサンプリングレート８ｋＨｚ、量子化ビット数ｌ６ビットで離散化された波形ファイル２２９２ファイルに、信号対雑音比（ＳＮＲ）０ｄＢで環境雑音を加えたものを用いた。なお、この環境雑音は、新宿駅東口で独自に収録したものである。
＜環境雑音に対するモデル推定＞
データの最初の２０００点には雑音のみが含まれると仮定してＡＲモデル推定を行った（ステップＳ３１に相当）。高次の次数は必要ないので、高々１０次まででＡＩＣ最小の次数をもつＡＲモデルを用いた。そして、これによって得られた係数Ａ_ｋをカルマンフィルタの状態遷移行列Ｆに代入する（ステップＳ３２に相当）。

＜暫定目的信号に対するモデル＞
ＧＡＲＣＨモデルについては、ＧＡＲＣＨ（ｌ，ｌ）で分散変動の特徴は十分に捉えられるので、その次数に固定した。
＜目的信号区間推定＞
この実験では、最初の２０００点が背景雑音の情報となるため、その部分に対し、ＧＡＲＣＨ（１，１）モデルを適用し、そのときの条件付分散値の平均値μ_２０００と、標準偏差

を求め、関数設定部１３１ｂ（図５）で、以下の時間領域マスクＩ_ｎ（ｎ＝２００１，．．．Ｎ）を生成することとした。

また、目的信号区間検出の精度を調べるために、
Recall：正解の音声信号区間を推定できた割合（正解の音声信号区間中で正解した音声信号数／正解の音声信号区間の長さ）
Precision：推定した音声信号区間のうち正解だった割合（推定した音声信号区間中で正解した音声信号数／推定した音声信号区間の長さ）
という指標を導入した。また、正解データとして、人間が書き起こした１０ｍｓ単位の正解ＶＡＤファイル（音声区間を１、非音声区間を０と数量化したもの）を用いた。

状態空間表現のノイズパラメータｗ_ｎ=N(0,δ)の分散δを０．１，０．５，０．８，０と変化させた場合のRccallとPrecisionの値を表１に示す。この表から、分散δが小さいと、RecallがPrecisionに勝る。RecallとPrecisionとのバランスを考慮した分散δを設定するのが好ましい。

８ｋＨｚ音声をCS-ACELP方式で符号化する手法に付随する音声区間検出技術ITU-T G.729 AnneX Bによる同じデータに対する目的信号区間検出の精度は、Recall=63.91%，Precision=74.97%である。表１の結果は、その値よりもよい精度で目的信号区間の検出ができていることを示している。
〔変形例等〕
なお、本発明は上述の実施の形態に限定されるものではない。例えば、目的信号は特に音声信号に限定されるものでなく、光信号や電気信号等であってもよい。同様にノイズ信号は特に雑音信号や騒音信号に限定されるものではない。

また、本形態では、変動モデルとしてＡＲモデルを例示したが、離散混合信号の時系列変動を示すモデルであればどのようなモデルを変動モデルとして用いてもよい。例えば、線形ＡＲモデル、時変係数ＡＲモデル、非線形ＡＲモデル、非ガウス性を含むＡＲモデルだけではなく、ＧＡＲＣＨモデル等を変動モデルとして用いてもよい。
同様に、本形態では、分散変動モデルとしてＧＡＲＣＨモデルを例示したが、離散混合信号の分散の時系列変動を示すモデルであればどのようなモデルを分散変動モデルとして適用してもよい。例えば、ＡＲＣＨモデル、拡張一般化自己回帰条件付分散不均一モデル（ＥＧＡＲＣＨモデル）、Stochastic volatilityモデル、Non-Gaussian extension of a stochastic volatilityモデル、確率的ボラティリティモデル等（例えば、「Nagahara, Y. and Kitagawa, G. "A non-Gaussian stochastic volatility model", Journal of Computer Finance,2, 33-47, 1998」等参照）を分散変動モデルとして用いてもよい。

