Processamento Tempo-Freqüência de Sinais Auditivos

Apresentação em tema: "Processamento Tempo-Freqüência de Sinais Auditivos"— Transcrição da apresentação:

1 Processamento Tempo-Freqüência de Sinais Auditivos
Guido Stolfi PEE EPUSP Junho / 2003

2 Objetivos e Motivação Desenvolver dispositivo baseado em DSP para processamento de áudio em tempo real. Aplicação: auxilio a portadores de determinadas deficiências auditivas. Conceito básico: Percepção auditiva humana efetua análise do som através de bancos de filtros.

3 Estrutura do Ouvido Humano

4 Estrutura da Cóclea

5 Secção da Cóclea

6 Detalhe dos Órgãos de Corti

7 Atuação dos Órgãos de Corti

8 Seletividade das Fibras Auditivas

9 Processamento dos Estímulos Nervosos

10 Um Diagrama de Blocos da Audição
Canal auditivo Córtex Núcleos nervosos Membrana basilar Células de Corti E D

11 Seletividade do Ouvido: Bandas Críticas

12 Resposta Temporal das Bandas Críticas
5 ms/div

13 Curvas de Audibilidade para Audição Normal

14 Audição com Perdas Transmissivas
Solução clássica: Amplificação seletiva para compensar perdas

15 Audição com Perda de Limiar
Amplificação seletiva é prejudicial; é necessário processamento não-linear (controle automático de ganho)

16 Zonas Mortas na Cóclea Perda de compreensão da fala muito superior ao previsto pelo audiograma; amplificação não melhora compreensão

17 Implante Coclear Quando há dano nas células de Corti, mas sobrevivem terminações nervosas

18 Resumo do Presente Trabalho
Processamento tempo-freqüência de sinais de áudio (em Matlab®) Uso de janelas temporais superpostas e transformada discreta de cossenos Simulação de processos de perdas auditivas Simulação de processamentos destinados a combater perdas auditivas

19 Diagrama de Blocos do Processamento
Áudio Digitalizado Janelamento Temporal Superposto Transformada Discreta de Cossenos Coeficientes Mapeamento Áudio Digitalizado Janelamento Temporal Superposto Transformada Inversa Processamento Não-linear

20 Janelas Temporais Superpostas
256 amostras 128 (11.6 ms) amostras

21 Janela Temporal 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 64 128 192 256

22 Construção da Janela Temporal
Convolução de uma janela retangular de 128 amostras com uma janela Gaussiana Como a janela é aplicada 2 vezes em série, cada aplicação usa a raiz quadrada da convolução J = sqrt(conv(rectwin(128),gausswin(128,4.2)))

23 Transformada Discreta de Cossenos
Decimação 2:1 (128 coeficientes para 256 amostras) Cancelamento de produtos de “Aliasing” devido à janela Coeficientes com valores reais

24 Exemplo de Processamento
2 4 6 8 10 12 14 16 18 x 10 -1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 1 Voz.wav – amostras por segundo

25 Fragmento Sonoro Após Janelamento
100 200 300 400 500 600 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 Antes da DCT 0.8 0.6 0.4 Reconstruído 0.2 -0.2 -0.4 -0.6 -0.8 100 200 300 400 500 600

26 Reconstrução Perfeita do Som Original
Áudio Digitalizado Janelamento Temporal Superposto Transformada Discreta de Cossenos Coeficientes Áudio Digitalizado Janelamento Temporal Superposto Transformada Inversa

27 Processamento Não-linear
-1 -0.5 0.5 1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 Simulação de perda de limiar de sensibilidade da audição 2 4 6 8 10 12 14 16 18 x 10 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8

28 Processamento Não-linear: Compressão
-1 -0.5 0.5 1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 Compressão de amplitudes para compensar perda de limiar 2 4 6 8 10 12 14 16 18 x 10 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8

29 Exemplos de Mapeamento
1 Oitava Abaixo f(i) = (f(2i)+f(2i+1)) / 2 Translação de Freqüências f(i) = f(i-5), i=6..128

30 Exemplos de Mapeamento
Zonas Mortas f(10:20) = 0; f(35:128) = 0 1 2 3 4 5 6 7 8 9 x 10 100 200 300 400 500 600

31 Exemplos de Mapeamento
Zonas Mortas f(1:10) = 0; f(25:50) = 0 1 2 3 4 5 6 7 8 9 x 10 50 100 150 200

32 Exemplo de Mapeamento Concentração de Freqüências (simulando implante coclear com 13 eletrodos ativos) fa(4) = f(1); fa(6) = f(2)/2; fa(7) =sum(f(2:3)); fa(10)=sum(fa(4:5)); fa(14)=sum(f(6:7)); fa(20)=sum(f(8:11)); fa(40)=sum(f(11:14)); fa(43)=sum(f(15:20)); fa(48)=sum(f(21:29)); fa(53)=sum(f(30:43)); fa(57)=sum(f(44:59)); fa(59)=sum(f(60:82)); fa(61)=sum(f(83:120)); fa = conv(fa,a); 1 2 3 4 5 6 7 8 9 x 10 50 100 150 200 250 300