Kết hợp mô hình thừa số hóa ma trận không âm với các nhóm ràng buộc thưa để khai thác mô hình phổ tổng quát trong bài toán tách nguồn âm thanh đơn kênh

Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 54, 04 - 2018 83 KẾT HỢP MÔ HÌNH THỪA SỐ HÓA MA TRẬN KHÔNG ÂM VỚI CÁC NHÓM RÀNG BUỘC THƯA ĐỂ KHAI THÁC MÔ HÌNH PHỔ TỔNG QUÁT TRONG BÀI TOÁN TÁCH NGUỒN ÂM THANH ĐƠN KÊNH Dương Thị Hiền Thanh1,2, Nguyễn Công Phương1,3, Nguyễn Quốc Cường3* Tóm tắt: Bài báo tập trung giải quyết bài toán phân tách những âm thanh mong muốn từ tín hiệu thu âm đơn kênh gồm nhiều âm thanh khác nhau bị trộn lẫn trong điều kiện không có dữ liệu huấn luyện cho các âm thanh cần phân tách. Đây là vấn đề còn nhiều khó khăn thách thức trong lĩnh vực tách nguồn âm thanh (audio/acoustic source separation). Tiếp cận theo hướng sử dụng mô hình thừa số hóa ma trận không âm (Nonnegative Matrix Factorization - NMF) để xử lý thông tin phổ của tín hiệu, bài báo đề xuất giải pháp xây dựng và khai thác mô hình phổ tổng quát cho các tín hiệu nguồn cần tách. Đặc biệt, chúng tôi đề xuất kết hợp mô hình NMF với các nhóm ràng buộc thưa (group sparsity constraint) để hướng dẫn quá trình phân tách. Thí nghiệm được thực hiện cho hai trường hợp: phân tách tiếng nói và âm thanh nhiễu môi trường từ tín hiệu tiếng nói chứa nhiễu, phân tách giọng hát và âm thanh các loại nhạc cụ trong bài hát đã cho thấy hiệu quả của thuật toán đề xuất. Từ khóa: Tách nguồn âm thanh, NMF, Ràng buộc thưa, Mô hình phổ tổng quát. 1. MỞ ĐẦU Trong lĩnh vực xử lý tín hiệu, tách nguồn âm thanh là nhiệm vụ khôi phục những âm thanh mong muốn từ tín hiệu thu âm gồm nhiều âm thanh khác nhau bị trộn lẫn [1, 2]. Một ví dụ điển hình về tách nguồn âm thanh là trong “bữa tiệc cocktail”, nơi có nhiều người cùng nói chuyện, tiếng nhạc, các âm thanh khác và người nghe đang cố gắng theo dõi một trong các cuộc thảo luận. Trong tình huống đó, bộ não của con người cùng với khả năng thính giác bình thường có thể dễ dàng định vị và phân tách âm thanh mong muốn để nghe, hiểu và xử lý thông tin. Nhưng đối với học máy (machine learning) và xử lý tín hiệu số thì đó là một vấn đề vô cùng khó khăn. Các đánh giá khoa học uy tín những năm gần đây [2–5] cũng cho thấy các kỹ thuật tách nguồn âm thanh được tập trung nghiên cứu trên thế giới và có vai trò quan trọng trong nhiều ứng dụng thực tế như: phân tích và xử lí âm thanh trong an ninh quốc phòng, chăm sóc y tế, thiết bị hỗ trợ người khiếm thính; hỗ trợ giao tiếp qua mạng viễn thông (telephone, mobile phone), internet và hội nghị truyền hình (video/audio conferencing); hỗ trợ hệ thống nhận dạng tiếng nói tự động (Automatic Speech Recognition - ASR),... Có nhiều lớp thuật toán tách nguồn âm thanh đã được nghiên cứu, hầu hết các phương pháp đều biến đổi tín hiệu âm thanh từ miền thời gian (time domain) sang miền thời gian-tần số (time-frequency domain) qua phép biến đổi Fourier (Short Time Fourier Transform - STFT). Sau đó, các thông tin về phổ (spatial cues) và/hoặc các thông tin về không gian (spatial cues) được sử dụng cho quá trình xử lí và phân tách. Tín hiệu sau khi phân tách được biến đổi ngược lại miền thời gian qua phép biến đổi Fourier ngược (Inverse Short Time Fourier Transform - ISTFT). Đối với bài toán phân tách tín hiệu đơn kênh, không thể khai thác được các thông tin về không gian trong quá trình xử lý, một số nghiên cứu công bố gần đây đã phát triển