In mobile communication, air conduction(AC) speech signal had been commonly used, but it was easily affected by ambient noise environment such as emergency, military action and rescue. To overcome the weakness of the AC speech signal, bone conduction(BC) speech signal have been used. The BC speech s...
In mobile communication, air conduction(AC) speech signal had been commonly used, but it was easily affected by ambient noise environment such as emergency, military action and rescue. To overcome the weakness of the AC speech signal, bone conduction(BC) speech signal have been used. The BC speech signal is transmitted through bone vibration, so it is affected less by the background noise. In this paper, we proposed noise cancellation algorithm of the BC speech signal using noise feature of decomposed bands. The proposed algorithm consist of three steps. First, the BC speech signal is divided into 17 bands using perceptual wavelet packet decomposition. Second, threshold is calculated by noise feature during short time of separated-band and compared to absolute average of the signal frame. Therefore, the speech and noise parts are detected. Last, the detected noise parts are removed and then, noise eliminated bands are re-synthesised. In order to confirm the efficiency of the proposed algorithm, we compared the proposed algorithm with conventional algorithm. And the proposed algorithm has better performance than the conventional algorithm.
In mobile communication, air conduction(AC) speech signal had been commonly used, but it was easily affected by ambient noise environment such as emergency, military action and rescue. To overcome the weakness of the AC speech signal, bone conduction(BC) speech signal have been used. The BC speech signal is transmitted through bone vibration, so it is affected less by the background noise. In this paper, we proposed noise cancellation algorithm of the BC speech signal using noise feature of decomposed bands. The proposed algorithm consist of three steps. First, the BC speech signal is divided into 17 bands using perceptual wavelet packet decomposition. Second, threshold is calculated by noise feature during short time of separated-band and compared to absolute average of the signal frame. Therefore, the speech and noise parts are detected. Last, the detected noise parts are removed and then, noise eliminated bands are re-synthesised. In order to confirm the efficiency of the proposed algorithm, we compared the proposed algorithm with conventional algorithm. And the proposed algorithm has better performance than the conventional algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서, 본 논문에서는 기존의 잡음 제거 방법에서 나타나는 단점을 보완하고 다양한 환경에서 잡음 제거가 가능하도록 밴드별 잡음 특징을 이용한 잡음 제거 알고리즘을 제안하였다.제안한 알고리즘에서는 음성 영역의 효과적인 해석이 가능한 인지적 웨이브렛 패킷 분해(PWPD, perceptualwaveletpacket decomposition)를 이용하여 신호를 여러 개의 주파수 밴드로 분리하였다.
이러한 골 전도 음성신호를 이용하여 외부 잡음을 제거하고 음성을 향상시키기위한 연구가 다양하게 진행되고 있으나 실시간 처리나 다양한 잡음 환경에서의 처리가 어렵고 신호의 왜곡과 잔존잡음이 발생하며 낮은 SNR환경에서의사용이 어렵다는 문제점이 있다. 본 논문에서는 이러한 문제점을 보완하고자 골전도 음성 신호의 밴드 별 잡음 특징을 이용하여 잡음을 제거하는 알고리즘을 제안하였다.제안한 알고리즘은 밴드별 잡음의 특징을 고려하기 위해 PWPD를 이용하여 신호를 여러 개의 주파수 밴드로 나눈 후, 밴드별로 짧은 구간 동안 잡음을 수집하고 그 특징을 이용하여 음성 구간과 잡음 구간을 효과적으로 분리하였다.
등의 문제점이 발생한다. 이러한 문제점을 개선하기 위하여 본 논문에서는 골전도 음성신호의 밴드별 잡음의 특징을 이용하여 음성과 잡음을 분리한 후 잡음을 제거하는 알고리즘을 제안하였다. 제안한알고리즘의 전체적인 흐름도는 Fig.
제안 방법
PWPD로 나누어진 골전도 음성신호의 잡음을 효과적으로 제거하기 위해 밴드별 잡음의 특징을 이용하여 음성과 잡음을 검출하는 구간 검출기를 설정하였다. 기존의 잡음 제거 알고리즘은 많은 연산량으로 인해 실시간 처리가 어렵고, 추정 잡음의 오류로 인해 뮤지컬 잡음, 잔존 잡음 및 음성 손실이 나타나며 낮은 SNR환경에 적용하기 어렵다는 문제점이 있었다.
