[論文レビュー] Estimation of Infants' Cry Fundamental Frequency using a Modified SIFT algorithm

Dror Lederman|arXiv (Cornell University)|Sep 14, 2010

Infant Health and Development参考文献 11被引用数 11

ひとこと要約

本稿では、従来のセプストラル法が失敗するハイパーフォネーテッド・クライにおいても、乳児の泣き声の基本周波数を正確に推定できるように改良されたシンプル逆フィルタリングトラッキング（SIFT）アルゴリズムを提案する。この手法は、フォネーテッド・クライでは3.75%、ハイパーフォネーテッド・クライでは6.15%の推定誤差を達成し、密に重なった高調波を解離する点でセプストラル法を上回る性能を示す。

ABSTRACT

This paper addresses the problem of infants' cry fundamental frequency estimation. The fundamental frequency is estimated using a modified simple inverse filtering tracking (SIFT) algorithm. The performance of the modified SIFT is studied using a real database of infants' cry. It is shown that the algorithm is capable of overcoming the problem of under-estimation and over-estimation of the cry fundamental frequency, with an estimation accuracy of 6.15% and 3.75%, for hyperphonated and phonated cry segments, respectively. Some typical examples of the fundamental frequency contour in typical cases of pathological and healthy cry signals are presented and discussed.

研究の動機と目的

• 乳児の泣き声における基本周波数推定の不正確さ、特に高調波成分が重複するハイパーフォネーテッド領域での課題に対処すること。
• 高周波数の泣き声において、励起関数と声帯路の寄与を分離できないセプストラルベースの手法の限界を克服すること。
• 非定常な泣き声信号における信頼性の高い基本周波数トラッキングおよび有声／無声区間分離を実現する、強固で効率的なアルゴリズムの開発。
• 実際の泣き声データベースを用いて、視覚的推定値と比較して性能を評価すること。

提案手法

• 信号を重複するハミング窓を用いた5〜25 msのフレームに分割し、準定常性を確保するとともに、1フレームに最低1つの基本周期が含まれるようにする。
• 最大のフォルマント数に対応するフィルタ次数を用いて、声門逆フィルタリングを実行する（通常、乳児の泣き声では3〜4フォルマント）。
• 基本周波数推定に、サブハーモニックおよび過大推定誤差を低減する改良型SIFTトラッキング手法を適用する。
• 一時的な誤差、特に病理的泣き声の急激に変化する波形において、後処理のスムージングアルゴリズムを適用して補正する。
• 性能評価には、時間領域における視覚的インスペクションを基準値として用い、推定値と実際の基本周波数との間の誤差率を計算する。
• 本手法は、健常乳児およびCri-du-chat症候群、水腫頭症、口蓋裂を有する乳児の実際の泣き声データを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 セプストラル法と比較して、改良型SIFTアルゴリズムは、特にハイパーフォネーテッド領域において乳児の泣き声の基本周波数推定精度を向上させることができるか？
• RQ2 本アルゴリズムは、高周波数の泣き声信号において一般的に見られる低周波数成分の誤推定および過大推定誤差を効果的に低減できるか？
• RQ3 病理的および健常乳児のフォネーテッドおよびハイパーフォネーテッド・クライ領域において、改良型SIFTの性能はどのように変動するか？
• RQ4 スムージングアルゴリズムは、急激に変化する基本周波数波形において、一時的な推定誤差をどの程度補正できるか？

主な発見

• 改良型SIFTアルゴリズムは、フォネーテッド・クライ領域（250–700 Hz）で3.75%の基本周波数推定誤差を達成し、高い精度を示した。
• ハイパーフォネーテッド・クライ領域（≥700 Hz）では誤差が6.15%にとどまり、この領域における高調波分離の困難さを考慮すれば妥当な水準であった。
• 本アルゴリズムは、高周波数の泣き声信号において一般的に見られるサブハーモニックおよび過大推定誤差を効果的に低減した。
• スムージングアルゴリズムは、急激に変化する周波数変動を示す病理的泣き声において、一時的な誤差を効果的に補正し、安定的かつ聴覚的に妥当な波形を生成した。
• 病理的ケース（Cri-du-chat症候群および水腫頭症）では、健常乳児と比較して平均的な基本周波数が有意に高い傾向を示し、既存の臨床的知見と整合的であった。
• 口蓋裂を有する乳児と健常乳児との間で、平均的な基本周波数に有意差は認められず、これまでも報告されている臨床的知見を支持する結果となった。