Efficient Implementation of Gammatone Filters Based on Warped Cosine Modulated Filter Bank

封面

如何引用文章

全文:

详细

The paper presents an effective implementation of a gammatone filter bank (GFB) based on a warped cosine modulated filter bank (WCMFB) using an all-pass transform. Examples of practical tasks in which a GFB is used are considered, and its main features and disadvantages are analyzed. A description of a uniform cosine-modulated filter bank is given, and the process of synthesis of a WCMFB using all-pass transform is shown. An optimization method for designing a WCMFB prototype filter to approximate the frequency characteristics of GFB has been developed. The method is based on a multiplicative model of the impulse response of the prototype filter using logistic sigmoid functions. The essence of the proposed method is to optimize the prototype filter in order to minimize the RMS error between the frequency response of the GFB and WCMFB for each channel. A software implementation in Python using the PyTorch library has been performed. Experimental studies of the proposed method have been carried out. The experimental results showed that the WCMFB can be used to approximate the frequency characteristics of the GFB, and the resulting frequency response has monotonic declines due to the use of logistic sigmoid functions. The resulting GFB frequency characteristics approximation error dependence on the number of sigmoids used in the prototype filter is analyzed. The analysis of the computational complexity of the WCMFB is performed, and it is shown how the number of addition and multiplication operations depends on the length of the impulse response of the prototype filter and the number of channels of the filter bank. It is concluded that the use of the WCMFB for the implementation of the GFB can significantly reduce the computational costs of implementing gammatone filters compared with direct implementation.

作者简介

M. Porhun

Belarusian State University of Informatics and Radioelectronics (BSUIR)

Email: porhun@bsuir.by
P. Brovky St. 6

M. Vashkevich

Belarusian State University of Informatics and Radioelectronics (BSUIR)