공기 전도 신호는 음성의 녹음에 주로 사용되는 콘덴서 마이크로폰을 이용하고 골전도 음성신호는 진동이나 압력을 감지하는 압전 마이크로폰을 이용하여 측정하였다. 골전도 음성신호 측정 시, 음성뿐만 아니라 발성 시 인체에서 발생한 잡음이 동시에 측정되며 이러한 잡음은 큰 파형을 가지므로 음성신호를 정확하게 파악하는데 어려움이 있다.
공기 전도와 골전도 신호의 측정을 위한 실험은 콘덴서 마이크로폰(DOM-5242L-R, PUIAudioInc.) 과 압전 마이크(CM01-B, Measurement Specialties)를 이용하여 수행하였으며 Fig.7은 신호의 측정을 위한 블록선도를 보이고 있다. 군사 작전, 화재 현장이나 구조 현장과 유사한 환경을 조성하기 위해 NOISEX-92의 잡음신호 샘플 중 백색 잡음, 공장 소음 및 엔진 소음을 이용하였다.
제안한 알고리즘은 밴드별 잡음의 특징을 고려하기 위해 PWPD를 이용하여 신호를 여러 개의 주파수 밴드로 나눈 후, 밴드별로 짧은 구간 동안 잡음을 수집하고 그 특징을 이용하여 음성 구간과 잡음 구간을 효과적으로 분리하였다. 그 다음, 각 밴드에서 분리된 잡음과 잡음밴드를 제거한 후 재합성하여 잡음이 제거된 신호를 획득하였다. 제안한 알고리즘의 유효성을 확인하기 위하여 기존의 알고리즘과 SNR을 비교한 결과, 제안한 알고리즘이 기존의 알고리즘보다 향상된 성능을 보이는 것을 확인하였다.
먼저, 골전도 음성신호 측정 시 발생하는 동 잡음을 제거하기 위해 전처리 과정을 수행하였다.그 다음, 저주파 영역에서 세밀한 분해가 가능한 PWPD를이용하여 전처리된 신호를 주파수 영역에서 여러 개의 밴드로 나누었다. 나누어진 밴드별로 잡음의 변화량이 다르다는 점을 이용하여, 각 밴드에서 신호 시작 후 짧은 구간 동안 잡음의 특징을 획득하고, 이를 이용하여 각 밴드의 문턱 치를 설정하였다.
그 다음, 저주파 영역에서 세밀한 분해가 가능한 PWPD를이용하여 전처리된 신호를 주파수 영역에서 여러 개의 밴드로 나누었다. 나누어진 밴드별로 잡음의 변화량이 다르다는 점을 이용하여, 각 밴드에서 신호 시작 후 짧은 구간 동안 잡음의 특징을 획득하고, 이를 이용하여 각 밴드의 문턱 치를 설정하였다. 설정된 문턱 치를 이용하여 음성 구간인지 잡음 구간인지 판단하고 검출된 잡음 구간과 잡음 밴드는 제거한 후음성 구간만을 재합성하여 골전도 음성신호의 잡음 제거를 수행하였다.
제안한 알고리즘에서는 음성 영역의 효과적인 해석이 가능한 인지적 웨이브렛 패킷 분해(PWPD, perceptualwaveletpacket decomposition)를 이용하여 신호를 여러 개의 주파수 밴드로 분리하였다. 다양한 잡음 환경에 적응적인 잡음 제거를 위하여 각 밴드에서 짧은 구간 동안 획득한 잡음의 특징을 이용하여 문턱치를 설정하였고 문턱 치를 통해 검출된 잡음 구간과 밴드를 제거하고 음성 구간을 재합성하였다. 제안한 알고리즘의 유효성을 평가하기 위해 다양한 신호 대 잡음비(SNR, signal tonoiseratio)의 백색 잡음, 공장 잡음과 엔진 잡음 환경에서 실험을 진행하였으며, 기존의 잡음 제거 알고리즘인 MBSS와 비교하였다.