các giải thuật học có giám sát (supervised) hay giải thuật học sâu (deep Kỹ thuật điều khiển & Điện tử D. T. H. Thanh, N. C. Phương, N. Q. Cường, “Kết hợp mô hình thừa số hóa đơn kênh.” 84 learning) [6, 7], sử dụng dữ liệu huấn luyện để học các đặc tính phổ của tín hiệu, sau đó dùng kết quả của bước học để hướng dẫn phân tách tín hiệu mong muốn. Trong trường hợp không có dữ liệu huấn luyện hoặc dữ liệu huấn luyện không đầy đủ, các công bố gần đây của Sun và Mysore [6] hay nhóm của El Badawy [8, 9] đã đề xuất giải pháp xây dựng mô hình phổ tổng quát cho tín hiệu nguồn cần tách, sau đó sử dụng mô hình thừa số hóa ma trận không âm (Nonnegative Matrix Factorization – NMF) [10] kết hợp với nhóm ràng buộc thưa để ước lượng các tín hiệu cần phân tách. Phát triển từ các kết quả nghiên cứu chúng tôi đã công bố gần đây [11, 12], trong bài báo này chúng tôi đề xuất thuật toán tách nguồn âm thanh đơn kênh trong điều kiện không có dữ liệu huấn luyện. Trong đó, chúng tôi thu thập và sử dụng một số mẫu âm thanh cùng loại với dữ liệu cần phân tách để huấn luyện mô hình phổ tổng quát cho tín hiệu, đồng thời sử dụng kết hợp mô hình NMF với hai loại ràng buộc thưa trong qúa trình phân tách. Chúng tôi thực hiện hai thí nghiệm là hai trường hợp khá điển hình trong các ứng dụng thực tế để đánh giá hiệu quả của thuật toán đề xuất, đồng thời khảo sát sự hội tụ của thuật toán và sự ảnh hưởng của từng loại ràng buộc thưa đối với chất lượng của tín hiệu tách. Với ý tưởng đó, chúng tôi trình bày thuật toán tách nguồn âm thanh sử dụng mô hình NMF cơ bản đã được công bố trong phần 2. Sau đó, mô tả thuật toán tách nguồn âm thanh đề xuất ở phần 3. Phần 4 trình bầy thí nghiệm và các kết quả đánh giá, so sánh, cuối cùng là phần kết luận. 2. THUẬT TOÁN TÁCH NGUỒN ÂM THANH ĐƠN KÊNH SỬ DỤNG MÔ HÌNH NMF Mục tiêu của bài toán là phân tách các tín hiệu âm thanh thành phần từ tín hiệu thu âm đơn kênh bị trộn lẫn bởi nhiều âm thanh khác nhau (gọi là “tín hiệu trộn”). Gọi ∈ ℂ× và ∈ ℂ × ( = 1, 2 , ) lần lượt là các ma trận phức biểu diễn tín hiệu trộn và các tín hiệu thành phần sau phép biến đổi STFT. là số bin tần số (frequency bins), là số khung thời gian (time frames), là số tín hiệu thành phần có trong tín hiệu trộn. Tín hiệu trộn là sự kết hợp của các âm thanh thành phần theo công thức (1). = , (1) Gọi = ||. là ma trận phổ của tín hiệu trộn, với ||. là ma trận có các phần tử là [] , mô hình NMF sẽ phân tách ma trận không âm ∈ ℝ× thành hai ma trận không âm và theo công thức: ≈ ∗ , (2) Trong đó: ∗ là phép nhân ma trận thông thường, ∈ ℝ× là ma trận đặc trưng phổ (spectral basis matrix) có các véc tơ cột là các đặc trưng phổ xuất hiện thường xuyên trong , ∈ ℝ× là ma trận kích hoạt (activation matrix) có các véc tơ hàng là thời gian xuất hiện các mẫu phổ trong , là số đặc trưng được tổng hợp. Trong các ứng dụng, thường được chọn sao cho đủ nhỏ và đảm bảo có thể trích chọn được những đặc trưng phổ hữu ích từ [13]. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 54, 04 - 2018 85 Để ước lượng các ma trận thành phần, và được khởi tạo với các giá trị không âm ngẫu nhiên và được cập nhật trong quá trình lặp sao cho hàm giá (3) thể hiện sự sai khác giữa và ∗ giảm dần đến điểm hội tụ. Trong từng bước lặp, và được cập nhật theo quy tắc cập nhật MU-rules [14] được mô tả trong công thức (4) và (5): (‖ ∗ ) = ∑ ∑ ∗ , (3) ← ⨀ (( ∗ ).()⨀) ( ∗ ).() , (4) ← ⨀ ( ∗ ).