chương 1, việc tiếp cận phương pháp trích đặc trưng MFCC cho phép tạo tiền đề thành công cho toàn bộ hệ thống vì phương pháp này đã chứng minh được hiệu năng của nó trong hau hết các ứng dụng cũng như nghiên cứu được khảo sát. Trước hết, lý thuyết về trích đặc trưng MFCC được thuyết mình. Sau đó câu hình MECC được khảo sát và quyết định trước khi thực thi chỉ tiết phan cung. Sơ đồ giải thuật: 14 Luận văn Thạc Sĩ GVHD: PGS.TS HOÀNG TRANG Audio Signal Vv v Pre-emphasis Logged energy Vv Frame- Blocking Vv Windowing Vv Mel Filter Vv Cepstral Ỳ Delta F s MFCC » Hình 1.2 Sơ dé khối thuật toán trích đặc trưng Mô hình lý thuyết như hình 1.2 cho thây các kiến trúc khối cơ bản của trích đặc trưng MFCC.
Lân lượt từng khôi chức năng được phân tích, xây dung phân cứng từ ly thuyết mô tả. 15 Luận văn Thạc Sĩ GVHD: PGS.TS HOÀNG TRANG 1. Pre-emphasis Tín hiệu sau khi được số hóa được lọc với bộ tiền lọc pre emphasis có đáp ứng xung hữu hạn bậc nhất. Bộ tiền lọc pre-emphasis được sử dụng để khuếch đại các tín hiệu ở các mức tần số cao.
Hàm truyền của bộ lọc được cho bởi phương trình (1.1), trong đó tham số a tiêu biểu từ 0. Trong miền thời gian, mối quan hệ giữa ngõ ra với ngõ vào được chỉ ra trong phương trình (1.2), với sj là điểm thứ i của tín hiệu tiếng nói khi chưa qua bộ lọc và sj là điểm thứ i của tín hiệu tiếng nói sau khi được pre- emphasis.2) Trong các hệ thông nhận dang tiếng nói bang phan mém thi a = 0.97, khi đó đáp ứng tân sô của bộ lọc được chỉ ra trong hình 2.2 và phô tín hiệu trước và sau bộ lọc được chỉ ra trong hình 2.3 Đáp ứng tần số được chuẩn hóa của bộ lọc pre-emphasis | 'Iowehe3 —. a = |Di x!| =inl x! œNH#£ kA, Fie Eat View Inet Took Window Pep OSM S R AAS PAO 120 100; —\ Preemphasized | a Amplitude = P—] | Amplitude =} 0 2000 #0 600D PWDU 1000 14017 100 — ñ Sample, n Hình 1.4 Phố của tín hiệu trước và sau khi qua khối pre-emphasis Vấn đề nảy sinh khi tiếp cận phần cứng là giá trị hệ số a là số thập phân. Việc sử dụng các giá tri gan đúng trong tiếp cận phan cứng có thé sẽ ảnh hưởng đến kết quả nhận dạng.
Việc thiết lập cứng giá trị a cũng là một trong những van dé cần quan tâm. Khung blocking l6 Luận văn Thạc Sĩ GVHD: PGS.TS HOÀNG TRANG Bởi vì tín hiệu tiếng nói là tín hiệu biến đổi chậm theo thời gian, trong một hệ thống nhận dạng tiếng nói thì tiếng nói được phân đoạn thành những khoảng thời gian ngăn được gọi là các khung. Để cho các thông số của khung ít thay đổi, thông thường có 50% chồng lấp giữa các khung kế cận nhau, như trong hình 1. Comiruous-Time gral and (Or Grete: Time ›imal Framepial Ý e ——= —*e---— ~—=—=—=~ Oe we 8 oe 6 rarne k h Frame? | + + fare 1 0 05+ = _—— = — ese — - “*rnp2trxi “< ~ — - : « ont = <= O05} ñ 15+ rep.0 OG oe 0 001 002 8a 004 1re(0 Hình 1.5 Tín hiệu âm thanh được chia thành các sub-khung (http:/Neader.su/~farg/lai/continuousspeech.
html) Trong các hệ thống nhận dạng tiếng nói bằng phần mềm, tiếng nói được chia thành những khung có chiều dài 20 ms với 10 ms chồng lap. Khi tiếng nói được lay mẫu với tần số 8 khz sẽ có 160 mẫu trong mỗi khung va có 80 mẫu được chồng lấp giữa 2 khung kế cận nhau. Tuy nhiên, chồng lấp 50% không phải luôn luôn được sử dụng, các giá tri 40%, 60% hay thậm chí là 70% cũng được xem là những giá tri chồng lập hiệu quả. Mặt khác, một số hệ thống không nhất thiết sử dụng 8 khz là tần số lây mẫu vi các nghiên cứu cho thay một số đặc trưng năm ở miền tần số cao hơn.
