[論文レビュー] BRUDEX Database: Binaural Room Impulse Responses with Uniformly Distributed External Microphones

Daniel Fejgin, Wiebke Middelberg+1 more|arXiv (Cornell University)|Jun 14, 2023

Speech and Audio Processing被引用数 7

ひとこと要約

BRUDEXデータベースは、36個の均等に配置された外部マイクロホンと耳管内マイクロホンを備えた1,500件のバイナリュールルームインパulse応答（RIR）を提供しており、3つの混响条件（T60 ≈ 310、510、1300 ms）で構成されており、マルチマイクロホン信号処理の再現可能な評価を可能にしている。バイナリュールMVDRビームフォーミングへの応用において、一致するRIRを使用することで最大7 dBのBSNR向上を達成しており、既存の文献とよく一致している。

ABSTRACT

There is an emerging need for comparable data for multi-microphone processing, particularly in acoustic sensor networks. However, commonly available databases are often limited in the spatial diversity of the microphones or only allow for particular signal processing tasks. In this paper, we present a database of acoustic impulse responses and recordings for a binaural hearing aid setup, 36 spatially distributed microphones spanning a uniform grid of (5x5) m^2 and 12 source positions. This database can be used for a variety of signal processing tasks, such as (multi-microphone) noise reduction, source localization, and dereverberation, as the measurements were performed using the same setup for three different reverberation conditions (T_60\approx{310, 510, 1300} ms). The usability of the database is demonstrated for a noise reduction task using a minimum variance distortionless response beamformer based on relative transfer functions, exploiting the availability of spatially distributed microphones.

研究の動機と目的

• 再現可能な研究を可能にするために、空間的多様性と可変な音響条件を持つ、公開可能で比較可能なマルチマイクロホンRIRデータベースの不足に対処すること。
• ノイズ低減、エコー除去、音源定位などの多様な信号処理タスクに適した、測定済みのRIR、音声、ノイズ信号を含む包括的なデータセットを提供すること。
• 制御されたキャリブレーション済みの空間的・音響的パrameterを備えた実世界のインパulse応答を用いて、ビームフォーミングアルゴリズムのベンチマークを可能にすること。

提案手法

• 本データベースはオルデンブルク大学の可変混ぜ込み時間ラボで収録され、5×5グリッド上に配置された36個の外部マイクロホンと、6個の耳管内マイクロホンを備えたKEMARドールヘッドを用いた。
• 混ぜ込み時間はカーテンと吸音パネルにより制御され、T60はシュレーディンガーの逆積分法により測定され、直接音と早期・遅延反射エネルギーからDRRが算出された。
• 12の音源位置について、3つのT60条件（低：310 ms、中：510 ms、高：1300 ms）でRIRを測定し、マイクロホンおよびスピーカー位置の完全なキャリブレーションが行われた。
• 各条件について、女性・男性の音声と、バブル、カフェテリア、ホワイトノイズのノイズ信号の別々の録音が含まれており、音響シナリオのリアルなシミュレーションが可能である。
• 相対的伝達関数（RTF）ベクトルは、データベースのRIRから推定するか、音声存在確率に基づく手法（SC-E14、SC-E27、SC-E28）を用いて推定したバイナリュールMVDRビームフォーマーが実装された。
• 性能評価は、1秒の重複セグメント（85%重複）で計算されたブロードバンドバイナリュールSNR向上（ΔBSNR）を用い、初期化のための最初の1.5秒を除いて評価された。

実験結果

リサーチクエスチョン

• RQ1 可変混ぜ込み時間を持つマルチマイクロホン環境において、実世界のRIRから推定されたRTFベクトルを用いたバイナリュールMVDRビームフォーマーは、顕著なSNR向上を達成できるか？
• RQ2 実際のRIRを用いる場合とマイクロホン信号からの推定RTFを用いる場合とで、RTF推定手法（例：SCベース対mSNR）の性能はどのように比較できるか？
• RQ3 非一致RIR（例：アネコイックまたは低混ぜ込み時間）を用いた場合、高混ぜ込み時間環境下でのビームフォーマー性能にどの程度影響を与えるか？
• RQ4 BRUDEXデータベースは、異なる音響条件下でマルチマイクロホン信号処理アルゴリズムの再現可能な評価をどの程度サポートできるか？

主な発見

• 一致する混ぜ込み時間条件（中T60 ≈ 510 ms）のRIRを使用した場合、BSNR向上が最大約7 dBに達した。
• 低混ぜ込み時間条件（T60 ≈ 310 ms）のRIRを使用しても、約4 dBのBSNR向上が得られ、中程度の不一致に対しても頑健であることが示された。
• アネコイックRIR近似では僅か2 dBのBSNR向上にとどまり、早期・遅延反射をモデル化することが重要であることが強調された。
• SC法によるRTFベクトル推定（SC-E14、SC-E27、SC-E28）は、約4–5 dBのBSNR向上を達成し、盲推定の可能性を示した。
• mSNRベースのRTF推定手法は5.5 dBのBSNR向上を達成し、個々のSCベース推定をわずかに上回ったが、真のRIR性能には及ばなかった。
• 結果は先行研究と強く一致しており、BRUDEXデータベースがマルチマイクロホン信号処理の信頼できるベンチマークとして有効であることが検証された。