()⨀ ( ∗ ).() , (5) Trong đó, và lần lượt là chỉ số tần số và chỉ số khung thời gian, (‖) = − − 1 là độ đo Itakura-Saito-divergence được sử dụng phổ biến với dữ liệu âm thanh [14], ký hiệu là ma trận chuyển vị của ma trận , .() là lũy thừa n lần từng phẩn tử của , ⊙ là phép toán nhân từng phần tử của hai ma trận (element-wise Hadamard), phép chia trong công thức (4) và (5) cũng là phép chia theo từng phần tử của ma trận. Gọi , , lần lượt là ma trận đặc trưng phổ của các tín hiệu thành phần , , , . Chúng được ước lượng từ tập dữ liệu huấn luyện ở bước học, sau đó ghép lại thành ma trận đặc trưng phổ theo công thức (6). = [, , , ]. (6) Ở bước tách nguồn, NMF cố định ma trận và ước lượng bằng công thức cập nhật (5), gồm các thành phần , , là ma trận kích hoạt tương ứng của từng tín hiệu thành phần như công thức (7). = [ , , , ]. (7) Sau khi ước lượng ma trận , các tín hiệu thành phần được xác định bởi công thức Wiener filtering (8) và được biến đổi về miền thời gian qua phép biến đổi Fourier ngược. = ∗ ∗ ⨀, = 1, . . , . (8) Thuật toán tách nguồn âm thanh áp dụng mô hình NMF cơ bản nêu trên cho kết quả tương đối tốt khi có dữ liệu huấn luyện chính xác cho các tín hiệu cần tách. Tuy nhiên, khi không có dữ liệu huấn luyện thì chất lượng của các tín hiệu tách được là khá thấp. 3. THUẬT TOÁN ĐỀ XUẤT Trong tình huống không có dữ liệu huấn luyện mà bài báo đề cập tới, chúng tôi nhận định rằng sẽ dễ dàng thu thập được một số file âm thanh có ít nhiều đặc tính phổ giống tín hiệu nguồn cần phân tách. Ví dụ, để tách tiếng nói và âm thanh nhiễu môi trường từ tín hiệu thu âm, chúng tôi tìm kiếm và sử dụng một số file tiếng nói (gồm cả giọng nam và giọng nữ) và một số file âm thanh nhiễu môi trường như: tiếng ồn đường phố, tiếng gió, tiếng nước chảy, để làm tập mẫu huấn luyện. Từ đó, chúng tôi đề xuất thuật toán tách nguồn âm gồm hai pha huấn luyện và tách nguồn được mô tả trong hình 1. Cụ thể hơn, phần 3.1 sẽ mô tả cách xây dựng mô hình phổ tổng quát (Generic Spectral Source Model - GSSM) cho các tín hiệu cần 86 tách thưa đ pha 3.1. trưng ph th trưng ph thành ph thành ph đị cực tiểu h kích ho 3.2 các đ khác nhau tách ngu Xây d G ức ( Sau đó, m Mô nh . K Mô hình ph D. T. H. Thanh, trong pha hu ể ọi 9), v ạ ết hợp ặc tr ước l ổ ổ ần theo công th hình ần và t c ưng ph ồn ựng mô hình ph là s củ ới và ma tr cập nh óa hàm giá (3). ủa nên ượng các đặc tr . ố a t ( a tr ph , tín hi hai ổ các đ ấn luyện mẫ ừng m ) ậ ận ph ổ t = ật lo tổ ổ N. C. Phương, N. Q. Cư Hình u hu = n kích ho ổng quát 1 ma tr ệu ại ng quát trong mô hình GSSM ặc tr ấ ẫu đư ( ổ ứ . . ràng bu . 1. n luy ) () tổng quát c (1 = ận kích ho Ma tr theo ưng c Ph ưng ph Sơ đ ổ t ợc ư . là ma tr ạ min , 0 cho các tín hi theo = = ần 3. ồ t ổng quát cho các ngu ện t củ ( ). ( công th công th [ [ ộc thưa sẽ có kích th ủa tín hiệu c hu thu th ớc lư a m ) ) , ận , 2 đ ổ của tín hiệu dựa tr ật toán ậ ẫ , ạt ứ , ờng ề xuất công thức kết hợp ập đư ợng b n ph u th củ ( ức (1 trong t cũng c (1 , , và , ổ ứ ( a tín hi ) ệ 2 ] mô hình NMF ư đư ần tách “K tác ợc ằng cách t , , ) , u ngu 1). gồ ). ], . ớc lớn khi số mẫu ợc trích chọn từ nhiều mẫu huấn luyện ết hợp mô h ngu cho tín hi ( 1 ≤ ( ệu Ở ừng b m ) và ) ∗ ồn c pha thư ồn âm ồn c ố ≤ ( đư = ầ ước lặp thành ph ờng chỉ c K hình th ầ ệ i ưu hóa hàm ( ) ợ 1. n tách tách ngu ỹ thuật điều khiển & Điện tử ên mô hình đ n tách u ) lầ . , c xác đ . trong bư ừa số hóa đ ề xu ngu n lư . theo công th ần hai ấ ồn ợ ịnh đư ồn huấn luyện hiếm lo t. t là ma tr ợ , thu là ớc tách ngu ại GSSM , ma tr từ c ghép t ậ các một phần ràng bu theo công các ma tr t toán s ức (5) để ơn kênh. ậ ậ ma tr tăng. trong n đ n đ (1 ừ các ẽ (1 (1 ồ nh ” ộc ặc ặc (9) ận 0) cố ận 1) 2) n Vì ỏ Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 54, 04 - 2018 87 trong GSSM. Hơn nữa, các đặc trưng quan trọng đó lại có thể nằm rải rác trong các mẫu khác nhau chứ không tập trung ở một vài mẫu cụ thể [13, 15]. Để tìm ra những tập con của chứa đặc trưng phổ của tín hiệu cần tách, một số nghiên cứu trước đây đã đề xuất kết hợp nhóm ràng buộc thưa (sparsity constraint) trong quá trình ước lượng ma trận với hàm giá như sau: min ∗ + λΩ(). (13) Ω() thể hiện sự ảnh hưởng của ràng buộc thưa, được gọi là hàm penalty [11] với là một hằng số dương xác định mức độ ảnh hưởng. Có hai hàm penalty đã được công bố là block sparsity [6] và component sparsity [8, 9] lần lượt theo công thức (14) và (15) với là hằng số dương đủ nhỏ. Ω = log ( + () ) , (14) Ω = log ( + ‖‖) . (15) Trong đó, () là ma trận kích hoạt của block thứ , mỗi block tương ứng với một mẫu huấn luyện và = ∑ là tổng số mẫu huấn luyện được dùng, ‖. ‖ là l1-norm của ma trận hay véc tơ tương ứng. Hàm Ω sẽ kích hoạt những block trong ma trận chứa đặc trưng phổ tương tự với tín hiệu nguồn cần tách, các block còn lại sẽ hội tụ về giá trị 0 [6]. Hàm Ω với là véc tơ thứ của ma trận sẽ kích hoạt những véc tơ trong chứa đặc trưng phổ giống đặc trưng phổ của tín hiệu nguồn cần tách [8]. Nhận thấy block sparsity tác động lên từng “block” của GSSM, tức là sẽ loại bỏ hoặc giữ lại toàn bộ các đặc trưng phổ của một mẫu huấn luyện nào đó. Như vậy, ràng buộc thưa này sẽ có thể bỏ qua những mẫu có ít đặc tính tương đồng với tín hiệu cần tách, hoặc cũng có thể giữ lại toàn bộ mẫu đó tùy theo độ lớn nhỏ của tham số λ trong công thức (13). Trong khi đó, component sparsity lại xem xét từng véc tơ trong mô hình GSSM nên có ưu thế hơn block sparsity trong việc trích chọn được những đặc trưng giá trị từ những mẫu ít tương đồng với nguồn cần tách. Tuy nhiên, điều đó cũng làm cho việc loại bỏ các thành phần không tương đồng với đặc trưng của nguồn cần tách diễn ra khá chậm, dẫn đến tốc độ hội tụ của thuật toán chậm khi có kích thước lớn. Từ những phân tích trên, chúng tôi đã đề xuất sử dụng kết hợp hai loại ràng buộc thưa để có thể loại bỏ nhanh những block không giá trị, đồng thời vẫn đảm bảo giữ lại được những đặc trưng quan trọng trong mô hình GSSM theo công thức sau [11, 12]: Ω = ∑ log ( + () ) + (1 − ) ∑ log ( + 1), (16) Với là trọng số thể hiện sự đóng góp của mỗi loại ràng buộc thưa (0 ≤ ≤ 1). Công thức (16) chính là sự tổng quát hóa của (14) và (15): (16) sẽ hoạt động như một block sparsity khi = 1 và là component sparsity khi = 0. Với 0 < < 1, trong quá trình cập nhật, một số block sẽ hội tụ về 0 do ảnh hưởng của thành phần block sparsity, với những block còn lại, một số véc tơ cũng hội tụ về 0 do ảnh hưởng của thành phần component sparsity. Như vậy, sau quá trình cập nhật, Kỹ thuật điều khiển & Điện tử D. T. H. Thanh, N. C. Phương, N. Q. Cường, “Kết hợp mô hình thừa số hóa đơn kênh.” 88 những thành phần khác 0 còn lại sẽ kích hoạt những đặc trưng phổ phù hợp với tín hiệu nguồn cần tách. Algorithm 1 NMF – Proposed Require: , , , Ensure: Khởi tạo với các giá trị không âm ngẫu nhiên. = ∗ Repeat //Tính toán thành phần block sparsity For = 1, , do () ← () End for = () , , () //Tính toán thành phần component sparsity For = 1, , do ← ‖‖ End for = [ , , ] //Cập nhật ← ⨀( ∗(.