각 밴드 별로 동일한 과정을 거쳐서 잡음 구간과 잡음 밴드는 분리하여 제거하고 음성 구간만 남긴다. 다음으로, 음성 구간이 남아 있는 밴드를 재합성하여 잡음이 제거된 신호를 복원하였다.
1에서 보이고 있다. 먼저, 골전도 음성신호 측정 시 발생하는 동 잡음을 제거하기 위해 전처리 과정을 수행하였다.그 다음, 저주파 영역에서 세밀한 분해가 가능한 PWPD를이용하여 전처리된 신호를 주파수 영역에서 여러 개의 밴드로 나누었다.
영역에 존재한다[9].발생된 동잡음들과 전원잡음을 제거하기 위해 차단주파수 100Hz의 20차 버터워스(butterworth)고역통과필터를 사용하였다.Fig.
나누어진 밴드별로 잡음의 변화량이 다르다는 점을 이용하여, 각 밴드에서 신호 시작 후 짧은 구간 동안 잡음의 특징을 획득하고, 이를 이용하여 각 밴드의 문턱 치를 설정하였다. 설정된 문턱 치를 이용하여 음성 구간인지 잡음 구간인지 판단하고 검출된 잡음 구간과 잡음 밴드는 제거한 후음성 구간만을 재합성하여 골전도 음성신호의 잡음 제거를 수행하였다.
문턱치는 각 밴드의 잡음 크기에 적응하여 값이 변동되므로 효과적인 음성과 잡음 구간의 검출이 가능하다. 설정된문턱치를 이용한 음성 및 잡음 구간의 판단을 위하여각 밴드를 50% 오버랩 시킨 25ms의 해밍 윈도우를통해 구간을 나눈다. 해밍 윈도우로 나누어진 구간은 절대 평균을 구한 뒤 문턱치와 비교한다.
공기전도 신호의 측정을 위한 콘덴서 마이크로폰은 구강 앞에 위치시키고, 골전도 신호의 측정을 위한 압전 마이크로폰은 관자놀이에 위치시킨 후 헤어밴드를 이용하여 일정한 압력으로 고정시켰다. 실험을 위해 어음 청각검사 중 문장인지도검사 항목의 10문장을 선별하여 발성하였으며, 이때 마이크로폰으로 감지한 신호는 신호 발생 측정용 장치(PXIsystem, National Instrument) 와 Labview2010을 이용하여 획득한 후, MATLAB 2012a를 이용하여 신호처리를 진행하였다.
여기서, 는 m번째 밴드의 문턱치를 나타내며 획득한 잡음의 표준편차를 문턱치 설정에 사용하여 구간 내 잡음의 변화량을 반영하였다.문턱치는 각 밴드의 잡음 크기에 적응하여 값이 변동되므로 효과적인 음성과 잡음 구간의 검출이 가능하다.
골전도 음성신호는 전달 경로의 특성으로 인하여 음성이 주로 저주파 영역에 존재하며 외부 잡음에 의한 영향이 낮다. 이러한 골전도 음성신호의 주파수 밴드별 잡음의 특징을 활용하기 위하여 PWPD를 이용하여 신호를 여러 개의 밴드로 나누었다.PWPD는 음향 심리학 모델 (psychoacousticmodel)과 유사하도록 웨이블릿 패킷 분해(WPD, waveletpacketdecomposition)구조를 변형한 것으로 소음 환경에서 잡음의 사전 지식 없이도 필요한 음성 검출이 가능한 음향 심리학 모델을 반영함으로써 음성 영역의 효과적인 분석이 가능하다[11-12].
기존의 잡음 제거 알고리즘은 많은 연산량으로 인해 실시간 처리가 어렵고, 추정 잡음의 오류로 인해 뮤지컬 잡음, 잔존 잡음 및 음성 손실이 나타나며 낮은 SNR환경에 적용하기 어렵다는 문제점이 있었다. 이러한 문제점을 개선하기 위하여, 본 논문에서는 밴드 별로 신호 시작 후 짧은 구간 동안 잡음을 수집하여 각 밴드의 잡음 특징을 추출한 후 음성과 잡음 검출에 이용하였다. 잡음을 수집하는 시간은 청각신경 학적으로 무시할 수 있는 지연시간 수준인 25ms로 설정하여 실시간 처리에 무리가 가지 않도록 하고 신호가 시작된 후 짧은 시간 동안 수행되어 잡음만 수집되도록 하였다.
