izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2023-3-61-66izmertech-1522Research ArticleАКУСТИЧЕСКИЕ ИЗМЕРЕНИЯACOUSTIC MEASUREMENTSГибридный метод спектрального анализа речевых сигналов на основе авторегрессионной модели и периодограммы ШустераHybrid method of speech signals spectral analysis based on the autoregressive model and Schuster periodogramhttps://orcid.org/0000-0003-3045-3337СавченкоВ. В.SavchenkoV. V.

Владимир Васильевич Савченко

Нижний Новгород

Vladimir V. Savchenko

Nizhniy Novgorod

vvsavchenko@yandex.ruНациональный исследовательский университет «Высшая школа экономики»РоссияNational Research University Higher School of EconomicsRussian Federation202314042023036166Copyright © ФГУП "ВНИИФТРИ", 20232023ФГУП "ВНИИФТРИ"ФГУП "ВНИИФТРИ"https://www.izmt.ru/jour/about/submissions#copyrightNoticehttps://www.izmt.ru/jour/article/view/1522

Рассмотрена задача измерения спектральной плотности мощности речевого сигнала в режиме скользящего окна наблюдений. Исследован параметрический подход к решению этой задачи с использованием авторегрессионной модели данных. Исследована проблема оптимизации порядка авторегрессионной модели в условиях малых выборок. Проблему предложено решать с применением гибридного метода спектрального анализа на основе последовательного перебора конечного числа альтернатив. Критерий оптимизации сформулирован в терминах обратной задачи: от речевого сигнала к голосовому источнику. В роли целевой функции использована масштабно-инвариантная мера спектрального расстояния, а в качестве опорного образца – периодограмма Шустера. Эффективность гибридного метода экспериментально оценена на базе авторского программного обеспечения. Показано, что при длительности окна наблюдений не более 10 мс применение гибридного метода более чем на 30 % повышает точность спектрального анализа по сравнению с общеизвестным методом Берга, порядок которого установлен согласно информационному критерию Акаике.

The task of measuring the power spectral density of a speech signal in the regime of a sliding observation window is considered. A parametric approach to solving this task using an autoregressive data model is studied. The problem of optimizing the order of an autoregressive model under conditions of small samples is studied. The problem is proposed to be solved using a hybrid method of spectral analysis based on sequential enumeration of a fi nite number of alternatives. The optimization criterion is formulated in terms of the inverse problem: from a speech signal to a voice source. It uses the scaleinvariant measure of the spectral distance as the objective function, and the Schuster periodogram as the reference sample. The effectiveness of the hybrid method has been experimentally evaluated on the basis of author's software. It is shown that with the duration of the observation window of no more than 10 ms, the use of the hybrid method increases the accuracy of spectral analysis by more than 30 % compared to the well-known Berg method, the order of which is established according to the Akaike information criterion.

