利用状态空间模型提升线性与非线性听觉注意解码方法的性能
音频与语音处理
2020-04-03 v1 机器学习
声音
信号处理
摘要
在助听器应用中识别目标说话人对于改善语音理解至关重要。脑电图（EEG）的最新进展表明，利用听觉注意解码（AAD）方法可从单次 EEG 记录中识别目标说话人。AAD 方法基于线性最小二乘代价函数或非线性神经网络从 EEG 记录中重建被注意语音包络，随后利用皮尔逊相关系数将被重建包络与各说话人语音包络直接比较以识别被注意说话人。由于这些相关系数波动剧烈，为可靠解码需使用较大的相关窗口，从而导致较大的处理延迟。本文研究一种利用小相关窗口所得相关系数的状态空间模型，以改善线性与非线性 AAD 方法的解码性能。实验结果表明，该状态空间模型显著提升了解码性能。
引用
@article{arxiv.2004.00910,
title = {Improving auditory attention decoding performance of linear and non-linear methods using state-space model},
author = {Ali Aroudi and Tobias de Taillez and Simon Doclo},
journal= {arXiv preprint arXiv:2004.00910},
year = {2020}
}