-
BEREICH DER ERFINDUNG
-
Die
vorliegende Erfindung betrifft im Allgemeinen sprachgesteuerte Schalter
und im Speziellen einen adaptiven sprachgesteuerten Schalter-(VOX)-Algorithmus,
der bei sich verändernden Umgebungen
mit starken Geräuschen
effektiv arbeitet und lediglich eine geringe Verarbeitungsleistung benötigt.
-
HINTERGRUND
DER ERFINDUNG
-
Sprachgesteuerte
Schalter zum Aktivieren der Sende- oder Aufzeichnungsbetriebsart
bei Headsets, Walkie-Talkies, Zweiweg-Funkgeräten, Bandrecordern und dergleichen
sind hinlänglich
bekannt.
-
Solche
sprachgesteuerten Schalter funktionieren durch Messen des Ausgangs
eines Mikrofons und Übertragen
dieses Ausgangs zu einer Verstärkungsschaltung
nur dann, wenn der Ausgang einen vorbestimmten Schwellenpegel überschreitet.
Somit wird idealerweise nur dann gesendet, wenn der Sprecher spricht.
Ein solcher Betrieb ist besonders in Halbduplexsystemen nützlich,
bei denen eine Sendung nur dann empfangen werden kann, wenn der Zuhörer nicht
spricht.
-
Die
Verwendung eines sprachgesteuerten Schalters (VOX) senkt auch die
Leistungsaufnahme, da der Sender nicht ständig eingeschaltet ist. Er
kann auch die Anspannung für
Personen verringern, die der Sendung zuhören, da Umgebungsrauschen nicht übertragen
wird, wenn die den Sender bedienende Person nicht spricht (wenigstens
in idealen Situationen). Sprachgesteuerte Schalter sind auch nützlich, wenn
es schwierig oder unerwünscht
ist, einen Sender manuell zu betätigen,
wie z.B. durch Drücken
einer Mikrofontaste. Dies kann dann der Fall sein, wenn die Hände des
Benutzers anderweitig beschäftigt
sind. Ein Panzerfahrer muss beispielsweise häufig beide Hände zum
Bedienen des Panzers benutzen.
-
Ein
Problem, das üblicherweise
mit sprachgesteuerten Schaltern assoziiert ist, ist jedoch, dass sie
dafür anfällig sind,
versehentlich durch hohe Umgebungsgeräuschpegel aktiviert zu werden.
Wie die Fachperson erkennen wird, führen hohe Umgebungsgeräuschpegel
häufig
zu einer unerwünschten Auslösung des
sprachgesteuerten Schalters, wodurch verursacht wird, dass der Sendekanal
offen bleibt, obwohl der Sprecher tatsächlich nicht spricht. Wenn
der Sendekanal in einer Umgebung mit starken Geräuschen offen gehalten wird,
dann wird das Geräusch
jedoch zum Empfänger übertragen.
Es kann für
den Zuhörer
am Empfänger
sehr lästig
sein, solche Geräuschen
zuhören
zu müssen,
und kann in einigen Fällen
in der Tat gefährlich
sein, wenn es den Zuhörer
ablenkt.
-
Die
Empfindlichkeit solcher sprachgesteuerter Schalter kann zwar variiert
werden, um eine unerwünschte
Auslösung
durch starke Umgebungsgeräusche
abzumildern, aber eine solche Änderung
der Schwelle macht es für
den Benutzer auch von Natur aus schwieriger, den sprachgesteuerten
Schalter durch Sprechen auszulösen.
Das heißt,
der Benutzer muss lauter sprechen, um einen weniger empfindlichen
sprachgesteuerten Schalter auszulösen, besonders bei Schaltern
wie dem, der hauptsächlich
auf dem Energiepegel und nicht auf Spektralkomponenten beruht. Dies
kann unerwünscht
sein, da es möglicherweise
nicht natürlich
ist und weil man es schnell vergisst, was zur Folge hat, dass Kommunikationen nicht übertragen
werden. Es kann für
den Benutzer auch unbequem sein, mit einem solchen höheren Pegel
zu sprechen. Längeres
Sprechen auf einem höheren
Pegel kann zu Heiserkeit oder Ermüdung oder sogar zu einem vorübergehenden
Sprachverlust führen.
-
Die
meisten modernen sprachgesteuerten Schalteralgorithmen sind speziell
für Umgebungen mit
schwachen Geräuschen
ausgelegt, wo eine starke Zunahme der Gesamtsignalleistung tatsächlich ein
sehr zuverlässiger
Indikator für
die Anwesenheit der Stimme des Sprechers ist. Es sind zwar Algorithmen bekannt,
die speziell für
Umgebungen mit starken Geräuschen
ausgelegt sind, aber solche sprachgesteuerten Schalteralgorithmen
für starke
Geräusche
arbeiten typischerweise mit Fast Fourier Transformationen (FFT)
oder digitalen Gleitpunktfiltern, die beide eine erhebliche Menge
an Verarbeitungsleistung erfordern.