이러한 문제점을 개선하기 위하여, 본 논문에서는 밴드 별로 신호 시작 후 짧은 구간 동안 잡음을 수집하여 각 밴드의 잡음 특징을 추출한 후 음성과 잡음 검출에 이용하였다. 잡음을 수집하는 시간은 청각신경 학적으로 무시할 수 있는 지연시간 수준인 25ms로 설정하여 실시간 처리에 무리가 가지 않도록 하고 신호가 시작된 후 짧은 시간 동안 수행되어 잡음만 수집되도록 하였다. 골전도 음성신호는 저주파 영역에서 잡음의 변화량이 적게 나타나고 고주파 영역에서 변화량이 저주파 영역에 비해 증가하여 나타나는 특징이 있다.
8(a) 와 (b) 는 무잡음 환경에서 획득한 골전도 음성신호와 잡음이 섞인 골전도음성신호를 나타낸다. 제안한 알고리즘과 기존의 MBSS알고리즘을 잡음이 섞인 골전도 음성신호에 적용하였다.Fig.
알고리즘을 제안하였다.제안한 알고리즘에서는 음성 영역의 효과적인 해석이 가능한 인지적 웨이브렛 패킷 분해(PWPD, perceptualwaveletpacket decomposition)를 이용하여 신호를 여러 개의 주파수 밴드로 분리하였다. 다양한 잡음 환경에 적응적인 잡음 제거를 위하여 각 밴드에서 짧은 구간 동안 획득한 잡음의 특징을 이용하여 문턱치를 설정하였고 문턱 치를 통해 검출된 잡음 구간과 밴드를 제거하고 음성 구간을 재합성하였다.
본 논문에서는 이러한 문제점을 보완하고자 골전도 음성 신호의 밴드 별 잡음 특징을 이용하여 잡음을 제거하는 알고리즘을 제안하였다.제안한 알고리즘은 밴드별 잡음의 특징을 고려하기 위해 PWPD를 이용하여 신호를 여러 개의 주파수 밴드로 나눈 후, 밴드별로 짧은 구간 동안 잡음을 수집하고 그 특징을 이용하여 음성 구간과 잡음 구간을 효과적으로 분리하였다. 그 다음, 각 밴드에서 분리된 잡음과 잡음밴드를 제거한 후 재합성하여 잡음이 제거된 신호를 획득하였다.
음성 검출기는 절대 평균의 크기가 문턱치보다 크거나 같을 경우 1로, 작을 경우 0으로 만들어 음성과 잡음을 검출한다. 제안한 알고리즘은 하나의 문턱치로 모든 밴드의 구간 크기를 비교하는 것이 아니라 밴드 각각의 문턱 치를 이용해 구간 크기를 비교하므로 각 밴드의 잡음 환경에 따라 음성과 잡음 구간을 효과적으로 검출한다.
제안한 알고리즘의 성능 분석을 위한 실험 데이터로써 콘덴서 마이크로폰과 압전 마이크로폰을 이용하여 획득한 공기 전도와 골전도 음성신호를 사용하였으며, 군사 작전, 화재 현장이나 구조 현장에 대한 알고리즘의 성능을 확인하기 위하여 백색 잡음, 공장소음 및 엔진 소음에 대하여 0dB, -5dB그리고 -10dB 의 환경에서 실험하였다. 제안한 알고리즘의 성능을 평가하기 위해 기존의 알고리즘인 MBSS와 비교하였다.
대상 데이터
7은 신호의 측정을 위한 블록선도를 보이고 있다. 군사 작전, 화재 현장이나 구조 현장과 유사한 환경을 조성하기 위해 NOISEX-92의 잡음신호 샘플 중 백색 잡음, 공장 소음 및 엔진 소음을 이용하였다.잡음신호는 스피커 (GigaworksT20, Creative)를 통해 인가하였으며 실험 환경의 잡음 크기는 음압 측정기(Testo 815, Testo)를 이용하여 측정하였다.