⨀ ) ∗.(()) ). //Cập nhật ← ∗ Until Thỏa mãn điều kiện hội tụ Thuật toán đề xuất được mô tả chi tiết trong Algorithm 1, trong đó, () là ma trận có cùng kích thước với (), là véc tơ có cùng kích thước với với . 4. THÍ NGHIỆM Để đánh giá hiệu quả của thuật toán đề xuất, chúng tôi đã thực hiện hai thí nghiệm như sau:  Thí nghiệm 1: Phân tách tiếng nói (speech) và âm thanh nhiễu môi trường (noise) từ file thu âm tiếng nói chứa nhiễu.  Thí nghiệm 2: Phân tách giọng hát (vocals) và âm thanh các nhạc cụ (music) từ file bài hát đã được thu âm. 4.1. Dữ liệu thí nghiệm và cách thiết lập các tham số Các thí nghiệm được thực hiện với dữ liệu chuẩn hóa được công bố tại các website uy tín thuộc lĩnh vực nghiên cứu. Ở mỗi thí nghiệm, dữ liệu được chia thành hai tập riêng biệt cho hai pha huấn luyện và thử nghiệm như sau:  Thí nghiệm 1 Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 54, 04 - 2018 89 Tập mẫu huấn luyện cho tín hiệu speech gồm 3 file tiếng nói không chứa nhiễu có kích thước 5 giây, 1 giọng nam và 2 giọng nữ1. Tập mẫu huấn luyện noise gồm 3 file có kích thước từ 10 đến 15 giây, là âm thanh của 3 loại nhiễu môi trường2: kitchen sound, bird song, metro. Chúng được dùng để xây dựng mô hình phổ tổng quát cho tín hiệu speech và noise. Tập dữ liệu test gồm 12 file đơn kênh là tín hiệu trộn của speech và noise với tỷ lệ tín hiệu trên nhiễu (Signal to Noise Ratio) SNR = 0 dB, các file có kích thước từ 5 đến 10 giây. Tập test chứa nhiều loại nhiễu khác nhau và khác các mẫu trong tập huấn luyện. Một số tín hiệu trộn có sự kết hợp hai loại nhiễu như: traffic + wind sound, ocean waves + wind sound, cafeteria + music, forest birds + car,....  Thí nghiệm 2 Tập mẫu huấn luyện vocals gồm 4 file với 2 giọng nam và 2 giọng nữ. Tập mẫu huấn luyện cho music gồm 9 file: 3 file âm thanh bass, 3 file âm thanh drums và 3 file âm thanh các nhạc cụ khác. Kích thước mỗi file trong tập huấn luyện từ 10 đến 15 giây3. Tập dữ liệu test gồm 5 file là trích đoạn của 5 bài hát có độ dài từ 14 đến 25 giây như mô tả trong bảng 14. Bảng 1. Dữ liệu test của thí nghiệm 2. TT Tên bài hát Độ dài 1 Bearlin - Roads 14 giây 2 Tamy - Que pena Tanto faz 15 giây 3 Another dreamer - The ones we love 25 giây 4 Fort Minor - Remember the name 25 giây 5 Ultimate nz tour 19 giây Các tham số của thuật toán được thiết lập như sau: tần số lấy mẫu các file âm thanh là 16000 Hz, kích thước cửa sổ trong phép biến đổi Fourier là 1024. Số thành phần đặc trưng phổ của speech và noise lần lượt là 32 và 16, của bass và drums là 15, của các loại nhạc cụ khác là 25 và vocals là 32. Số bước lặp MU là 50 cho pha huấn luyện, và được thử nghiệm với các giá trị từ 1 đến 100 trong bước tách nguồn để khảo sát sự hội tụ của thuật toán. Hai tham số và được thử nghiệm với tập các giá trị khác nhau để xem xét tính ổn định của thuật toán: = {0, 1, 10, 25, 50, 100, 200, 500}, = {0, 0.2, 0.4, 0.6, 0.8, 1}. 4.2. Phương pháp đánh giá kết quả 1 Speech files are from the International Signal Separation and Evaluation Campaign (SiSEC): 2 Noise files are from the Diverse Environments Multichannel Acoustic Noise Database (DEMAND): 3 Training data is from SiSEC: https://sisec.inria.fr/sisec-2016/2016-professionally-produced- music-recordings. 