SE520450C2 - Signalseparation - Google Patents

Description

20 25 30 35 40 45 520 450 2 and Computers, 1996) hur signalseparation kan tillämpas på bilder (tvådimensionella signaler).

Regularisering förekommer vid system identifiering. Metoden används då bl.a. för att undvika problem med invertering av illa konditionerade matriser (se exempelvis Ljungs bok “System ldentification, Theory for the user", Prentice-l-lall, Englewood Cliffs, NJ, 1987) eller för att reducera variansen hos parameterestimaten till en kostnad av ökat systematiskt fel (Ljung, Sjöberg, “A comment on 'leakagd in adaptive algorithms ”, Technical Report LiTH-l-lSY-l304, Linköping University, Sweden, 1992). Val av storleken hos å har behandlats i den senare referensen i fallet med linjära regressionsmodeller och ett kriterium baserat på kvadraten av prediktionsfelet.

Enligt europeisk patentansökan nr. 565 479 är en metod baserad på korspolyspektrat känd. Förfarandet enligt denna patentansökan baserar sig på högre ordningen statistik (HOS). Det är allmänt känt att metoder som baserar sig på högre ordningens statistik kräver ett stort antal sampel för att uppnå bra estimat. Detta gör att algoritmer baserat på HOS konvergerar långsamt och får sämre prestandajämfört med metoder som baserar sig på andra ordningens statistik.

Det amerikanska patentet US, 4,208,786 presenterar en signalseparation algoritm baserad på andra ordningen statistik, men som ej fungerar generellt. Den där föreslagna algoritrnen fungerar endast om bägge kanalfiltren har samma värde på direktterrnen, dvs a 0 = b, med beteckningar enligt ekvation (14) och (15) i beskrivningen. Att metoden inte fungerar för olika direktterrner framgår av ekvation (49) och (50). Dessa ekvationer beskriver hur koefficientema estimeras. Uppdaterings ekvationema för filterkoeñicienterna får följande utseende om man bara tar med direktterrnema.

A001) = fl.,(fl-1)+ Y iVzffl) Vi(f1) respektive boÛl) = bo(n'l)+yzvi(n)vz(n)- Av dessa framgår det att uppdateringstennema för direktterrnema är identiska. Även, har andra presenterat liknande algoritmer men då antagit att bägge direkttennema är noll (se t.ex. Van Gerven, Van Compemolle; “Signal separation by symmetric adaptive decorrelation: Stability, Convergence and Uniquness", IEEE Trans. Signal Processing, July, 1995).

Uppfinningen Uppfmningen avser en klass av metoder att separera tvâ eller fler signaler som är blandade på ett okänt sätt genom signalseparation. Föreliggande uppfinning avser ett sätt att förbättra metodemas prestanda m.h.a. regularisering av kriteriet.

Regulariseringen irinebär att parame. arna 'dr'as' mot specifika värden. Därigenom minskar regulariseringen de problem som kan uppstå p.g.a. över-parameterisering.

Kortbeskrivning av ritningar 10 15 20 25 30 35 40 520 450 3 I det följande kommer uppfinningen att beskrivas med hänvisning till på närslutna ritningar visat utföringsexempel, i vilka: Än. .Ti 0:: us . l visar en mobiltelefon med uppfinningen implementerad däri, . 2 visar ett blockschema enligt uppfinningen, . 3a-3f visar grafer för systematiskt fel, standardavvikelse och medelkvadrant fel. . 4 visar ökningen av SNB som fiinktionen av regulariseringen, enligt föreliggande uppfinning. :fl 'fl ua tio Detaljerad beskrivning av uppfinningen S i gnalseparation Si gnalseparation kan tillämpas då man vill separera ett antal signaler fiån varandra.

Metoden bygger på tillgång till minst lika många olika blandningar som signaler man vill separera. Exempelvis kan metoden vara användbar om två personer pratar samtidigt i ett rum, och man har problem med att uppfatta vad den ena personen säger p. g.a. den andra rösten. Signalseparation är en metod att utifrån signalema fiån exempelvis två mikrofoner, bestämma filter i en separationsstruktur och därifrån få ut varje röst var för sig.