Email: vashkevich@bsuir.by
P. Brovky St. 6

参考

  1. Lass N.J., Donai J.J. Hearing science fundamentals. San Diego: Plural Publishing. 2021. 355 p.
  2. Herre J., Dick S. Psychoacoustic models for perceptual audio coding – A tutorial review // Applied Sciences. 2019. vol. 9. no. 14. doi: 10.3390/app9142854.
  3. Schilling A., Gerum R., Metzner C., Maier A., Krauss P. Intrinsic noise improves speech recognition in a computational model of the auditory pathway // Frontiers in Neuroscience. 2022. vol. 16. doi: 10.3389/fnins.2022.908330.
  4. Schadler M.R., Hulsmeier D., Warzybok A., Kollmeier B. Individual aided speech-recognition performance and predictions of benefit for listeners with impaired hearing employing FADE // Trends in Hearing. 2020. vol. 24. doi: 10.1177/2331216520938929.
  5. Luo Q. The improving effect of intelligent speech recognition System on english learning // Advances in Multimedia. 2022. doi: 10.1155/2022/2910859.
  6. Krobba A., Debyeche M., Selouani S. A. A novel hybrid feature method based on Caelen auditory model and gammatone filterbank for robust speaker recognition under noisy environment and speech coding distortion // Multimedia Tools and Applications. 2023. vol. 82. no. 11. pp. 16195–16212.
  7. Krobba A., Debyeche M., Selouani S. A. Mixture linear prediction Gammatone Cepstral features for robust speaker verification under transmission channel noise // Multimedia Tools and Applications. 2020. vol. 79. pp. 18679–18693.
  8. Jacome K.G.R., Grijalva F.L., Masiero B.S. Sound events localization and detection using bio-inspired gammatone filters and temporal convolutional neural networks // IEEE/ACM transactions on audio, speech, and language processing. 2023. vol. 31. pp. 2314–2324.
  9. Queiroz A., Coelho R. F0-based gammatone filtering for intelligibility gain of acoustic noisy signals // IEEE Signal Processing Letters. 2021. vol. 28. pp. 1225–1229.
  10. Irino T. Hearing Impairment Simulator Based on Auditory Excitation Pattern Playback: WHIS // IEEE Access. 2023. vol. 11. pp. 78419–78430.
  11. Kates J.M., Arehart K.H. The hearing-aid speech perception index (HASPI) version 2 // Speech Communication. 2021. vol. 131. pp. 35–46.
  12. Порхун М.И., Вашкевич М.И. Метод моделирования эффекта ухудшения частотного разрешения слуха у больных нейросенсорной тугоухостью // Информатика. 2021. Т. 18. № 3. С. 68–82. doi: 10.37661/1816-0301-2021-18-3-68-82.
  13. Islam R., Tarique M. Investigating the performance of gammatone filters and their applicability to design cochlear implant processing system // Designs. 2024. vol. 8. no. 1. doi: 10.3390/designs8010016.
  14. Mourgela A., Reiss J., Agus T.R. Investigation of a real-time hearing loss simulation for use in audio production // Audio Engineering Society Convention 149. 2020.
  15. Nagae M., Irino T., Nisimura R., Kawahara H., Patterson R.D. Hearing impairment simulator based on compressive gammachirp filter // Signal and Information Processing Association Annual Summit and Conference (APSIPA’2014). 2014. doi: 10.1109/APSIPA.2014.7041579.
  16. Вашкевич М.И., Азаров И.С. Сравнение частотно-временных преобразований: Фурье-анализ, вейвлеты и банки фильтров на основе фазового преобразования // Цифровая обработка сигналов. 2020. № 2. С. 13–26.
  17. Patterson R.D., Nimmo-Smith I., Holdsworth J., Rice P. An efficient auditory filterbank based on the gammatone function // Meeting of the IOC Speech Group on Auditory Modelling at RSRE. 1987. vol. 2. no. 7.
  18. Irino T., Patterson R.D. The gammachirp auditory filter and its application to speech perception // Acoustical Science and Technology. 2020. vol. 41. no. 1. pp. 99–107.
  19. Wang D., Brown G. Computational Auditory Scene Analysis: Principles, Algorithms, and Applications. New Jersey: Wiley-IEEE Press. 2008. 395 p.
  20. Feldbauer C., Kubin G., Kleijn W.B. Anthropomorphic Coding of Speech and Audio: A Model Inversion Approach // EURASIP Journal on Advances in Signal Processing. 2005. no. 9. pp. 1334–1349.
  21. Koilpillai R.D., Vaidyanathan P.P. Cosine-modulated FIR filter banks satisfying perfect reconstruction // IEEE Trans. on Signal Processing. 1992. vol. 4. no. 4. pp. 770–783.
  22. Вашкевич М.И., Петровский А.А. Неравнополосные банки фильтров для слуховых аппаратов: анализ алгоритмов, автоматизация проектирования // Автоматизация проектирования дискретных систем: материалы 7-й междунар. конф. (г. Минск, 16-17 ноября). 2010. C. 53–60.
  23. Порхун М.И., Вашкевич М.И. Моделирование частотной характеристики банка гамматон-фильтров при помощи неравнополосного косинусно-модулированного банка фильтров // Цифровая обработка сигналов и её применение: труды 24-й междунар. конф. (г. Москва, 30 марта – 1 апреля). 2022. Т. 1. C. 53–57.
  24. Kingma D.P., Ba J. Adam: A method for stochastic optimization // arXiv preprint. 2014. arXiv: 1412.6980. 15 p. URL: https://arxiv.org/pdf/1412.6980.pdf (дата обращения: 15.07.2024).
  25. Zeiler M.D. ADADELTA: An adaptive learning rate method // arXiv preprint. 2012. arXiv:1212.5701. 6 p. URL: https://arxiv.org/pdf/1212.5701 (дата обращения: 15.07.2024).
  26. Malcolm S. An Efficient Implementation of the Patterson-Holdsworth Auditory Filter Bank // Apple Computer Technical Report. 1993. vol. 35. no. 8. 42 p.

补充文件

附件文件
动作
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».