군사 작전, 화재 현장이나 구조 현장과 유사한 환경을 조성하기 위해 NOISEX-92의 잡음신호 샘플 중 백색 잡음, 공장 소음 및 엔진 소음을 이용하였다.잡음신호는 스피커 (GigaworksT20, Creative)를 통해 인가하였으며 실험 환경의 잡음 크기는 음압 측정기(Testo 815, Testo)를 이용하여 측정하였다. 공기전도 신호의 측정을 위한 콘덴서 마이크로폰은 구강 앞에 위치시키고, 골전도 신호의 측정을 위한 압전 마이크로폰은 관자놀이에 위치시킨 후 헤어밴드를 이용하여 일정한 압력으로 고정시켰다.
데이터처리
골전도 음성신호는 저주파 영역에서 잡음의 변화량이 적게 나타나고 고주파 영역에서 변화량이 저주파 영역에 비해 증가하여 나타나는 특징이 있다. 이러한 주파수 밴드별 잡음의 변화량을 이용하기 위하여 표준편차를 사용하였으며 이를 통하여 각 밴드의 잡음 특징을 추출하였다.식 (1) 은 m번째 밴드에서 25ms 동안 수집한 잡음의 표준편차를 나타낸다.
환경에서 실험하였다. 제안한 알고리즘의 성능을 평가하기 위해 기존의 알고리즘인 MBSS와 비교하였다.Fig.
제안한 알고리즘의 유효성을 평가하기 위하여 잡음의 영향이나 수준을 알아보기 위한 지표인 SNR로써 다양한 잡음 환경에서 기존의 알고리즘인 MBSS 와 제안한 알고리즘의 결과를 비교하였다.Table 1은 골전도와 공기전도 음성신호에 MBSS와 제안한 알고리즘을 적용한 결과를 보이고 있다.
다양한 잡음 환경에 적응적인 잡음 제거를 위하여 각 밴드에서 짧은 구간 동안 획득한 잡음의 특징을 이용하여 문턱치를 설정하였고 문턱 치를 통해 검출된 잡음 구간과 밴드를 제거하고 음성 구간을 재합성하였다. 제안한 알고리즘의 유효성을 평가하기 위해 다양한 신호 대 잡음비(SNR, signal tonoiseratio)의 백색 잡음, 공장 잡음과 엔진 잡음 환경에서 실험을 진행하였으며, 기존의 잡음 제거 알고리즘인 MBSS와 비교하였다. 그 결과, 제안한 알고리즘이 기존의 알고리즘에 비하여 성능이 우수한 것을 확인할 수 있었다.
성능/효과
6(a)는 음성과 약한 잡음이 존재하는 것을 보이며 제안한 음성 검출기가 효과적으로 음성 구간을 검출하는 것을 확인할 수 있다. (b) 는 (a) 보다 강한 잡음이 주로 존재하는 것을 보이며 음성 검출기가 밴드의 환경에 따라 설정되어 음성이 검출되지 않는 것을 확인할 수 있다.
Fig.6(a)는 음성과 약한 잡음이 존재하는 것을 보이며 제안한 음성 검출기가 효과적으로 음성 구간을 검출하는 것을 확인할 수 있다. (b) 는 (a) 보다 강한 잡음이 주로 존재하는 것을 보이며 음성 검출기가 밴드의 환경에 따라 설정되어 음성이 검출되지 않는 것을 확인할 수 있다.
그리고 Fig. 8(d)는 제안한 알고리즘을 적용한 결과를 나타내며, 잔존 잡음이 효과적으로 제거되고 음성 구간의 손실이 최소화됨을 보인다.
는 PWPD를 이용하여 분해된 골전도 음성신호를 나타내고 있다. 골전도 음성신호는 저주파 영역에서 잡음의 영향을 적게 받으므로 저주파 영역의 밴드에서는 잡음의 변화량이 적게 나타나고 음성의 변화량은 크게 나타나는 것을 확인할 수 있다. 또한, 고주파 영역의 밴드에서는 잡음의 변화량이 저주파 영역의 밴드에 비해 증가하고, 음성이 거의 나타나지 않는 것을 알 수 있다.