Metoden bygger på att modellera blandningen m.h.a. filter innehållande fördröjningar.

Se figur Za för ett exempel där en modell av en blandning av två signaler visas. Här betecknar x. och x: de önskade men okända och omätbara signalema. De enda signaler som är mätbara är y , där y, modelleras som x, plus en filtrerad version av x 2, dvs Y. = X, + BZXZ På samma sätt modelleras YZ = X2 + BIX, Modellen av blandningen innehåller filtren B l och BI. Signalema Y, och YZ är mätbara och utifrån dem skall filter i en separationsstruktur, exempelvis enligt figur Zb, estimeras. Utsignalerna från separations strukturen blir Si = Yi ' DIY: : (1'D2Bi)Xi + (B: ' Dux: och S:=Y2 ' DiYi :(1 ' D'DiBz + (Bi 'DÛXI Enligt ovan framgår att om B , = D. och BZ = Dz så separeras signalema. dvs utsignalema S , och S2 endast beror på X , och X3 respektive. Ett vanligt sätt att utföra estimeringen av filtren i separationsstrukturen är att söka efter de filterparametrar som ger minimalt eller maximalt värde på ett kriterium V. En mängd olika kriterier har 10 15 20 25 30 35 40 520 450 4 föreslagits, exempelvis baserat på korskorrelationer, kontrastfimlnioner och korspolyspekrurn, se tidigare avsnitt.

Prestanda för signalseparationen kan definieras på många sätt.

Medelkvadratavvikelsen mellan skattade och sanna parametrar är ett sådant mått. Ett mer applikationsnära mått är hur väl metoden klarar att undertrycka interfererande signaler, dvs signal till brus förhållande (Signal to Noise Ratio, SNR). Framförallt är det mätvärdet av ökningen av SNR mellan uppmätta signaler och separerade signaler som är av intresse.

Inverkan av regularisering Estimat av kanalen är naturligt behäftade med avvikelser från sanningen. Ett mått på genomsnittliga avvikelsen från det sanna värdet är “systematiska felet ”. Systematiskt fel för en parameter är medelvärdet av estimerade parametems avvikelser från sanningen. “Variansen” för paxameterskattningen är ett mått på variationerna hos genomsnittliga avvikelsen från medelvärdet av skattningen, dvs hur mycket parameterestimatet varierar mellan varje skattning. Variansen är medelvärdet av differensen mellan estimat och medelvärde i kvadrat. “Standard avvikelsen i' är roten ur Variansen. Slutligen är “medelkvadrat avvikelsen ” medelvärdet av differensen mellan estimat och sant värde hos parametem i kvadrat.

Regularisering kan introduceras i signalseparationsalgoritmen som en metod att minska Variansen hos de parametrar som skall estimeras. Dessa parametrar är vanligtvis koefficientema i filtren i en separationsstruktur. Ett annat namn på regularisering av kriteriet är läckning. Behovet uppkommer främst när problemet är kraftigt överparametriserat. Detta kan inträffa när endast ett fåtal filterparametrar skall vara skilda från noll, men man saknar kunskap om vilka. En metod att lösa detta problem är att med någon metod försöka bestämma vilka parametrar som är nödvändiga, och sedan endast bestämma värdena på dessa. Om systemet är tidsvariabelt måste även denna modellstruktur vara tidsvarierande. Ett altemativ, eller ett sätt att utföra denna modellestimering, är att införa regularisering.

Regulaiiseringen kan introduceras som ett modifierat kriterium, V': V'= Vwte- ø“|. l-lär betecknar V det kriterium som skall minimeras för att skatta parametrama hos en separationsstruktur, å en design variabel som bestämmer hur mycket kriteriet skall regulariseras, 9 en kolumn vektor innehållande de parametrar som skall estimeras, och <9” en kolumn vektor med eventuell kunskap om de verkliga parametrama.