また、本形態では、選択基準値算出部１２３ａにおいて赤池の情報量規準を用いることとしたが、統計モデルの適切さの客観的尺度あれば他の尺度を用いることもでき、最終予測誤差基準ＦＰＥ（final predictive error）、ベイス情報量規準（BIC）、その他の基準を用いてパラメータの選択を行うこととしてもよい（例えば、「Allan D. R. McQuarrie,"Regression and Time Series Model Selection", World Scientific」参照）。
さらに、本形態の目的信号区間推定装置で目的信号が存在する区間を推定した後、その区間が本当に音声等の目的信号の区間であるかどうかを確認する手順を実行することとしてもよい（例えば、「Nima Mesgarani, Sihhab Shamma, Malcolm Slaney, "SPEECH DISCRIMINATION BASED ON MULTISCALE SPECTRO-TEMPORAL MODULATIONS", IEEE, ICASSP2004, pp601-604」等参照）。これにより、より正確に目的信号の区間を検出することができる。

また、本形態では、パラメータのうち分散値を目的信号の区間検出に用いたが、他のパラメータを用いて目的信号の区間検出を行うこととしてもよい。
さらに、本形態では、入力された混合信号ｙに対応する全ての離散混合信号ｙ_ｎをまとめて処理の対象としたが、混合信号切出部１１０において、所定のサンプル点長を１フレームとし、メモリ１４０の領域１４１に格納されている離散混合信号ｙ_ｎをフレームごとに分割し、混合信号分析部１２０及び目的信号区間推定部１３０での処理を、このフレーム単位で実行することとしてもよい。

その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。また、上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。
また、上述の処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよいが、具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ（Random Access Memory）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ−Ｒ（Recordable）／ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto-Optical disc）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
また上述のプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。

また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、本装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

本発明の産業上の利用分野としては、車内や駅構内での雑音を背景に会話を収録してそこから音声を取り出す音響処理分野や、騒音の中で発せられた音声を携帯電話で符号化する分野等を例示できる。

図１は、第１の実施の形態の目的信号区間推定装置の基本構成を例示した概念図である。 図２は、第１の実施の形態における目的信号区間推定装置の構成を例示したブロック図である。 図３は、ＣＰＵに本形態のプログラムが読み込まれることにより構成される目的信号区間推定装置の機能構成を例示したブロック図である。 図４は、図３の混合信号分析部の詳細構成を説明するためのブロック図である。 図５は、目的信号区間推定部の詳細構成を説明するためのブロック図である。 図６は、本形態における目的信号区間推定処理を説明するためのフローチャートである。 図７は、図６におけるステップＳ２の処理の詳細を説明するためのフローチャートである。 図８（ａ）は、無雑音状態の音声信号を例示した図である。ここで、横軸は時間を示し、縦軸は振幅を示している。図８（ｂ）は、この音声信号の分布状態を例示した図である。 図９（ａ）は、車内雑音のスペクトルＳ_ｆを示したグラフであり、（ｂ）は、地下鉄騒音のスペクトルＳ_ｆを示したグラフである。 図１０（ａ）は、目的信号にノイズ信号が混合した混合信号に適用するモデルとＡＩＣの値との関係を示した表である。図１０（ｂ）は、ノイズ信号が車内雑音である場合の音響信号を示した図である。図１０（ｃ）は、本形態の目的信号区間推定装置で算出された分散値σ_ｎ ^２の平方根、すなわち標準偏差σ_ｎを示した図である。図１０（ｄ）は、本形態の目的信号区間推定装置で算出された時間領域マスクＩ_ｎを図１０（ｂ）の音響信号ｙ_ｎに乗じた系列を示した図である。図１０（ｅ）は、無雑音の場合の音響信号（目的信号）を示した図である。 第２の実施の形態における混合信号分析部の構成を例示したブロック図である。 第２の実施の形態における混合信号分析部の処理を説明するためのフローチャートである。

符号の説明

１，１００，２００ 目的信号区間推定装置
１０ 混合信号分析装置

Claims (16)

