[論文レビュー] Distributed Multi-Speaker Voice Activity Detection for Wireless Acoustic Sensor Networks

Mohamad Hasan Bahari, L. Khadidja Hamaidi+5 more|arXiv (Cornell University)|Mar 16, 2017

Speech and Audio Processing参考文献 41被引用数 9

ひとこと要約

本稿は、融合センターもノード位置・マイクロホンの向き・話者数の事前知識も不要な、無線音響センサネットワーク（WASNs）向けの分散型マルチスプーカー音声活動検出（DM-VAD）手法を提案する。ノードの話者固有クラスタリング手法（LONAS）を用いて話者周辺のノードを特定し、話者固有エネルギーの分離に2成分乗法的非負値独立成分分析（MNICA）を適用し、エネルギー特徴量に対するK-meansクラスタリングを用いてVADを実行する。20ノード・7話者・混响環境下の困難なシナリオにおいて85%以上の精度を達成し、順次処理モードでも性能低下が最小限に抑えられる。

ABSTRACT

A distributed multi-speaker voice activity detection (DM-VAD) method for wireless acoustic sensor networks (WASNs) is proposed. DM-VAD is required in many signal processing applications, e.g. distributed speech enhancement based on multi-channel Wiener filtering, but is non-existent up to date. The proposed method neither requires a fusion center nor prior knowledge about the node positions, microphone array orientations or the number of observed sources. It consists of two steps: (i) distributed source-specific energy signal unmixing (ii) energy signal based voice activity detection. Existing computationally efficient methods to extract source-specific energy signals from the mixed observations, e.g., multiplicative non-negative independent component analysis (MNICA) quickly loose performance with an increasing number of sources, and require a fusion center. To overcome these limitations, we introduce a distributed energy signal unmixing method based on a source-specific node clustering method to locate the nodes around each source. To determine the number of sources that are observed in the WASN, a source enumeration method that uses a Lasso penalized Poisson generalized linear model is developed. Each identified cluster estimates the energy signal of a single (dominant) source by applying a two-component MNICA. The VAD problem is transformed into a clustering task, by extracting features from the energy signals and applying K-means type clustering algorithms. All steps of the proposed method are evaluated using numerical experiments. A VAD accuracy of $> 85 \%$ is achieved for a challenging scenario where 20 nodes observe 7 sources in a simulated reverberant rectangular room.

研究の動機と目的

• 無線音響センサネットワーク（WASNs）における分散型マルチスプーカー音声活動検出（DM-VAD）手法の不足を解消すること。これは分散型音声強調に不可欠である。
• 融合センター、ノード位置、マイクロホンアレイの向き、アクティブな話者の数の事前知識を一切不要としないDM-VADの実現。
• 空間的近接性を活用してソースエネルギー分離とVAD精度を向上させる、スケーラブルで分散型のソリューションの開発。
• 適応的分散固有値分解を用いた、ソース数推定とノードクラスタリングの統合フレームワークの提供。

提案手法

• 話者固有のノードクラスタリング手法（LONAS）を提案し、エネルギーの近接性に基づいて各アクティブな話者周辺のノードを特定することで、局所的な話者固有処理を可能にする。
• ネットワーク全体のエネルギー統計からアクティブなソース数を推定するため、ラッソ罰則付きポアソン一般化線形モデルを用いた分散型音声源数推定手法（LAPPO）を提案。
• 各ソース周辺にクラスタリングされたノードに限定して、2成分乗法的非負値独立成分分析（MNICA）を適用し、話者固有エネルギー信号を抽出することで、分離性能を向上させる。
• 分離済みエネルギー信号から特徴量を抽出し、K-means型クラスタリングアルゴリズムを用いて各ソースごとの音声活動を検出することで、音声活動検出を実行する。
• バッチモードおよび順次処理モードの両方で動作可能であり、ストリーミングデータ処理には成長型ウィンドウと固定スライディングウィンドウを採用。
• すべてのモジュールを分散型に実装し、ローカル通信と計算のみに依存することで、スケーラビリティと耐障害性を確保。

実験結果

リサーチクエスチョン

• RQ1 融合センターもネットワークトポロジーの事前知識も不要な分散型マルチスプーカー音声活動検出（DM-VAD）手法をWASNs向けに設計可能か？
• RQ2 話者数が不明で、話者数が増加するにつれて性能が低下する状況下で、分散型に効果的に話者固有エネルギー信号を分離可能か？
• RQ3 空間的近接性に基づく分散型ノードクラスタリング戦略は、中央集権的手法と比較して、ソースエネルギー分離性能を向上させられるか？
• RQ4 ローカル処理のみで中央集権的連携なしに、多話者・混響環境下で達成可能なVAD精度はどの程度か？
• RQ5 順次処理モードにおけるDM-VADの性能は、バッチモードと比較して、精度および収束速度の面でどの程度差が生じるか？

主な発見

• 提案手法のDM-VADは、20ノード・7アクティブ話者を含むシミュレートされた混響のある長方形部屋環境下の最悪ケースにおいて、正しく判断する割合（CD）が85%以上を達成した。
• 順次処理モードでも高い性能を維持し、バッチモード処理と比較して最大で6%の性能低下にとどまった。
• 順次処理モードで成長型ウィンドウを用いた場合、30 msの音声フレーム約300～500フレームの経過後に定常状態の性能に到達した。
• LONASクラスタリング手法は、中央集権的MNICAと比較して、特に話者数が多い状況下でエネルギー分離性能を顕著に向上させた。
• バッチモード処理において、K-medoidsクラスタリングアルゴリズムが等誤差率（EER）0.04という最低水準を達成し、VADの信頼性が非常に高いことを示した。
• 加法的白色ガウスノイズ（σ² = 0.01）に対しても、全話者に対して高いCDと低い誤警報率を維持し、耐障害性を示した。