Regulariseringen införs alltså genom att lägga till en sk. regulariseringsterrn till det ursprungliga kriteriet.

En mer generell formulering är 10 15 20 25 30 35 .Is CD 520 450 5 V'= V+(6-a“)C(9-0“)” där C är en viktmatris och (OH betecknar I-Ierrnitian operatom ( konjungering och transponering). Denna senare formulering ger bl.a. en möjlighet till olika mängd regularisering för parametrarna.

En möjlighet som fås vid användandet av regularisering i algoritrnen är alltså att styra parametrama mot specifika värden genom lämpligt val av 6” . Dessa specifika värden på parametrama kan fås via fysikalisk modellering (ex. ljudutbredning i rummet) eller mätningar under kontrollerade förhållanden. I fallet med överparametrisering, kan man välja 9” till en vektor med nollor, vilket innebär att samtliga parametrar dras mot noll.

En illustration visas i figur 3. Där ses hur systematiskt fel, standard avvikelse och medelkvadratfel varierar med olika värden på regulariserings parametem å' . Ur figuren ser man hur medelkvadratfelet minskar krafiigt i ett intervall av å för att öka utanför intervallet. I figur 4 ses resultatet av metoden som kvalitets förbättringen hos ena signalen uttryckt i signal till brus förhållande (Signal to Noise Ratio, SNR). En kraftig ökning av SNR för s, ses i ett intervall jämfört med icke regulariserat kriterium (se små värden på 6 ). De signaler som används till figur l och 2 är datorgenererade sekvenser.

Regularisering minskar parametramas varians till en kostnad av ett ökat systematiskt fel. Parametem ö' bör alltså väljas så att den vinst som görs i metodens prestanda p.g.a. minskad varians inte överstiger förlusten i prestanda p.g.a. ökat systematiskt fel.

Idealt skall <5 väljas så att dessa tvâ effekter balanserar varandra i den punkt som innebär en maximeríng av prestanda för algoritmen.

En tillämpning är vid signaler från mikrofoner som är placerade på någon decimeters avstånd från varandra. Fig. l visar tillämpning av metoden enligt uppfinningen i en mobiltelefon 10 försedd med två mikrofoner, ll och 12 som första och andra signalkällor. Transporten av ljud i rummet kan beskrivas med ett fåtal parametrar, men kunskap om vilka de är saknas i regel. För att inte införa några begränsningar på varifrån signalerna kommer krävs då filter med upp till 20 koefficienter var.

Införandet av regularisering i kriteriet medför att algoritmen blir praktiskt användbar.

I följande ges en Översikt över några möjliga användningsområden för signalseparation med regularisering. Användning för metoden finns när det finns två eller fler signaler som är blandade på ett okänt sätt och man önskar att filtrera ut en eller flera av dessa. Metoden kräver lika många sensorer (eller annorlunda uttryckt, lika många olika versioner av blandningma) som antalet signaler som ^ka l filtreras ut. Styrkan med införandet av regularisering är att känsligheten för överparametrisering minskar. 10 15 20 25 30 35 40 520 450 ó Signalseparation med regularisering lämpar sig väl för bmsundertryckning vid telefoni. En mottagare av signalema kommer utan någon brusreducerande metod att uppfatta brus och andra störningar i omgivningen till talaren som mycket störande.

Detta är speciellt fallet med mobiltelefoner som används i de mest varierande miljöer.

Dessutom är kodningsmetodema för dagen mobiltelefoner anpassade till mänskligt tal varför akustiska störningar kan bli än mer störande för mottagaren. Det är därför viktigt att uppnå en högre signal kvalitet innan överförandet till mottagaren. Ett krav för att metoden ska kunna fungera är att telefonen innehåller minst två mikrofoner.