акустические измеренияакустика речиречевой сигналавторегрессионная модельпроблема малых выборокаприорная неопределённостьадаптивный подходacoustic measurementsspeech acousticsspeech signalautoregressive modelsmall samplesa priori uncertaintyadaptive approachReferencesMarple S. L. Jr. Digital spectral analysis. 2-nd ed., Dover Publications, New York, 2019, 432 р.Marple S. L. Jr. Digital spectral analysis. 2-nd ed., Dover Publications, New York, 2019, 432 р.Rabiner L. R., Shafer R. W. Theory and Applications of Digital Speech Processing. Boston, Pearson, 2010, 1060 p.Rabiner L. R., Shafer R. W. Theory and Applications of Digital Speech Processing. Boston, Pearson, 2010, 1060 p.Савченко В. В. Совершенствование методики измерения показателя точности авторегрессионной модели речевого сигнала // Измерительная техника. 2022. № 10. С. 58–63. https://doi.org/10.32446/0368-1025it.2022-10-58-63Savchenko V. V. Sovershenstvovanie metodiki izmereniya pokazatelya tochnosti avtoregressionnoj modeli rechevogo signala. Izmeritel’naya tekhnika, 2022, no. 10, рр. 58–63. (In Russ.) https://doi.org/10.32446/0368-1025it.2022-10-58-63Савченко А. В., Савченко В. В. Адаптивный метод измерения частоты основного тона с использованием двухуровневой авторегрессионной модели речевого сигнала // Измерительная техника. 2022. № 6. С. 60–66. https://doi.org/10.32446/0368-1025it.2022-6-60-66Savchenko, A. V., Savchenko V. V. Measurement Techniques, 2022, vol. 65, no. 6, pp. 453–460. https://doi.org/10.1007/s11018-022-02104-6Savchenko V. V. Radioelectronics and Communications Systems, 2020, vol. 63, pp. 532–542. https://doi.org/10.3103/S0735272720100039Savchenko V. V. Radioelectronics and Communications Systems, 2020, vol. 63, pp. 532–542. https://doi.org/10.3103/S0735272720100039Ando Sh. The Journal of the Acoustical Society of America, 2019, vol. 146, 2846. https://doi.org/10.1121/1.5136873Ando Sh. The Journal of the Acoustical Society of America, 2019, vol. 146, 2846. https://doi.org/10.1121/1.5136873Gu Yu., Wei H. L. Information Sciences, 2018, vol. 451–452, pp. 195–209. https://doi.org/10.1016/j.ins.2018.04.007Gu Yu., Wei H. L. Information Sciences, 2018, vol. 451–452, pp. 195–209. https://doi.org/10.1016/j.ins.2018.04.007Liu Chu-An, Kuo Biing-Shen, Tsay Wen-Jen. Autoregressive Spectral Averaging Estimator. IEAS Working Paper, 2017, no. 17-A013, available at: https://www.econ.sinica.edu.tw/~econ/pdfPaper/17-A013.pdf (accessed: 02.02.2023).Liu Chu-An, Kuo Biing-Shen, Tsay Wen-Jen. Autoregressive Spectral Averaging Estimator. IEAS Working Paper, 2017, no. 17-A013, available at: https://www.econ.sinica.edu.tw/~econ/pdfPaper/17-A013.pdf (accessed: 02.02.2023).Кузнецов А. А. Структурно-частотный анализ ритмограмм больных людей // Измерительная техника. 2014. № 4. С. 46–51. https://doi.org/10.1007/s11018-014-0474-4Kuznetsov A. А. Measurement Techniques, 2014, vol. 57, no. 7, рр. 439–445. https://doi.org/10.1007/s11018-014-0474-4Савченко В. В., Савченко Л. В. Метод авторегрессионного моделирования речевого сигнала на основе его дискретного Фурьепреобразования и масштабно-инвариантной меры информационного рассогласования // Радиотехника и электроника. 2021. Т. 66. № 11. С. 1100–1108. https://doi.org/10.31857/S0033849421110085Savchenko V. V., Savchenko L. V. Journal of Communications Technology and Electronics, 2021, vol. 66, no. 11, pp. 1266–1274. https://doi.org/10.1134/s1064226921110085Mills T. C. Schuster, Beveridge and Periodogram Analysis. In: The Foundations of Modern Time Series Analysis. Macmillan, London. 2011, рp. 18–29. https://doi.org/10.1057/9780230305021_3Mills T. C. Schuster, Beveridge and Periodogram Analysis. In: The Foundations of Modern Time Series Analysis. Macmillan, London. 2011, рp. 18–29. https://doi.org/10.1057/9780230305021_3Kashin A. V., Kornev N. S., Makarichev N. A. et al. Instruments and Experimental Techniques, 2020, vol. 63, pp. 34–40. https://doi.org/10.1134/S0020441220010030Kashin A. V., Kornev N. S., Makarichev N. A. et al. Instruments and Experimental Techniques, 2020, vol. 63, pp. 34–40. https://doi.org/10.1134/S0020441220010030Savchenko V. V., Savchenko А. V. Radioelectronics and Communications Systems, 2019, vol. 62, no. 5, pp. 223–231. https://doi.org/10.3103/S0735272719050042Savchenko V. V., Savchenko А. V. Radioelectronics and Communications Systems, 2019, vol. 62, no. 5, pp. 223–231. https://doi.org/10.3103/S0735272719050042Ding J., Tarokh V., Yang Y. IEEE Transactions on Information Theory, 2018, vol. 64, no. 6, pp. 4024–4043. https://doi.org/10.1109/TIT.2017.2717599Ding J., Tarokh V., Yang Y. IEEE Transactions on Information Theory, 2018, vol. 64, no. 6, pp. 4024–4043. https://doi.org/10.1109/TIT.2017.2717599Boisbunon A., Can S., Fourdrinier D., Strawderman W., Wells M. T. International Statistical Review, 2014, vol. 82, no. 3, pp. 422–439 https://doi.org/10.1111/insr.12052Boisbunon A., Can S., Fourdrinier D., Strawderman W., Wells M. T. International Statistical Review, 2014, vol. 82, no. 3, pp. 422–439 https://doi.org/10.1111/insr.12052Savchenko V. V. Radioelectronics and Communications Systems, 2021, vol. 64, pp. 592–603. https://doi.org/10.3103/S0735272721110030Savchenko V. V. Radioelectronics and Communications Systems, 2021, vol. 64, pp. 592–603. https://doi.org/10.3103/S0735272721110030Tohyama M. Spectral envelope and source signature analysis. In: Acoustic Signals and Hearing. Academic Press, 2020, pp. 89–110. https://doi.org/10.1016/B978-0-12-816391-7.00013-9Tohyama M. Spectral envelope and source signature analysis. In: Acoustic Signals and Hearing. Academic Press, 2020, pp. 89–110. https://doi.org/10.1016/B978-0-12-816391-7.00013-9Радиоэлектронные системы. Основы построения и теория: Справочник / Под ред. Я. Д. Ширмана. М.: Радиотехника, 2007. 512 с.Radioelektronnye sistemy. Osnovy postroeniya i teoriya: Spravochnik, ed. Ya. D. Shirman. Moscow, Radiotekhnika Publ., 2007, 512 р. (In Russ.)Savchenko A. V., Savchenko V. V., Savchenko L. V. Optimization Letters, 2022, no. 16, pp. 2095–2113. https://doi.org/10.1007/s11590-021-01790-5Savchenko A. V., Savchenko V. V., Savchenko L. V. Optimization Letters, 2022, no. 16, pp. 2095–2113. https://doi.org/10.1007/s11590-021-01790-5Burg J. P. A New Analysis Technique for Time Series Data. In Modern Spectrum Analysis. IEEE Press, New York, 1978, 334 р.Burg J. P. A New Analysis Technique for Time Series Data. In Modern Spectrum Analysis. IEEE Press, New York, 1978, 334 р.Xiao D., Mo F., Zhang Ya., Zhao M., Ma L. Heliyon, 2018, vol. 4, no. 11, e00 948. https://doi.org/10.1016/j.heliyon.2018.e00948Xiao D., Mo F., Zhang Ya., Zhao M., Ma L. Heliyon, 2018, vol. 4, no. 11, e00 948. https://doi.org/10.1016/j.heliyon.2018.e00948Oppenheim A. V. Applications of Digital Signal Processing. Prentice-Hall, Englewood Cliffs, New Jersey, 1978, 510 р.Oppenheim A. V. Applications of Digital Signal Processing. Prentice-Hall, Englewood Cliffs, New Jersey, 1978, 510 р.

The authors declare that there are no conflicts of interest present.