제안한 알고리즘의 유효성을 평가하기 위해 다양한 신호 대 잡음비(SNR, signal tonoiseratio)의 백색 잡음, 공장 잡음과 엔진 잡음 환경에서 실험을 진행하였으며, 기존의 잡음 제거 알고리즘인 MBSS와 비교하였다. 그 결과, 제안한 알고리즘이 기존의 알고리즘에 비하여 성능이 우수한 것을 확인할 수 있었다.
MBSS의 경우, 신호 처리 후 발생하는 잔존 잡음의 영향으로 인하여 SNR이 크게 향상되지 않는 것을 확인할 수 있다. 그러나 제안한 알고리즘은 주파수 밴드 별 잡음의 특징을 이용하여 밴드의 환경에 따라잡음 뒤구간을 검출한 뒤 제거하므로, 제안한 알고리즘을 적용할 경우 MBSS를 적용했을 때보다 SNR이 향상되는 것을 확인할 수 있다. 또한, 제안한 알고리즘을 같은 음성신호인 공기전도 음성신호에 적용할 경우에도 MBSS 에 적용했을 때보다 SNR이 향상되는 것을 확인할 수 있다.
제안한 알고리즘의 유효성을 확인하기 위하여 기존의 알고리즘과 SNR을 비교한 결과, 제안한 알고리즘이 기존의 알고리즘보다 향상된 성능을 보이는 것을 확인하였다. 또한 제안한 알고리즘은 공기 전도 음성 신호에 적용하여도 개선된 결과를 보이지만, 골전도 음성신호의 잡음 특성을 고려하였으므로 골전도 음성신호에 적용할 경우 더욱 효과적이다. 따라서 제안한 알고리즘은 화재 현장이나 구조 현장 등 다양한 소음 환경에서 원활한 의사소통 및 명확하고 신속한 지시 전달에 사용 가능할 것으로 판단된다.
그러나 제안한 알고리즘은 주파수 밴드 별 잡음의 특징을 이용하여 밴드의 환경에 따라잡음 뒤구간을 검출한 뒤 제거하므로, 제안한 알고리즘을 적용할 경우 MBSS를 적용했을 때보다 SNR이 향상되는 것을 확인할 수 있다. 또한, 제안한 알고리즘을 같은 음성신호인 공기전도 음성신호에 적용할 경우에도 MBSS 에 적용했을 때보다 SNR이 향상되는 것을 확인할 수 있다. 그러나 공기 전도 음성신호는 잡음의 영향을 쉽게 받아 저주파 영역에서 잡음과 음성이 혼재되어 나타나므로 PWPD를 이용하여 저주파 영역을 세밀하게 분해한 후 제안한 알고리즘을 적용하여도 골전도 음성신호와 같은 효과를 내기 어렵다.
그 다음, 각 밴드에서 분리된 잡음과 잡음밴드를 제거한 후 재합성하여 잡음이 제거된 신호를 획득하였다. 제안한 알고리즘의 유효성을 확인하기 위하여 기존의 알고리즘과 SNR을 비교한 결과, 제안한 알고리즘이 기존의 알고리즘보다 향상된 성능을 보이는 것을 확인하였다. 또한 제안한 알고리즘은 공기 전도 음성 신호에 적용하여도 개선된 결과를 보이지만, 골전도 음성신호의 잡음 특성을 고려하였으므로 골전도 음성신호에 적용할 경우 더욱 효과적이다.
3(a)와 (b) 는 필터를 거친 공기 전도와 골전도 음성신호를 보이고 있다. 필터의 사용으로 인해 골전도 음성신호에 존재하던 저주파의 동 잡음은 제거되고 음성신호의 파형이 나타나는 것을 확인할 수 있다.
후속연구
그러나 공기 전도 음성신호는 잡음의 영향을 쉽게 받아 저주파 영역에서 잡음과 음성이 혼재되어 나타나므로 PWPD를 이용하여 저주파 영역을 세밀하게 분해한 후 제안한 알고리즘을 적용하여도 골전도 음성신호와 같은 효과를 내기 어렵다. 그러므로공기전도 음성신호의 음성 영역을 고려하여 PWPD 보다 더 넓은 주파수 범위를 세밀하게 분해한 후 제안한 알고리즘을 적용하거나 다양한 잡음 특징을 사용하여 혼재된 잡음을 제거할 경우 공기전도 신호에서도 개선된 성능을 보일 수 있을 것으로 판단된다.