1. 音声信号である目的信号が存在する区間を推定する目的信号区間推定装置であって、
   前記目的信号とノイズ信号とが混合した観測された時系列信号である混合信号を各サンプリング点でサンプリングした離散混合信号を格納する離散混合信号メモリと、
   前記離散混合信号を用い、或るサンプル点での離散混合信号をそれよりも過去の各サンプル点での離散混合信号を各係数で重み付けした値と当該或るサンプル点での予測誤差の線形和で推定するモデルである変動モデル及び前記或るサンプル点での離散混合信号の分散値をそれよりも過去の各サンプル点での離散混合信号の分散値を各係数で重み付けした値と前記過去の各サンプル点での前記予測誤差のべき乗値を各係数で重み付けした値との線形和で推定するモデルである分散変動（ボラティリティ）モデルからなる結合モデルの前記或るサンプル点での分散値を推定し、推定した前記或るサンプル点での分散値を特定する情報を出力する混合信号分析手段と、
   前記混合信号分析手段から出力された情報から特定される複数のサンプル点での前記分散値に対応する値をしきい値とし、前記分散値が前記しきい値以上であるサンプル点での値が高レベル値となり、かつ、前記分散値が前記しきい値未満であるサンプル点での値が低レベル値となる時間領域マスクを生成するマスク生成手段と、
   サンプル点ごとに前記時間領域マスクを前記離散混合信号に乗じ、その適用結果を出力するマスク適用手段と、
   を有する目的信号区間推定装置。
2. 請求項１の目的信号区間推定装置であって、
   前記変動モデルは自己回帰モデルであり、前記分散変動モデルは一般化自己回帰条件付分散不均一モデルである
   ことを特徴とする目的信号区間推定装置。
3. 請求項１又は２の目的信号区間推定装置であって、
   前記混合信号分析手段が、
   前記結合モデルの次数を選択する次数推定手段と、
   前記離散混合信号と前記次数とが入力され、当該離散混合信号を用い、当該次数が代入された前記結合モデルの数値的最適化を行って当該次数に対応する当該結合モデルの分散値及び予測誤差を算出するパラメータ推定手段と、
   前記次数及び前記次数に対応する前記結合モデルの前記分散値並びに前記予測誤差を入力とし、赤池の情報量規準又は最終予測誤差基準又はベイス情報量規準に従って、前記或るサンプル点での分散値を特定する情報を出力するパラメータ選択手段と
   を有する目的信号区間推定装置。
4. 請求項１から３の何れかの目的信号区間推定装置であって、
   前記混合信号分析手段は、
   前記離散混合信号を用い、ｙ_ｎをサンプリング点ｎ（ｎ＝１，...，Ｎ、Ｎはサンプル数）における離散混合信号とし、Ｃ，κを定数とし、ｍ，ｐ，ｑ（ｍ∈｛１，...，Ｍ｝，ｐ∈｛１，...，Ｐ｝，ｑ∈｛１，...，Ｑ｝）を次数とし、Ａ_ｋ，Ｇ_ｉ，Ｒ_ｊをｋ，ｉ，ｊごとに定まる係数とし、ε_ｎをｎごとに定まる予測誤差とし、σ_ｎ ^２をｙ_ｎの分散値とした場合における、結合モデル
   

   

   の前記或るサンプル点ｎでの分散値σ_ｎ ^２を推定し、推定した分散値σ_ｎ ^２を特定する情報を出力する手段である
   ことを特徴とする目的信号区間推定装置。
5. 請求項４の目的信号区間推定装置であって、
   混合信号分析手段が、
   前記結合モデルの次数ｍ，ｐ，ｑを選択する次数推定手段と、
   前記離散混合信号と前記次数ｍ，ｐ，ｑとが入力され、当該離散混合信号を用い、当該次数ｍ，ｐ，ｑが代入された前記結合モデルの数値的最適化を行って当該次数ｍ，ｐ，ｑに対応する当該結合モデルの分散値σ_ｎ ^２及び予測誤差ε_ｎを算出するパラメータ推定手段と、
   

   