4 Test data is from SiSEC: https://sisec.wiki.irisa.fr/tiki-index165d.html. Kỹ thuật điều khiển & Điện tử D. T. H. Thanh, N. C. Phương, N. Q. Cường, “Kết hợp mô hình thừa số hóa đơn kênh.” 90 Trên cùng một tập dữ liệu thử nghiệm và điều kiện thí nghiệm, chúng tôi so sánh kết quả của thuật toán NMF cơ bản và kết quả của thuật toán đề xuất khi kết hợp mô hình NMF với các nhóm ràng buộc thưa khác nhau như sau:  NMF non-sparsity: Thuật toán NMF cơ bản được mô tả trong phần 2, dữ liệu huấn luyện cho từng tín hiệu là 1 file ghép từ các file trong tập mẫu huấn luyện tương ứng với tín hiệu đó (theo mô tả trong phần 4.1).  NMF - B: Thuật toán đề xuất, sử dụng kết hợp NMF với ràng buộc thưa block sparsity theo công thức (14) [6].  NMF - C: Thuật toán đề xuất, sử dụng kết hợp NMF với ràng buộc thưa component sparsity theo công thức (15) [8, 9].  Proposed NMF: Thuật toán đề xuất, sử dụng kết hợp NMF với hai loại ràng buộc thưa block sparsity và component sparsity theo công thức (16). Mỗi tín hiệu sau khi tách được tính toán các độ đo SDR (Source to Distortion Ratio), SIR (Source to Interference Ratio), SAR (Source to Artifacts Ratio), đơn vị đo dB. Các độ đo càng lớn thì chất lượng của tín hiệu tách được là càng tốt. Để tính toán các độ đo đó, chúng tôi dùng bộ công cụ được cung cấp và sử dụng phổ biến hiện nay trong cộng đồng nghiên cứu về xử lý âm thanh là BSS-EVAL Tools [16]. 4.3. Kết quả thí nghiệm và bình luận Bảng 2. Độ đo trung bình của các tập tín hiệu sau khi tách. Thuật toán Speech/Vocals Noise/Music SDR (dB) SIR (dB) SAR (dB) SDR (dB) SIR (dB) SAR (dB) T hí n gh iệ m 1 NMF non- sparsity 2.7 6.9 11.7 3.6 14.3 5.2 NMF - B [6] ( = 25, = 1) 7.4 10.2 16.4 6.9 19.8 8.5 NMF - C [8, 9] ( = 50, = 0) 7.4 10.9 16.2 7.6 16.3 9.3 Proposed NMF ( = 50, = 0.2) 7.7 10.8 17.8 7.8 18.7 9.4 T hí n gh iệ m 2 NMF non- sparsity 1.3 3.7 7.1 3.8 9.5 11.2 NMF - B [6] ( = 50, = 1) 2.5 4.9 8.1 6.2 7.7 13.3 NMF - C [8, 9] ( = 25, = 0) 2.7 5.6 7.3 6.2 7.7 13.5 Proposed NMF ( = 50, = 0.4) 3.2 6.2 7.9 6.4 7.9 14.2 Nghiên c Tạp chí Nghi Hì Hình ứu khoa học công nghệ nh ên c 2. 3 ứu KH&CN Sự hội tụ của thuật toán với từng tín hiệu . Ảnh hưởng c quân s Noise ( ủa ự, Số c) – , , (c) Vocals, ( α đ 54 ối – Vocals, (d) , 04 với - 20 d k 18 ) - ết quả Music phân - Music : (a) . tách . – Speech, (b) : (a) – Speech, (b) – Noise – 91 , Kỹ thuật điều khiển & Điện tử D. T. H. Thanh, N. C. Phương, N. Q. Cường, “Kết hợp mô hình thừa số hóa đơn kênh.” 92 Bảng 2 là độ đo trung bình của các tín hiệu sau khi tách từ tập dữ liệu test của hai thí nghiệm, tương ứng với các thiết lập tham số và α tối ưu cho từng thuật toán. Sự hội tụ của thuật toán đề xuất theo từng tín hiệu được thể hiện trong hình 2. Hình 3 cho thấy sự ảnh hưởng của các tham số và α đối với kết quả phân tách theo độ đo SDR. Với cả hai thí nghiệm, thuật toán đề xuất “Proposed NMF” sử dụng kết hợp NMF với hai loại ràng buộc thưa block sparsity và component sparsity đều cho kết quả tốt hơn ba thuật toán còn lại trên hầu hết các độ đo, đặc biệt là tốt hơn ở độ đo quan trọng nhất SDR. Điều này đã khẳng định hiệu quả của việc sử dụng kết hợp hai loại ràng buộc thưa mà chúng tôi đề xuất so với các công bố trước đó. Ngoài ra, sự chênh lệch kết quả giữa thuật toán “NMF non-sparsity” và ba thuật toán còn lại cũng cho thấy trong trường hợp dữ liệu huấn