gammatoneFilterBank
Банк гамматоновых фильтров
Описание
gammatoneFilterBank разлагает сигнал путем прохождения его через банк гамматоновых фильтров, равномерно разнесенных по шкале ERB. Банки гамматоновых фильтров были разработаны для моделирования слуховой системы человека.
Для моделирования слуховой системы человека:
Создайте
gammatoneFilterBankОбъекту и установите его свойства.Вызывайте объект с аргументами, как будто это функция.
Дополнительные сведения о работе системных объектов см. в разделе «Что такое системные объекты?».
Создание
Синтаксис
Описание
gammaFiltBank = gammatoneFilterBank
gammaFiltBank = gammatoneFilterBank(range)Range свойство к range.
gammaFiltBank = gammatoneFilterBank(range,numFilts)NumFilters свойство к numFilts.
gammaFiltBank = gammatoneFilterBank(range,numFilts,fs)SampleRate свойство к fs.
gammaFiltBank = gammatoneFilterBank(___,Name,Value)
gammaFiltBank = gammatoneFilterBank([62.5,12e3],'SampleRate',24e3) создает банк гамматоновых фильтров, gammaFiltBank, с полосно-пропускающими фильтрами, расположенными между 62,5 Гц и 12 кГц. gammaFiltBank работает со скоростью дискретизации 24 кГц.Свойства
Использование
Синтаксис
Описание
Входные параметры
Выходные аргументы
Функции объекта
Чтобы использовать функцию объекта, задайте Системную object™ в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:
release(obj)
Примеры
Применить Gammatone Filterbank
Создайте группу гамматоновых фильтров по умолчанию для частоты дискретизации 16 кГц.
fs = 16e3;
gammaFiltBank = gammatoneFilterBank('SampleRate',fs)
gammaFiltBank =
gammatoneFilterBank with properties:
FrequencyRange: [50 8000]
NumFilters: 32
SampleRate: 16000
Использование fvtool визуализировать ответ банка фильтров.
fvtool(gammaFiltBank)
Обработайте белый Гауссов шум через банк фильтров. Используйте спектральный анализатор, чтобы просмотреть спектр выходов фильтра.
sa = dsp.SpectrumAnalyzer('SampleRate',16e3,... 'PlotAsTwoSidedSpectrum',false,... 'FrequencyScale','log',... 'SpectralAverages',100); for i = 1:5000 x = randn(256,1); y = gammaFiltBank(x); sa(y); end
Анализ и синтез
Этот пример иллюстрирует неоптимальный, но простой подход к анализу и синтезу с использованием gammatoneFilterBank.
Читайте в аудио файла и слушайте его содержимое.
[audioIn,fs] = audioread('Counting-16-44p1-mono-15secs.wav');
sound(audioIn,fs)Создайте gammatoneFilterBank по умолчанию. Частота по умолчанию для области значений фильтра составляет от 50 до 8000 Гц. Частоты за пределами этой области значений ослабляются в восстановленном сигнале.
gammaFiltBank = gammatoneFilterBank('SampleRate',fs)gammaFiltBank =
gammatoneFilterBank with properties:
FrequencyRange: [50 8000]
NumFilters: 32
SampleRate: 44100
Передайте аудиосигнал через банк гамматоновых фильтров. Выходные выходы - 32 канала, где количество каналов устанавливается NumFilters свойство gammatoneFilterBank.
audioOut = gammaFiltBank(audioIn); [N,numChannels] = size(audioOut)
N = 685056
numChannels = 32
Чтобы восстановить исходный сигнал, суммируйте каналы. Послушайте результат.
reconstructedSignal = sum(audioOut,2); sound(reconstructedSignal,fs)
Банк гамматоновых фильтров ввел различные групповые задержки для каналов выхода, что приводит к плохой реконструкции. Чтобы компенсировать задержку группы, удалите начальную задержку из отдельных каналов и обнулите концы каналов. Использование info чтобы получить задержки группы. Прослушайте групповую реконструкцию с компенсацией задержки.
infoStruct = info(gammaFiltBank); groupDelay = round(infoStruct.GroupDelays); % round for simplicity audioPadded = [audioOut;zeros(max(groupDelay),gammaFiltBank.NumFilters)]; for i = 1:gammaFiltBank.NumFilters audioOut(:,i) = audioPadded(groupDelay(i)+1:N+groupDelay(i),i); end reconstructedSignal = sum(audioOut,2); sound(reconstructedSignal,fs)
Создайте Гамматоновую спектрограмму
Прочтите аудиосигнал и преобразуйте его в моно для легкой визуализации.
[audio,fs] = audioread('WaveGuideLoopOne-24-96-stereo-10secs.aif');
audio = mean(audio,2);Создайте gammatoneFilterBank с 64 фильтрами, которые охватывают область значений от 62,5 до 20 000 Гц. Передайте аудиосигнал через банк фильтров.
gammaFiltBank = gammatoneFilterBank('SampleRate',fs, ... 'NumFilters',64, ... 'FrequencyRange',[62.5,20e3]); audioOut = gammaFiltBank(audio);
Вычислите энергию в диапазоне, используя окна 50 мс с перекрытием 25 мс. Использование dsp.AsyncBuffer разделить сигналы на перекрывающиеся окна и затем зарегистрировать значение RMS каждого окна для каждого канала.
samplesPerFrame = round(0.05*fs); samplesOverlap = round(0.025*fs); buff = dsp.AsyncBuffer(numel(audio)); write(buff,audioOut.^2); sink = dsp.AsyncBuffer(numel(audio)); while buff.NumUnreadSamples > 0 currentFrame = read(buff,samplesPerFrame,samplesOverlap); write(sink,mean(currentFrame,1)); end
Преобразуйте значения энергии в дБ. Постройте график энергетического диапазона с течением времени.
gammatoneSpec = read(sink); D = 20*log10(gammatoneSpec'); timeVector = ((samplesPerFrame-samplesOverlap)/fs)*(0:size(D,2)-1); cf = getCenterFrequencies(gammaFiltBank)./1e3; surf(timeVector,cf,D,'EdgeColor','none') axis([timeVector(1) timeVector(end) cf(1) cf(end)]) view([0 90]) caxis([-150,-60]) colorbar xlabel('Time (s)') ylabel('Frequency (kHz)')
Алгоритмы
Банк гамматоновых фильтров часто используется в качестве переднего конца симуляции улитки, которая преобразует сложные звуки в многоканальный шаблон активности, подобный тому, который наблюдается в слуховом нерве. [2] gammatoneFilterBank следует алгоритму, описанному в [1]. Алгоритм является реализацией идеи, предложенной в [2]. Проект группы гамматоновых фильтров может быть описана в двух частях: форме фильтра (гамматон) и шкале частоты. Эквивалентная прямоугольная шкала полосы пропускания (ERB) задает относительный интервал и полосу пропускания гамматоновых фильтров. Выведение шкалы ERB также обеспечивает оценку слухового ответа фильтра, который тесно напоминает гамматоновый фильтр.
Шкала частоты
Шкала ERB была определена с помощью метода маскировки с разрезом по шуму. Этот способ включает в себя тест прослушивания, в котором шум с надрезом центрируется на тоне. Настройка степени тонального сигнала и запись звукового порога (степень, необходимая для прослушивания тонального сигнала). Эксперимент повторяется для различных ширин вырезов и центральных частот.
Метод с надрезом шума предполагает, что звуковой порог соответствует постоянному отношению сигнал/маскирующий коэффициент на выходе теоретического слухового фильтра. То есть отношение степени тонального сигнала f c и затененной площади постоянно. Поэтому отношение между слышимым порогом и 2Δ f (ширина полосы пропускания) линейно связано с отношением между шумом, прошедшим через фильтр, и 2Δ f.
Производная функции, относящейся, в f, к шуму, прошедшему через фильтр, оценивает форму слухового фильтра. Потому что, f имеет обратную связь с степенью шума, прошедшей через фильтр, производная функции должна быть умножена на -1. Получившуюся форму слухового фильтра обычно аппроксимируют как стержневой фильтр.
Эквивалентная прямоугольная полоса пропускания слухового фильтра определяется как ширина прямоугольного фильтра, необходимая для прохождения той же степени, что и слуховой фильтр.
[4] задает ERB как функцию от центральной частоты для молодых прослушивателей с нормальным слухом и умеренным уровнем шума:
Шкала ERB (ERBs) является расширением связи между ERB и центральной частотой, полученной путем интегрирования взаимной функции ERB:
Чтобы спроектировать группу гамматоновых фильтров, [2] предлагает распределить центральные частоты фильтров пропорционально их полосе пропускания. Чтобы выполнить это, gammatoneFilterBank определяет центральные частоты как линейно разнесенные по шкале ERB, покрывая заданную частотную область значений желаемым количеством фильтров. Вы можете задать частотную область значений и желаемое количество фильтров, используя FrequencyRange и NumFilters свойства.
Ссылки
[1] Слейни, Малкольм. «Эффективная реализация банка аудиторных фильтров Паттерсона-Холдворта». Apple Computer Technical Report 35, 1993.
[2] Patterson, R.D., K. Robinson, J. Holdsworth, D. Mckeown, C. Zhang, and M. Allerhand. «Сложные звуки и слуховые изображения». Слуховая физиология и восприятие. 1992, стр 429–446.
[3] Aertsen, A. M. H. J., and P. I. M. Johannesma. Спектро-временные рецептивные поля слуховых нейронов в Грассфроге. Биологическая кибернетика. Том 38, Выпуск 4, 1980, стр. 223-234.
[4] Глазберг, Брайан Р. и Брайан Си Джей Мур. «Вывод фигур слухового фильтра из данных Notched-Noise». Исследование слуха. Том 47. Выдать 1-2, 1990, стр. 103 -138.