[논문 리뷰] 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)|2010. 05. 27.

Hearing Loss and RehabilitationNeuroscience참고 문헌 6인용 수 17

한 줄 요약

이 논문은 오직 여덟 개인 체형 측정값을 사용하여 수평 평면에서 머리관련 전달함수(HRTFs)의 개인화를 향상시킬 수 있는 방법을 제안한다. 주성분 분석(PCA)을 통해 HRTF 크기 응답을 모델링하고, 다중 선형 회귀(MLR)를 통해 PCA 가중치를 이러한 단순화된 측정값과 연결함으로써, 최소한의 사용자 데이터로도 정확한 HRTF 개인화를 달성하여 자연스러운 공간 음향 인식을 가능하게 한다.

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.

연구 동기 및 목표

• 개인청취자에 맞는 HRTF 개인화를 통해 공간 음향 인식을 향상시키는 데 도전하는 것.
• HRTF 복원 정확도를 희생시키지 않은 채 필요한 체형 측정값의 수를 줄이는 것.
• PCA 기반 HRTF 기저 함수 가중치와 단순화된 신체 측정값을 연결하는 회귀 모델을 개발하는 것.
• 최소한의 청취자 특화 데이터를 사용하여 효율적이고 정확한 HRTF 개인화를 가능하게 하는 것.
• 기존 방법들에 비해 원래 HRTF를 낮은 오차로 복원하는 데서 본 방법의 우수성을 검증하는 것.

제안 방법

• 37명의 피험자에 대한 수평 평면에서의 HRTF 크기 응답에 주성분 분석(PCA)을 적용하여 10개의 정규직교 기저 함수를 추출하여 HRTF 변동성을 표현함.
• 각 피험자에 대해 이러한 기저 함수의 가중치를 계산하여 개인의 HRTF 특성을 표현함.
• PCA 가중치와 27개의 체형 측정값 간의 관계를 모델링하기 위해 다중 선형 회귀(MLR)를 사용함.
• 중복을 최소화하고 예측 능력을 극대화하기 위해 특성 선택을 통해 27개의 측정값 중 핵심 8개를 선별함.
• 최종적으로 도출된 MLR 모델은 오직 여덟 개의 신체 측정값으로부터 개인의 HRTF 가중치를 예측하여 개인화된 HRTF 합성을 가능하게 함.
• 이동하는 음향 정위치 감지를 평가하기 위해 오차 지표와 주관적 听음 테스트를 통해 재구성된 HRTF를 원래 HRTF와 비교함.

실험 결과

연구 질문

• RQ1 최소한의 체형 측정값 세트만으로도 HRTF를 정확하게 개인화할 수 있는가?
• RQ2 제안된 MLR 기반 방법의 성능은 이전의 개인화 기법들과 비교해 어떻게 다른가?
• RQ3 선택된 여덟 체형 측정값이 개인 간 HRTF 응답의 변동성을 어느 정도 잘 반영하는가?
• RQ4 재구성된 HRTF는 수평 평면에서 움직이는 음향 소스의 자연스러운 인식을 지원할 수 있는가?
• RQ5 더 많은 측정값을 사용하는 이전 방법들에 비해 PCA-MLR 프레임워크는 더 효율적이고 정확한가?

주요 결과

• 제안된 방법은 이전의 최소단위 HRIR에 기반한 연구에 비해 HRTF 개인화 성능에서 뛰어난 성과를 거두었다.
• 재구성 정확도와 청취자 인지 품질 측면에서 유사한 기존 연구들보다 본 방법이 뛰어났다.
• 오직 여덟 개의 체형 측정값만으로도 원래 HRTF에 매우 가까운 근사치를 제공하여 최소한의 오차로 정확도를 확보함.
• 피험자들은 재구성된 HRIR을 사용할 때 움직이는 음향 소스가 머리 주위를 돌고 있는 것처럼 자연스럽게 인식함.
• PCA 기반 모델은 전체 피험자 간의 크기 HRTF 변동성을 표현하기 위해 오직 10개의 정규직교 기저 함수만을 필요로 함.
• 선택된 여덟 측정값은 HRTF 가중치를 고정밀도로 예측하는 데에 충분하여 데이터 수집 부담을 줄였지만 정확도를 훼손하지 않았다.