Како издвојити карактеристике из аудио сигнала за класификацију акустичне сцене?

Увод у класификацију акустичне сцене и обраду аудио сигнала

Класификација акустичне сцене има за циљ да класификује еколошки контекст аудио снимка, као што је идентификација да ли се ради о парку, улици или затвореном простору. Има апликације у различитим областима, укључујући надзор, аудио индексирање и проширену стварност. Успешна класификација се ослања на издвајање информативних карактеристика из аудио сигнала.

Обрада аудио сигнала је кључна компонента класификације акустичне сцене, која укључује манипулацију и анализу аудио сигнала како би се издвојиле релевантне информације. Ово може укључивати задатке као што су издвајање карактеристика, смањење шума и препознавање образаца.

Екстракција функција из аудио сигнала

Екстракција карактеристика из аудио сигнала укључује процес хватања битних информација из сирових улазних података. У контексту класификације акустичне сцене, ове информације се састоје од дискриминативних атрибута који могу ефикасно разликовати различите контексте животне средине. Ово је неопходно за изградњу робусних модела класификације.

1. Карактеристике временског домена

Карактеристике временског домена су изведене директно из репрезентације аудио сигнала у временском домену. Уобичајене карактеристике временског домена укључују:

• Средња квадратна енергија (РМС) Енергија: Израчуната као квадратни корен средње вредности квадрата вредности амплитуде у датом временском прозору, РМС енергија даје меру укупног нивоа сигнала.
• Стопа преласка нуле: Означава брзину којом сигнал мења поларитет, често у корелацији са шумом сигнала.
• Коефицијенти аутокорелације: описује сличност сигнала са одложеном верзијом самог себе, пружајући информације о периодичности и висини.

2. Карактеристике фреквенцијског домена

Карактеристике фреквенцијског домена се добијају након трансформације аудио сигнала у фреквенцијски домен коришћењем техника као што је Фуријеова трансформација. Уобичајене карактеристике фреквенцијског домена укључују:

• Цепстрални коефицијенти Мел-фреквенције (МФЦЦ): Користите нелинеарни размак фреквенција људског слушног система да бисте обезбедили репрезентацију спектралног омотача аудио сигнала.
• Спектрални Центроид: Представља центар масе спектра и пружа информације о