千葉工業大学　プロジェクト研究年報　2015年版

119/168

研究項目： 科研費採択者助成金（初年度） 研究期間： ２０１４／４／１ ～ ２０１５／３／３１ 研究課題名（和文）： 音環境理解のための音カテゴリクラスタリングに関する研究 研究課題名（英文）： Studies on Sound Category Clustering for Computational Auditory Scene Analysis 研究者： ○大川 茂樹 千葉工業大学 OKAWA Shigeki 工学部 未来ロボティクス学科 教授 1 はじめに 近年，関連するハードウエアの進歩に伴い，大量のデータに基づく情報処理研究，いわゆる「ビッグデータ」を活用した研究が盛んに行われている．とりわけ，人の生活にまつわる様々な情報をビッグデータとして扱う「ライフログ」研究は，ブログやTwitterのような電子日記をはじめ，ウェアラブル型のデバイスを用いて歩数や心拍を記録したり，カメラや録音装置を用いて身近な光景や音を画像・音声データとして収集したりすることで，様々な応用可能性が期待される．本研究は，そのようなライフログ研究の一環として，特にロボットの聴覚機構などへの実装を鑑みて，我々の身の回りに日常的に存在する様々な音に着目し，その物理的および聴覚心理的（意味的）カテゴリを合理的にクラスタリング（分類）する方法と，様々な音響事象のカテゴリ識別技術を検討することを目的とした3年計画のプロジェクトである． 我々人間は，たとえばTVやラジオのスイッチを入れ，そこから流れる音を耳にした途端，放送内容（ニュースかスポーツ中継か音楽番組か）をほぼ瞬時に認識できる．放送音声のような「人が聴くことを前提としている音」でなくとも，たとえば屋外や室内で耳に入る様々な音（自動車の走行音，鳥の鳴き声，自然音，ドアのノック音など）に対して，我々はそれほど時間をかけずにその音源を知ることができる．このことは，言うまでもなく人の脳内に蓄積された「様々な音に関する知識」があるからに他ならないが（その証拠に，聴いたことのない音の音源を推測することは難しい），この「知識」は，構造的に明確に分類され定義されているわけではない． 耳に入る音から，その音源や広く音が発せられている環境を分析し理解することは，「音環境理解」または「聴覚情景分析」と呼ばれる．合理的な音環境理解のためには，音カテゴリを表現するための音響特徴量の検討と，分類・識別のための学習・評価アルゴリズムの開発が重要となる． 以下，本稿では，初年度に実施した研究のうち，(i)データベース音源のクラスタリング実験，(ii)実収録音源のクラスタリング実験について述べる． 2 音響特徴量 音響特徴量により表現できる情報は，その種類により異なる．本研究では，各種特徴量の分布域を考慮し，8種類の音響特徴量を採用した（表1）． 表1 音響特徴量の一覧 特徴量 次数 振幅差分の最大値1 パワー 2 零交差数 2 線形パワースペクトル 2,048 対数パワースペクトル 2,048 ケプストラム 30 メルケプストラム 30 自己相関係数 300 振幅差分の最大値と自己相関係数以外の特徴量は，短時間分析フレームの時間方向の平均値と標準偏差値から成る．平均曲線により音の持つ特徴を表現し，標準偏差により微小な変動を吸収する．特徴量ベクトルは，変量ごとに値のとる範囲が異なるため，標準化してから用いる 3 データベース音源のクラスタリング 音響特徴量の性質を知るため，データベース音源を用いた教師なしクラスタリング実験を行った． 実験には，単一マイクロホンによる105種類の音源について非音声音ドライソースが収録されたRWCP実環境音声・音響データベースを使用する．105種のドライソースから抽出した各特徴量ベクトルを，ウォード法により階層的クラスタリングする．最も音源系統の聴覚心理的（意味的）分類に成功したと考えられる，対数パワースペクトルを特徴量としたときのデンドログラムを図1に，クラスタごとの分布密度を図2に示す． 1032015　千葉工業大学附属研究所　プロジェクト研究年報　　　　　　　　　　Project Report of Research Institute of C.I.T 2015　　　　

※このページを正しく表示するにはFlashPlayer10.2以上が必要です