   を最小にする前記次数ｍ，ｐ，ｑに対応する前記分散値σ_ｎ ^２を特定する情報を出力するパラメータ選択手段と
   を有する目的信号区間推定装置。
6. 音声信号である目的信号が存在する区間を推定する目的信号区間推定装置であって、
   前記目的信号とノイズ信号とが混合した観測された時系列信号である前記混合信号を各サンプリング点でサンプリングした離散混合信号を格納する離散混合信号メモリと、
   前記離散混合信号にカルマンフィルタを適用することで前記離散混合信号からノイズ信号成分を抑制した暫定目的信号を生成する暫定目的信号生成手段と、
   前記暫定目的信号を用い、或るサンプル点での暫定目的信号の分散値をそれよりも過去の各サンプル点での離散混合信号の分散値を各係数で重み付けした値と前記過去の各サンプル点での予測誤差のべき乗値を各係数で重み付けした値との線形和で推定するモデルである分散変動（ボラティリティ）モデルの前記或るサンプル点での分散値を推定し、推定した前記或るサンプル点での分散値を特定する情報を出力するパラメータ推定手段と、
   前記パラメータ推定手段から出力された情報から特定される複数のサンプル点での前記分散値に対応する値をしきい値とし、前記分散値が前記しきい値以上であるサンプル点での値が高レベル値となり、かつ、前記分散値が前記しきい値未満であるサンプル点での値が低レベル値となる時間領域マスクを生成するマスク生成手段と、
   サンプル点ごとに前記時間領域マスクを前記離散混合信号に乗じ、その適用結果を出力するマスク適用手段と、
   を有する目的信号区間推定装置。
7. 請求項６の目的信号区間推定装置であって、
   前記分散変動モデルは一般化自己回帰条件付分散不均一モデルである
   ことを特徴とする目的信号区間推定装置。
8. 音声信号である目的信号が存在する区間を推定する目的信号区間推定方法であって、
   前記目的信号とノイズ信号とが混合した観測された時系列信号である混合信号を各サンプリング点でサンプリングした離散混合信号を離散混合信号メモリに格納する格納ステップと、
   混合信号分析手段が、前記離散混合信号を用い、或るサンプル点での離散混合信号をそれよりも過去の各サンプル点での離散混合信号を各係数で重み付けした値と当該或るサンプル点での予測誤差の線形和で推定するモデルである変動モデル及び前記或るサンプル点での離散混合信号の分散値をそれよりも過去の各サンプル点での離散混合信号の分散値を各係数で重み付けした値と前記過去の各サンプル点での前記予測誤差のべき乗値を各係数で重み付けした値との線形和で推定するモデルである分散変動（ボラティリティ）モデルからなる結合モデルの前記或るサンプル点での分散値を推定し、推定した前記或るサンプル点での分散値を特定する情報を出力する混合信号分析ステップと、
   マスク生成手段が、前記混合信号分析ステップで出力された情報から特定される複数のサンプル点での前記分散値に対応する値をしきい値とし、前記分散値が前記しきい値以上であるサンプル点での値が高レベル値となり、かつ、前記分散値が前記しきい値未満であるサンプル点での値が低レベル値となる時間領域マスクを生成するマスク生成ステップと、
   マスク適用手段が、サンプル点ごとに前記時間領域マスクを前記離散混合信号に乗じ、その適用結果を出力するマスク適用ステップと、
   を有する目的信号区間推定方法。
9. 請求項８の目的信号区間推定方法であって、
   前記変動モデルは自己回帰モデルであり、前記分散変動モデルは一般化自己回帰条件付分散不均一モデルである
   ことを特徴とする目的信号区間推定方法。
10. 請求項８又は９の目的信号区間推定方法であって、
    前記混合信号分析ステップは、
    次数推定手段が、前記結合モデルの次数を選択する次数推定ステップと、
    パラメータ推定手段が、前記離散混合信号と前記次数とを入力とし、当該離散混合信号を用い、当該次数が代入された前記結合モデルの数値的最適化を行って当該次数に対応する当該結合モデルの分散値及び予測誤差を算出するパラメータ推定ステップと、
    パラメータ選択手段が、前記次数及び前記次数に対応する前記結合モデルの前記分散値並びに前記予測誤差を入力とし、赤池の情報量規準又は最終予測誤差基準又はベイス情報量規準に従って、前記或るサンプル点での分散値を特定する情報を出力するパラメータ選択ステップと、
    を有する目的信号区間推定方法。
11. 請求項８から１０の何れかの目的信号区間推定方法であって、
    前記混合信号分析ステップは、
    前記離散混合信号を用い、ｙ_ｎをサンプリング点ｎ（ｎ＝１，...，Ｎ、Ｎはサンプル数）における離散混合信号とし、Ｃ，κを定数とし、ｍ，ｐ，ｑ（ｍ∈｛１，...，Ｍ｝，ｐ∈｛１，...，Ｐ｝，ｑ∈｛１，...，Ｑ｝）を次数とし、Ａ_ｋ，Ｇ_ｉ，Ｒ_ｊをｋ，ｉ，ｊごとに定まる係数とし、ε_ｎをｎごとに定まる予測誤差とし、σ_ｎ ^２をｙ_ｎの分散値とした場合における、結合モデル
    

