[论文解读] 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 17

一句话总结

本文提出了一种仅使用八个关键人体测量参数的改进方法，用于在水平平面上对头相关传递函数（HRTF）进行个体化。通过将主成分分析（PCA）应用于HRTF幅度响应，并利用多元线性回归（MLR）将PCA权重与这些简化测量值关联，该方法仅需最少的用户数据即可实现高精度的HRTF个体化，从而实现自然的方位音频感知。

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.

研究动机与目标

• 解决为个体听者个性化HRTF以改善空间音频感知的挑战。
• 在不牺牲HRTF重建精度的前提下，减少所需的人体测量参数数量。
• 开发一种回归模型，将基于PCA的HRTF基函数权重与简化的物理测量值关联起来。
• 通过最少的听者特定数据，实现高效且精确的HRTF个体化。
• 验证该方法在重建原始HRTF时误差较低，优于先前方法。

提出的方法

• 对37名受试者的HRTF幅度响应应用主成分分析（PCA），以提取表示水平面上HRTF变化的十个正交基函数。
• 为每位受试者计算这些基函数的权重，以表征其个体HRTF特征。
• 使用多元线性回归（MLR）建立PCA权重与27个人体测量参数之间的关系模型。
• 通过特征选择从27个人体测量参数中选出八个关键参数，以最小化冗余并最大化预测能力。
• 所得MLR模型仅通过八个物理测量值即可预测个体HRTF权重，从而实现个性化HRTF合成。
• 通过误差度量和移动声源定位的主观听音测试，将重建的HRTF与原始HRTF进行比较以评估性能。

实验结果

研究问题

• RQ1 能否仅使用一组简化的人体测量参数，实现HRTF的精确个体化？
• RQ2 所提出的基于MLR的方法与以往个体化技术相比性能如何？
• RQ3 所选的八个身体测量参数在多大程度上捕捉了个体间HRTF响应的差异性？
• RQ4 重建的HRTF能否支持在水平平面上对移动声源的自然感知？
• RQ5 与使用更多测量参数的先前方法相比，PCA-MLR框架是否更具效率和准确性？

主要发现

• 与作者先前针对最小相位HRIR的研究相比，该方法在HRTF个体化方面表现出更优性能。
• 在重建精度和感知质量方面，该方法优于类似现有研究。
• 仅使用八个身体测量参数，个体化后的HRTF与原始HRTF高度接近，误差极小。
• 受试者在使用重建的HRIR时，感知到移动声源如同围绕头部旋转。
• 基于PCA的模型仅需十个正交基函数，即可表征所有受试者在幅度HRTF上的整体变化。
• 所选的八个测量参数足以高保真度地预测HRTF权重，显著减少了数据采集负担，且未牺牲精度。