또한 제안한 알고리즘은 공기 전도 음성 신호에 적용하여도 개선된 결과를 보이지만, 골전도 음성신호의 잡음 특성을 고려하였으므로 골전도 음성신호에 적용할 경우 더욱 효과적이다. 따라서 제안한 알고리즘은 화재 현장이나 구조 현장 등 다양한 소음 환경에서 원활한 의사소통 및 명확하고 신속한 지시 전달에 사용 가능할 것으로 판단된다.
참고문헌 (13)
T. Dekens and W. Verhelst, “Body Conducted Speech Enhancement by Equalization and Signal Fusion,” IEEE Transactions on Audio, Speech, and Language Processing, Vol. 21, No. 12, pp. 2481-2492, 2013.
H.S. Shin, H. Kang, and T. Fingscheidt, "Survey of Speech Enhancement Supported by a Bone Conduction Microphone," Proceeding of ITG Symposium Proceedings of Speech Communication, pp. 1-4, 2012.
M.S. Rahman, A. Saha, and T. Shimamura, "Low-Frequency Band Noise Suppression Using Bone Conducted Speech," Proceeding of IEEE Pacific Rim Conference on Communications, Computers and Signal Processing, pp. 520-525, 2011.
Y. Xiao, R. Xiao, B. Huang, and K. Hasegawa, "A Nonlinear Adaptive Noise Canceller for Speech Enhancement Using Volterra Filter," Proceeding of International Conference on Advanced Mechatronic Systems, pp. 204-208, 2014.
B. Huang, Y. Xiao, J. Sun, G. Wei, and H. Wei, "Speech Enhancement Based on FLANN Using Both Bone- and Air-conducted Measurements," Proceeding of Annual Summit and Conference on Asia-Pacific Signal and Information Processing Association, pp. 1-5, 2014.
M. Zhu, H. Ji, F. Luo, and W. Chen, "A Robust Speech Enhancement Scheme on the Basis of Bone-conductive Microphones," Proceeding of International Workshop on Signal Design and I ts Applications in Communications, pp. 23-27, 2007.
Z. Kong, Y. Liu, K. Liu, and M. Jiang, "An Improved Design for Speech Denoising," Proceeding of International Symposium on Communications and Information Techonologies, pp. 141-144, 2008.
S.D. Kamath and P.C. Loizou, "A Multi-band Spectral Subtraction Method for Enhancing Speech Corrupted by Colored Noise," Proceeding of IEEE International Conference on Acoustic, Speech, and Signal Processing, pp. 4164, 2002.
R. Campbell, B. Dodd, and D. Burnham, Hearing by Eye Ⅱ: Advances in the Psychology of Speechreading and Auditory-visual Speech, Psychology Press Ltd, Publishers, East Sussex, 1998.
H.W. Park, W.S. Lim, and M.J. Bae, “The Voice Quality Improvement by Bone Conduction Feedback Compensation in Mobile Phone,” The Journal of the Acoustical Society of Korea, Vol. 31, No. 6, pp. 359-366, 2012.
J. Kwak, Y. Lee, and S. Ahn, "Improved Speech Enhancement Using Multi-Band Power Subtraction and Perceptual Wavelet Packet Decomposition," Proceeding of Korean Institute of Communications and Information Sciences, pp. 171-174, 2005.
G.H. Lee, Y.J. Lee, and M.N. Kim, “Voice Activity Detection Algorithm Using Wavelet Band Entropy Ensemble Analysis in Car Noisy Environments,” Journal of Korea Multimedia Society, Vol. 16, No. 9, pp. 1105-1017, 2013.
Y. Lee, J. Kwak, and S. Ahn, “Improved Speech Enhancement Algorithm Employing Multi-Band Power Subtraction and Wavelet Packet Decomposition,” The Journal of Korean Institute of Communications and Information Sciences, Vol. 31, No. 6C, pp. 589-602, 2006.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.