Dessa skall monteras på ett sådant avstånd från varandra att signalerna från dem skiljer sig åt väsentligt. Samtidigt skapar ett långt avstånd mellan mikrofonerna ett behov av filter med många koeñicienter i modelleiingen av kanalen mellan mikrofonema. Detta styrker behovet av regularisering då införandet tillåter införandet av många filterkoeffcienter utan någon större degradering i prestanda.

Bärare av hörapparater har ofta problem med att alla ljud i omgivningen förstärks lika mycket. Flera personer som pratar samtidigt, musik, maskiner etc. skapar omgivningar där personen med hörapparat inte kan föra en normal konversation p.g.a. dålig uppfattbarhet av andras tal. Genom att montera fler än en mikrofon på hörapparaten och införa en signalseparations algoritm med regularisering så kan uppfattbarheten kraftigt förbättras.

Signalseparation används för att filtrera fram ECG ( Electrocardiogram) från foster beskrivet i en artikel av Zarzoso m.fl. (Bacharakis, A.K. Nandi and V. Zarzoso, "Foetal ECG Extraction using Blind Source Separation Methods", Procceedings of EUSlPCO'96). Vid ECG mätningar på foster får man även med modems ECG. Detta vill man filtrera bort genom att använda flera sensorer och en signalseparations algoritm. Zarzoso använde dock bara kanal modeller utan fördröjningar vilket får anses otillräckligt vid hög samplingstakt och med sensorer väl spridda på modem.

Dessutom användes mest metoder baserade på högre ordningen statistik vilka till skillnad från metoder baserade på andra ordningen statistik kräver ett stort antal sampel (lång mättid) för att fungera väl. Införandet av regulariserat kriterium förbättrar sannolikt prestanda och ger dessutom en robustare algoritm.

Signalseparation med regularisering kan även användas inom de närliggande områdena EEG (Electroence-phalogram) och ENG ( Electroneurogram).

I en artikel av Sahlin (l-l. Sahlin and H. Broman, "Blind Separation of lmages", Proceedings of 30th Asilomar Conference on Signals, Systems, and Computers) föreslås användandet av signalseparation i bildbehandling. Metoden baserar sig på ett kriterium av kvadrerade korskorrelationer och tillgång till fler än en bild av blandningar. Metoden föreslås att användas inom exempelvis medicinsk bildbehandling (röntgen, ultraljud, magnetresonans, etc.) där avbildningar av inre organ och dylikt ofta störs av ovan- och underliggande strukturer. Signalseparations algoritmen skulle då ha till uppgift att estimera skillnadema mellan de registrerade 10 15 520 450 i' bilderna och utnyttja denna informations för att separera ut tydligare bilder av önskade strukturer. Skillnaderna mellan de registrerade bilderna kan exempelvis vara skärpan inlagd på olika nivåer, organens naturliga rörelser eller en mindre förflyttning av kameran. I de två senare fallen skulle troligtvis införandet av regularisering medföra en kraftig förbättring i prestanda då förflyttningar kan modelleras ett filter med enstaka koefficienter skilda från noll men med ett stort antal nollvärda koefficienter.

Vid modelleringen av dessa filter finns vanligen inte någon kunskap om vilka koefiicienter som skall estimeras och vilka som skall vara noll vilket ger ett kraftigt överparametriserat problem. införandet av ett regulariserat kriterium skulle då medföra bättre resultat.

Andra möjliga tillämpningar är hydrofonteknik, vibrations mätningar, radiokommunikation med bredbandiga signaler, eller närhelst det finns tillgång till två eller fler mätningar av okända blandningar av signaler.

Uppfinningen är självklart inte begränsad till de beskrivna utföringsexemplen.

Variationer och modifieringar inom ramen för närslutna patentkrav kan självklart förekomma.