Windowing Một bộ lọc cửa số thường được ứng dụng để gia tăng tính liên tục giữa các khung kế cận nhau. Một trong các cửa sô được dùng phố biến nhất trong nhận dạng tiếng nói đó chính là cửa số Hamming được xác định bởi phương trình (1.3), trong đó L là chiều dài cửa số và nó băng với chiều dài của các khung.3) Tiếng nói sau khi được chia thành những khung có chiều dài với tỉ lệ chồng lập chồng lấp cho trước sẽ nhân với các hệ số của bộ lọc Hamming như trình bày bởi phương trình (1.4), trong đó ƒ#„L/LILI là khung được pre-emphasis thứ n, ham/(1) thay cho cửa số Hamming và wf, 0/0 Dla khung thứ n sau khi qua cửa số Hamming.4) Tuy nhién, khi cua s6 diém trén mét khung dữ liệu thay đôi, giá trị hệ số của bộ lọc cửa sô cũng sẽ thay đôi theo. Do đó, việc cứng nhac các giá tri hệ sô của bộ lọc cửa sô trong phân cứng đông nghĩa với việc cô định sô điêm trên một khung dữ liệu. 17 Luận văn Thạc Sĩ GVHD: PGS.TS HOÀNG TRANG 1.
Phân tích phố dùng FFT Biến đổi Fourier nhanh (FFT) được dùng để tính toán phổ của tín hiệu tiếng nói. Đó chính là sự thực thi phép biến đổi Fourier rời rạc (DFT) đạt hiệu suất cao với điều kiện ràng buộc là phố được đánh giá tại những tan số rời rac, những tan số này được nhân với ƒ⁄N (các tần số trực giao với nhau), trong đó f, là tần số lây mẫu, N là chiều dài của DFT. Thuật toán FFT chỉ yêu cầu khối lượng tính toán tỷ lệ N log N, trong khi đó DFT yêu cầu khối lượng tính toán tỷ lệ với N’. Độ phân giải tần số của DFT bị giới hạn bởi 2 yếu tố: chiều dài của tín hiệu và chiều dài của DFT.
Nếu tín hiệu được tao ra bởi việc cộng hai tín hiệu sin mà tần số của hai tín hiệu này rất gần với nhau, khi đó để phân biệt hai tân số này chúng ta phải quan sát tín hiệu với phân đoạn đủ dài. Đối với chiều dài của DFT, phổ tân số được tạo ra bởi N điểm DFT bao gồm N/2 điểm cách đều nhau phân bồ giữa 0 đến phân nửa tân số lây mẫu. Vì vậy để tách rời hai tần số có khoảng cách gần nhau thì khoảng cách giữa các điểm phải nhỏ hơn khoảng cách giữa hai đỉnh. Ví dụ khi các frame được cửa số hóa với chiều dai là 160 điểm, chiều dai DFT được thiết lập là 256 điểm để đạt được độ phân giải tan số tốt với khối lượng tính toán có thể chap nhận được khi thực thi phần cứng thực tế.
Sau khi biển đổi FFT 256 điểm, chỉ có biên độ của 128 điểm dau tiên được dùng cho bước tính toán tiếp theo bởi tính chất đối xứng của phép biến đổi FFT. Biến đổi FFT là một trong những bước chiếm nhiều thời gian cũng như tài nguyên của hệ thống. Do đó việc tiếp cận phan cứng FFT sẽ ảnh hưởng lớn đến toàn bộ kiến trúc trích đặc trưng MECC. Một số kiến trúc FFT mà tiếp cận phan cứng cũng được dé cập ở bảng 2.3 Khảo sát cấu hình FFT trong trích đặc trưng MFCC „ Thời gian Tác giả Cau hình Thử nghiệm trên Giải Thuật thực thi khôi FFT GIN-DER | 256 điểm Cánh bướm đơn WUII7I | Cos62 , ASIC (0.