    

    の前記或るサンプル点ｎでの分散値σ_ｎ ^２を推定し、推定した分散値σ_ｎ ^２を特定する情報を出力するステップである
    ことを特徴とする目的信号区間推定方法。
12. 請求項１１の目的信号区間推定方法であって、
    混合信号分析ステップが、
    次数推定手段が、前記結合モデルの次数ｍ，ｐ，ｑを選択する次数推定ステップと、
    パラメータ推定手段が、前記離散混合信号と前記次数ｍ，ｐ，ｑとを入力とし、当該離散混合信号を用い、当該次数ｍ，ｐ，ｑが代入された前記結合モデルの数値的最適化を行って当該次数ｍ，ｐ，ｑに対応する当該結合モデルの分散値σ_ｎ ^２及び予測誤差ε_ｎを算出するパラメータ推定ステップと、
    パラメータ選択手段が、
    

    

    を最小にする前記次数ｍ，ｐ，ｑに対応する前記分散値σ_ｎ ^２を特定する情報を出力するパラメータ選択ステップと
    を有する目的信号区間推定方法。
13. 音声信号である目的信号が存在する区間を推定する目的信号区間推定方法であって、
    前記目的信号とノイズ信号とが混合した観測された時系列信号である混合信号を各サンプリング点でサンプリングした離散混合信号を離散混合信号メモリに格納する格納ステップと、
    暫定目的信号生成手段が、前記離散混合信号にカルマンフィルタを適用することで前記離散混合信号からノイズ信号成分を抑制した暫定目的信号を生成する暫定目的信号生成ステップと、
    パラメータ推定手段が、前記暫定目的信号を用い、或るサンプル点での暫定目的信号の分散値をそれよりも過去の各サンプル点での離散混合信号の分散値を各係数で重み付けした値と前記過去の各サンプル点での予測誤差のべき乗値を各係数で重み付けした値との線形和で推定するモデルである分散変動（ボラティリティ）モデルの前記或るサンプル点での分散値を推定し、推定した前記或るサンプル点での分散値を特定する情報を出力するパラメータ推定ステップと、
    マスク生成手段が、前記パラメータ推定ステップで出力された情報から特定される複数のサンプル点での前記分散値に対応する値をしきい値とし、前記分散値が前記しきい値以上であるサンプル点での値が高レベル値となり、かつ、前記分散値が前記しきい値未満であるサンプル点での値が低レベル値となる時間領域マスクを生成するマスク生成ステップと、
    マスク適用手段が、サンプル点ごとに前記時間領域マスクを前記離散混合信号に乗じ、その適用結果を出力するマスク適用ステップと、
    を有する目的信号区間推定方法。
14. 請求項１３の目的信号区間推定方法であって、
    前記分散変動モデルは一般化自己回帰条件付分散不均一モデルである
    ことを特徴とする目的信号区間推定方法。
15. 請求項１から７の何れかに記載の目的信号区間推定装置としてコンピュータを機能させるためのプログラム。
16. 請求項１５に記載のプログラムを格納したコンピュータ読み取り可能な記録媒体。

Images