[论文解读] 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 9

一句话总结

该论文提出了一种无需融合中心或节点位置、麦克风方向或源数量先验知识的无线声学传感器网络（WASNs）分布式多说话人语音活动检测（DM-VAD）方法。该方法采用一种源特定的节点聚类方法（LONAS）识别靠近各说话人的节点，应用两分量乘法非负独立成分分析（MNICA）进行源特定能量解混，再利用能量特征的K均值聚类实现VAD。在20个节点、7个源的混响房间挑战性场景中，该方法实现了超过85%的准确率，顺序处理模式下的性能损失极小。

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.

研究动机与目标

• 为解决无线声学传感器网络（WASNs）中缺乏分布式多说话人语音活动检测（DM-VAD）方法的问题，该问题对分布式语音增强至关重要。
• 实现无需融合中心、节点位置、麦克风阵列方向或活跃源数量先验知识的DM-VAD。
• 开发一种可扩展的去中心化解决方案，利用空间邻近性提升源能量解混与VAD准确率。
• 提出一种统一框架，通过自适应分布式特征值分解实现源数量估计与节点聚类。

提出的方法

• 提出一种分布式源特定节点聚类方法（LONAS），基于能量接近度定位每个活跃说话人附近的节点，实现局部化源特定处理。
• 提出一种分布式音频源数量估计方法（LAPPO），采用Lasso惩罚泊松广义线性模型，从全网能量统计中估计活跃源数量。
• 仅对聚类在每个源附近的节点应用两分量乘法非负独立成分分析（MNICA），提取源特定能量信号，提升解混性能。
• 通过从解混能量信号中提取特征，并应用K均值类聚类算法，实现每个源的语音活动检测。
• 该方法支持批处理与顺序处理两种模式，顺序处理中采用增长窗口与固定滑动窗口以处理流式数据。
• 所有组件均以去中心化方式实现，仅依赖本地通信与计算，确保可扩展性与鲁棒性。

实验结果

研究问题

• RQ1 能否在无线声学传感器网络（WASNs）中设计一种无需融合中心或网络拓扑先验知识的分布式多说话人语音活动检测（DM-VAD）方法？
• RQ2 当源数量未知且源数量增加时，性能下降，如何在去中心化环境下有效实现源特定能量信号的解混？
• RQ3 基于空间邻近性的去中心化节点聚类策略是否能相比集中式方法提升源能量解混性能？
• RQ4 在仅依赖本地处理且无集中协调的复杂多源、混响环境中，可实现的VAD准确率是多少？
• RQ5 顺序处理模式下的DM-VAD性能与批处理模式相比，在准确率与收敛速度方面有何差异？

主要发现

• 所提出的DM-VAD在20个节点、7个活跃源的模拟混响矩形房间最坏场景中，正确决策率（CD）超过85%。
• 该方法在顺序处理模式下仍保持高性能，与批处理模式相比最大性能损失仅为6%。
• 在顺序模式中采用增长窗口，系统在约300–500帧（每帧30 ms）语音数据后达到稳态性能。
• 与集中式MNICA相比，LONAS聚类方法显著提升了能量解混性能，尤其在高源数量场景中优势明显。
• 在批处理模式中，K-medoids聚类算法实现了最低的相等错误率（EER）0.04，表明VAD具有强可靠性。
• 该方法对加性白高斯噪声（σ² = 0.01）具有鲁棒性，在所有源上均保持高CD与低误报率。