luyện không chính xác thì việc sử dụng kết hợp các nhóm loại buộc thưa trong mô hình NMF đã giúp nâng cao đáng kể chất lượng các nguồn âm thanh tách được. Khảo sát kỹ hơn về sự hội tụ và ổn định của thuật toán đề xuất, hình 2 cho thấy thuật toán hội tụ nhanh sau khoảng 20 bước lặp và hội tụ khá đồng đều đối với các loại tín hiệu tách khác nhau. Tính ổn định của thuật toán được thể hiện trong hình 3 khi giá trị của các tham số và α thay đổi, có thể quan sát thấy thuật toán đạt kết quả tốt và ổn định với giá trị 10 ≤ ≤ 50 và 0 ≤ ≤ 0.4. Ngoài ra, thuật toán cũng ổn định hơn với giá trị α nhỏ. 5. KẾT LUẬN Trong bài báo, chúng tôi đã trình bầy thuật toán tách nguồn âm thanh có hướng dẫn sử dụng mô hình NMF cơ bản. Từ đó, để giải quyết bài toán tách nguồn âm thanh đơn kênh và không có dữ liệu huấn luyện, chúng tôi đã đề xuất giải pháp xây dựng mô hình phổ tổng quát cho các tín hiệu cần tách bằng một số file âm thanh cùng loại thu thập được. Trong quá trình phân tách, chúng tôi đề xuất công thức kết hợp mô hình NMF với hai loại ràng buộc thưa để nâng cao hiệu quả ước lượng tín hiệu cần tách dựa trên mô hình phổ tổng quát đã xây dựng. Kết quả của hai thí nghiệm thực hiện với hai loại dữ liệu khác nhau đã cho thấy hiệu quả của thuật toán đề xuất. Ngoài ra, thí nghiệm cũng cho thấy tốc độ hội tụ của thuật toán là khá tốt và chỉ ra miền giá trị của các tham số để đảm bảo sự ổn định của thuật toán. Những đánh giá này rất hữu ích cho việc thiết lập tham số khi sử dụng thuật toán trong các ứng dụng thực tế. Chúng tôi mong muốn sẽ tiếp tục phát triển thuật toán cho bài toán tách nguồn âm thanh đa kênh theo hướng kết hợp mô hình NMF với mô hình xử lý thông tin không gian (spatial model). Đồng thời, chúng tôi dự định sẽ tiến hành thử nghiệm hiệu quả của thuật toán đối với hệ thống nhận dạng tiếng nói tự động (Automatic Speech Recognition - ASR) trong thời gian gần đây. TÀI LIỆU THAM KHẢO [1]. "Source Separation and Speech Dereverberation", in Acoustic MIMO Signal Processing, Boston, MA: Springer US, 2006, pp. 319–351. [2]. S. Makino, T.-W. Lee, and H. Sawada, "Blind speech separation". Dordrecht, the Netherlands: Springer, 2007. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 54, 04 - 2018 93 [3]. E. Vincent et al., "The signal separation evaluation campaign (2007–2010): Achievements and remaining challenges", Signal Process., vol. 92, no. 8, pp. 1928–1936, Aug. 2012. [4]. E. Vincent, J. Barker, S. Watanabe, J. Le Roux, F. Nesta, and M. Matassoni, "The second 'chime' speech separation and recognition challenge: Datasets, tasks and baselines", in IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP), 2013, pp. 126–130. [5]. K. Kinoshita et al., "The reverb challenge: A common evaluation framework for dereverberation and recognition of reverberant speech", in IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA), 2013, pp. 1–4. [6]. D. L. Sun and G. J. Mysore, "Universal speech models for speaker independent single channel source separation", in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2013, pp. 141–145. [7]. L. Chen, X. Ma, and S. Ding, "Single Channel Speech Separation Using Deep Neural Network", in Advances in Neural Networks - ISNN 2017, vol. 10261, F. Cong, A. Leung, and Q. Wei, Eds. Cham: Springer International Publishing, 2017, pp. 285–292. [8]. D. El Badawy, N. Q. K. Duong, and A. Ozerov, "On-the-fly audio source separation", in IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2014), 2014, pp. 1–6. [9]. D. E. Badawy, N. Q. K. Duong, and A. Ozerov, "On-the-Fly Audio Source Separation—A Novel User-Friendly Framework", IEEEACM Trans. Audio Speech Lang. Process., vol. 25, no. 2, pp. 261–272, Feb. 2017. [10]. D. D. Lee and H. S. Seung, "Algorithms for non-negative matrix factorization", in Advances in neural information processing systems, 2001, pp. 556–562. [11]. H.