[論文レビュー] Improved Method for Individualization of Head-Related Transfer Functions on Horizontal Plane Using Reduced Number of Anthropometric Measurements

Wahidin Wahab Hugeng, Dadang Gunawan|arXiv (Cornell University)|May 27, 2010

Hearing Loss and RehabilitationNeuroscience参考文献 6被引用数 17

ひとこと要約

本論文は、8つの主要な身体計測測定値のみを用いて水平面上の頭部関連伝達関数（HRTF）の個別化を改善する手法を提案する。HRTFの大きさ応答を主成分分析（PCA）でモデル化し、PCAの重みとこれらの簡略化された測定値との間の多重線形回帰（MLR）を適用することで、最小限のユーザーデータで高精度なHRTFの個別化が可能となり、自然な空間音響の認識が実現される。

ABSTRACT

An important problem to be solved in modeling head-related impulse responses (HRIRs) is how to individualize HRIRs so that they are suitable for a listener. We modeled the entire magnitude head-related transfer functions (HRTFs), in frequency domain, for sound sources on horizontal plane of 37 subjects using principal components analysis (PCA). The individual magnitude HRTFs could be modeled adequately well by a linear combination of only ten orthonormal basis functions. The goal of this research was to establish multiple linear regression (MLR) between weights of basis functions obtained from PCA and fewer anthropometric measurements in order to individualize a given listener's HRTFs with his or her own anthropomety. We proposed here an improved individualization method based on MLR of weights of basis functions by utilizing 8 chosen out of 27 anthropometric measurements. Our objective experiments' results show a superior performance than that of our previous work on individualizing minimum phase HRIRs and also better than similar research. The proposed individualization method shows that the individualized magnitude HRTFs could approximated well the the original ones with small error. Moving sound employing the reconstructed HRIRs could be perceived as if it was moving around the horizontal plane.

研究の動機と目的

• 個々の聴取者に適したHRTFの個別化を図り、空間音響の認識を向上させること。
• HRTF再構築精度を損なわずに必要な身体計測測定値の数を削減すること。
• PCAに基づくHRTF基本関数の重みと簡素化された身体的測定値との間の回帰モデルを構築すること。
• 最小限の個人特異的データを用いて効率的かつ正確にHRTFを個別化すること。
• 従来の手法よりも優れた性能を示すことを検証すること。特に、低誤差で元のHRTFを再構築する能力について。

提案手法

• 水平面上のHRTF変動を表す10個の正規直交基底関数を抽出するために、37名の被験者のHRTFの大きさ応答に主成分分析（PCA）を適用した。
• 各被験者の個々のHRTF特性を表すために、これらの基底関数の重みを計算した。
• PCAの重みと27個の身体計測測定値との関係をモデル化するために多重線形回帰（MLR）を用いた。
• 冗長性を最小限に抑え、予測能を最大化するために、27個の測定値から8つの主要な身体計測測定値を選定した。
• 得られたMLRモデルにより、わずか8つの身体的測定値からのみ、個人に特化したHRTF重みを予測可能となり、個別化されたHRTF合成が可能になった。
• 移動音源の定位を評価するために、再構築されたHRTFを元のHRTFと比較し、誤差指標と被験者による聴取テストを実施した。

実験結果

リサーチクエスチョン

• RQ1 わずかに削減された身体計測測定値のみを用いて、HRTFを正確に個別化できるか？
• RQ2 提案手法のMLRベースの性能は、従来の個別化手法と比べてどのように異なるか？
• RQ3 選択された8つの身体計測測定値は、個人間のHRTF応答のばらつきをどの程度捉えられるか？
• RQ4 再構築されたHRTFは、水平面上での移動音源の自然な認識を可能にするか？
• RQ5 より多くの測定値を必要とする従来の手法と比較して、PCA-MLRフレームワークはより効率的かつ正確か？

主な発見

• 提案手法は、著者らの最小位相HRIRに関する以前の研究と比較して、HRTF個別化において優れた性能を示した。
• 再構築精度と知覚的品質の両面で、類似した既存研究を上回った。
• わずか8つの身体計測測定値を用いても、個別化されたHRTFは元のHRTFに極めて近似し、最小限の誤差で再現された。
• 被験者たちは、再構築されたHRIRを使用することで、音源が頭の周りを回転しているように感じた。
• PCAに基づくモデルは、被験者全体のHRTF応答の変動を表すためにわずか10個の正規直交基底関数で十分であった。
• 選択された8つの測定値は、HRTF重みを高い忠実度で予測可能であり、データ収集の負担を軽減しながらも精度を損なわなかった。