104 á us Chin-Teng | 256 Lin [18] điểm Cơ số 16 ASIC (0.13u„m) 2 we A Kiêu đường ông | - 1024 điểm , Dongsuk : ASIC(65 nm) Kiêu đường ông | 6,7 us Cơ sô 4 Jeon [19] Lihong Jia | 128 điểm 2 we A [20] Cơ số 2/4/8 , (0.6m Kiêu đường gong l3 ông | 3 ps Atin Mukherjee | 8 điêm FPGA (Xilinx Virtx- | Cánh bướm don Cơ sô 2 | Jungmin 7 CẢ FPGA (Xilinx Virtex- | Cánh bướm đơn |033 ys (64 Park [22] | &4~ 8K điểm | 5) vị điểm) 18 Luận văn Thạc Sĩ GVHD: PGS.TS HOÀNG TRANG Cơ số 8 96. Umapathy , ASIC(90 nm) Kiêu đường ông | 40 ys [23] Cơ sô 2/4 Ediz Cetin | 256 điểm Cánh bướm đơn [24] Cơ số 2 ASIC (0. Bộ lọc tần số Mel Một băng bộ lọc số được dùng để mô hình các tầng ban đầu của phần chuyên đổi trong hệ thống thính giác con người với 2 lý do sau. Thứ nhất, vị trí của việc dịch chuyển cực đại dọc theo màng rung trong tai người để kích thích thì tỷ lệ với logarithm của tần số âm thanh.
Thứ hai, các tần số của âm thanh phức hợp bên trong một băng tần xác định của một vài tần số danh định không thể được nhận ra một cách riêng lẻ được. Hệ thống thính giác của con người không tuyến tính với tần số âm thanh nhận được, một thang đo Mel được dùng để ánh xạ tần số âm thanh nhận được sang thang đo tuyến tính. Thang tần số này được định nghĩa bởi phương trình (1.5) và được minh họa ở hình 2. Nó xap xỉ như thang tuyến tính trong khoảng từ 0 đến 1000Hz, xấp xỉ như thang logarithm bên ngoài tan số 1000Hz.
3000 + 2500 + 2000 SMceal 1500 1000 + 500 + ñ 1000 2000 3000 4000 5000 6000 7000 8000 3000 10000 Frequency Scale (Hz) Hình 1.6 Thang do Mel đối với tín hiệu âm tần (https://courses.edu/ece576/finalprojects/f2008/pae26_jsc59/pae26_jsc59) Mel(fnei) = 2595 logio (1 + 21) (1.5) Băng thông bộ lọc thang đo Mel thông thường trong nhận dạng tiếng nói bao gdm một số bộ loc bandpass hình tam giác được phân bố bên trong băng thông tín hiệu. Chúng phân bố cách đều nhau trên thang Mel và băng thông của chúng được thiết kế sao cho điểm 3db năm ở khoảng giữa hai bộ lọc kế cận nhau như hình 2. 19 Luận văn Thạc Sĩ GVHD: PGS.TS HOÀNG TRANG Mel Filters 9oO“a~œ©+=ñ)n lh 1 Magnitude Oo M oa =, = Oo oOo ñ 1000 2000 3000 4000 5000 6000 7000 8000 3000 Frequency (Hz) Hình 1.7 Bộ lọc tần số Mel (https://courses.edu/ece576/finalprojects/f2008/pae26_jsc59/pae26_jsc59) Số lượng bộ lọc là một trong những thông số ảnh hưởng đến sự chính xác của hệ thống nhận dạng tiếng nói. Đối với mỗi frame, ngo ra của bộ lọc là một vectơ hệ số công suất gồm 27 phan tử.
Hệ số công suất thứ k của frame thứ n được tính toán bởi phương trình (1.6), trong đó S„¡ là điểm phổ thứ j của frame thứ n, và fegj là chỉ hệ số thứ j của bộ lọc thứ k nà = Ly SnjFCuj, k= 1,2,.6) | Khi số lượng bộ lọc ít đi, các giá trị ở tan số cao hơn không được tính toán thông qua bộ lọc. Cô định bộ lọc hay có dinh các hệ số bộ lọc là vân dé quan trọng trong tiếp cận phần cứng vì việc thay đổi những thông số này ảnh hưởng nghiêm trọng đến việc hiệu năng hệ thống.