-T. T. Duong, Q.-C. Nguyen, C.-P. Nguyen, T.-H. Tran, and N. Q. K. Duong, "Speech enhancement based on nonnegative matrix factorization with mixed group sparsity constraint", in Proceedings of the Sixth International Symposium on Information and Communication Technology, 2015, pp. 247–251. [12]. H.-T. T. Duong, Q.-C. Nguyen, C.-P. Nguyen, and N. Q. K. Duong, "Single- channel speaker-dependent speech enhancement exploiting generic noise model learned by non-negative matrix factorization", in International Conference on Electronics, Information, and Communications (ICEIC), 2016, pp. 1–4. [13]. A. Lefevre, F. Bach, and C. Févotte, "Itakura-Saito nonnegative matrix factorization with group sparsity", in Acoustics, Speech and Signal Processing (ICASSP), 2011 IEEE International Conference on, 2011, pp. 21–24. [14]. C. Févotte, N. Bertin, and J.-L. Durrieu, "Nonnegative Matrix Factorization with the Itakura-Saito Divergence: With Application to Music Analysis", Neural Comput., vol. 21, no. 3, pp. 793–830, Mar. 2009. Kỹ thuật điều khiển & Điện tử D. T. H. Thanh, N. C. Phương, N. Q. Cường, “Kết hợp mô hình thừa số hóa đơn kênh.” 94 [15]. T. Virtanen, "Monaural Sound Source Separation by Nonnegative Matrix Factorization With Temporal Continuity and Sparseness Criteria", IEEE Trans. Audio Speech Lang. Process., vol. 15, no. 3, pp. 1066–1074, Mar. 2007. [16]. E. Vincent, R. Gribonval, and C. Fevotte, "Performance measurement in blind audio source separation", IEEE Trans. Audio Speech Lang. Process., vol. 14, no. 4, pp. 1462–1469, Jul. 2006. ABSTRACT COMBINATION OF NONNEGATIVE MATRIX FACTORIZATION AND MIXED GROUP SPARSITY CONSTRAINT TO EXPLOIT GENERIC SOURCE SPECTRAL MODEL IN SINGLE-CHANNEL AUDIO SOURCE SEPARATION ALGORITHM This paper considers the audio source separation problem given a single-channel mixture in the absence of exact training data. Based on non- negative matrix factorization framework, a generic spectral source model for each source from using several examples of them in training process is proposed to learn. In source separation process, two existing group sparsity-inducing penalties in the optimization function and derive the corresponding algorithm for parameter estimation based on multiplicative update (MU) rule. Experiment in two cases: speech and environmental noise separation, and vocal and music separation confirms the effectiveness of our approach. Keywords: Audio source separation, Nonnegative matrix factorizarion (NMF), Sparsity constraint, Universal model. Nhận bài ngày 26 tháng 12 năm 2017 Hoàn thiện ngày 16 tháng 02 năm 2018 Chấp nhận đăng ngày 10 tháng 4 năm 2018 Địa chỉ: 1 Viện nghiên cứu quốc tế MICA, Trường Đại học Bách khoa Hà Nội, Việt Nam; 2 Khoa Công nghệ thông tin, Trường Đại học Mỏ-Địa chất, Hà Nội, Việt Nam; 3 Bộ môn Kỹ thuật đo và Tin học công nghiệp, Trường Đại học Bách khoa Hà Nội. *Email: cuong.nguyenquoc@hust.edu.vn.