Claims (7)

10 ..._ 'J l k) U| 520 450 I 8 PATENTKRAV

1. Metod för separation av åtminstone två signaler från en blandning av signaler, i vilken metod antalet olika blandningar är minst lika stort som antalet signaler som skall separeras, metoden innefattar* ett modifierat kriterium baserat på ett kriterium som skall minimeras för skattning av parametrar i en separationsstruktur och ett regulariserande tillägg, k ä n n e t e c k n a d d ä r a v, att tillägget innefattar en första vektor med de parametrar som skall estimeras, en andra vektor med eventuell information om de reella parametrarna och en viktmatris, och en produkt av en skillnad mellan sagda första och andra vektor, viktmatrisen och en konjugerad och transponerad skillnad mellan sagda första och andra vektor.

2. Metod för separation av åtminstone två signaler fràn en blandning av signaler, i vilken metod antalet olika blandningar är minst lika stort som antalet signaler som skall separeras, metoden innefattar ett modifierat kriterium baserat på ett kriterium som skall minimeras för skattning av parametrar i en separationsstruktur och ett regulariserande tillägg, k ä n n e t e c k n a d d ä r a v, att tillägget innefattar en första vektor med de parametrar som skall estimeras, en andra vektor med eventuell information om de reella parametrarna och en designvariabel, och en produkt av designvariabeln och ett belopp av' en skillnad Inellan sagda första och andra vektor. 10 15 IQ KJ: 520 450 <7

3. Metod enligt krav 1 eller 2, k ä n n e t e c k n a d d ä r a v, att den andra vektorn med eventuell information om de reella parametrarna bestäms med hjälp av fysikalisk modellering, såsom ljudutbredning i ett rum.

4. Kommunikationsanordning med åtminstone två mikrofoner (ll, 12), vilken anordning är anordnad för separation av åtminstone två signaler från en blandning av signaler, där antalet olika blandningar är minst lika stort som antalet signaler som skall separeras, anordningen är anordnad att innefatta ett modifierat kriterium baserat på ett kriterium som skall minimeras för skattning av parametrar i en separationsstruktur och ett regulariserande tillägg, k ä n n e t e c k n a d d ä r a v, att tillägget är anordnat att innefatta en första vektor med de parametrar som skall estimeras, en andra vektor med eventuell information om de reella parametrarna och en viktmatris, och en produkt av en skillnad mellan sagda första och andra vektor, viktmatrisen och en konjugerad och transponerad skillnad mellan sagda första och andra vektor.

5. Kommunikationsanordning enligt kravet 4, k ä n n e t e c k n a d d ä r a v, att den är en telefon (10) eller hörapparat.

6. Anordning med åtminstone två sensorer för medicinsk diagnosticering, såsom EKG, vilken anordning är anordnad för separation. av åtminstone två signaler' från. en blandning av signaler, där antalet olika blandningar är minst lika stort som antalet signaler som skall separeras, anordningen är anordnad att innefatta ett modifierat kriterium baserat på ett kriterium skattning av parametrar i en som skall minimeras för 20 520 450 /O separationsstruktur och ett regulariserande tillägg, k ä n n e t e c k n a d d ä r a v, att tillägget är anordnat att innefatta en första vektor med de parametrar som skall estimeras, en andra vektor med eventuell information om de reella parametrarna och en viktmatris, och en produkt av en skillnad mellan sagda första och andra vektor, viktmatrisen och en konjugerad och transponerad skillnad mellan sagda första och andra vektor.

7. Anordning vid bildbehandling för att ge tydligare bilder av önskade strukturer, vilken anordning är anordnad för separation av åtminstone två signaler från en blandning av signaler, där antalet olika blandningar är minst lika stort som antalet signaler som skall separeras, anordningen är anordnad att innefatta ett modifierat kriterium baserat pà ett kriterium som skall minimeras för skattning av parametrar i en separationsstruktur och ett regulariserande tillägg, k ä n n e t e c k n a d d ä r a v, att tillägget är anordnat att innefatta en första vektor med de parametrar som skall estimeras, en andra vektor med eventuell information om de reella parametrarna och en viktmatris, och en produkt av en skillnad mellan sagda första och andra vektor, viktmatrisen och en konjugerad och transponerad skillnad mellan sagda första och andra vektor.