-
Ein
besonderes Problem mit sprachgesteuerten Schaltern tritt dann auf,
wenn sich der Umgebungsgeräuschpegel
häufig ändert und
zuweilen sehr hoch wird. In diesen Fällen ist es nicht praktisch, die
Empfindlichkeit der Triggerschaltung des Mikrofons ständig nachzustellen.
Somit ist es wünschenswert,
einen adaptiven sprachgesteuerten Schalteralgorithmus bereitzustellen,
der effektiv bei sich verändernden
Umgebungen mit starken Geräuschen
arbeitet und der insbesondere keine zu starke Verarbeitungsleistung
benötigt.
-
Das
Dokument US-A-5459814 offenbart ein Beispiel für einen solchen sprachgesteuerten
Schalter.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Die
vorliegende Erfindung, wie sie in den unabhängigen Ansprüchen definiert
ist, geht die oben erwähnten
Mängel
in Verbindung mit dem Stand der Technik an und mildert sie ab. Die
vorliegende Erfindung umfasst insbesondere einen adaptiven sprachgesteuerten
Schalteralgorithmus, der effektiv bei sich verändernden Umgebungen mit starken
Geräuschen arbeitet
und lediglich eine geringe Menge an Verarbeitungsleistung benötigt, so
dass ein kostenarmes Gerät
niedriger Leistung bereitgestellt wird.
-
Gemäß der bevorzugten
Ausgestaltung der vorliegenden Erfindung verwendet der sprachgesteuerte
Schalteralgorithmus einen DSP-Chip TI-TMS320C2xx, der, wie die Fachperson
erkennen wird, hauptsächlich
für Ganzzahlenberechnungen ausgelegt
ist (im Gegensatz zu Gleitpunktberechnungen). Es können jedoch
auch viele andere DSP-Chips sowie universelle Rechengeräte geeignet sein.
-
Der
sprachgesteuerte Schalteralgorithmus der vorliegenden Erfindung
geht davon aus, dass das gewünschte
Sprachsignal mehr Energie beinhaltet als die Hintergrundgeräusche. Dies
basiert auf der Erwartung, dass der Sprecher unabhängig vom
Geräuschpegel
immer laut genug spricht, um seine eigene Stimme über die
Geräusche
herauszuhören.
-
Der
sprachgesteuerte Schalteralgorithmus der vorliegenden Erfindung
basiert auch auf der Annahme, dass das eingehende Audiosignal linear
ist. Wenn also eine Kompression gemäß A-Gesetz oder μ-Gesetz verwendet
wird, dann wird erwartet, dass die Daten vor dem Beginn des sprachgesteuerten Schalteralgorithmus
dekomprimiert werden. Spezieller, die vorliegende Erfindung umfasst
ein Verfahren zur Verwendung eines sprachgesteuerten Schalters bei
sich verändernden
Umgebungen mit starken Geräuschen,
wobei das Verfahren die folgenden Schritte umfasst: Ermitteln einer
relativen Energie von Hintergrundgeräuschen durch Berechnen eines
Langzeitdurchschnitts, eines Kurzzeitdurchschnitts und einer Kurzzeitdifferenz
der Hintergrundgeräusche.
Das Berechnen des Kurzzeitdurchschnitts umfasst das Summieren eines
Absolutwertes einer Mehrzahl von Audiodatenabtastsignalen und das
Anwenden eines Glättungsalgorithmus
darauf. Es sind verschiedene Glättungsalgorithmen
geeignet, die der Fachperson hinlänglich bekannt sind. Das Berechnen
des Langzeitdurchschnitts umfasst das Summieren einer Mehrzahl von
Kurzzeitdurchschnitten. Das Berechnen der Kurzzeitdifferenz umfasst
das Berechnen einer Differenz zwischen aufeinander folgenden Kurzzeitdurchschnitten.
-
Das
Verfahren zur Verwendung eines sprachgesteuerten Schalters bei sich
verändernden Umgebungen
mit starken Geräuschen
umfasst die Schritte des Berechnens eines VOX-Schwellenwertes, des
Berechnens eines Sprachschwellenwertes und des Berechnens eines
Delta-Schwellenwertes. Der VOX- Schwellenwert
wird mit einer Amplitude eines eingehenden Datenabtastsignals verglichen. Wenn
die Amplitude des eingehenden Datenabtastsignals größer ist
als der VOX-Schwellenwert, dann wird der Delta-Schwellenwert mit dem Kurzzeitdurchschnittsdelta
verglichen. Wenn die Amplitude von einem oder mehreren Kurzzeitdurchschnittsdeltas
größer ist
als der Delta-Schwellenwert, dann wird der Sprachschwellenwert mit
dem Kurzzeitdurchschnitt verglichen. Wenn der Kurzzeitdurchschnitt
größer ist als
der Sprachschwellenwert oder, alternativ, wenn eine aktuelle Anzahl
von Kurzzeitdeltas größer ist
als der Delta-Schwellenwert innerhalb einer aktuellen Zeitperiode,
dann wird das eingehende Datenabtastsignal als Sprache ermittelt
und der sprachgesteuerte Schalter wird aktiviert.
-
Der
Schritt des Anwendens eines Glättungsalgorithmus
umfasst vorzugsweise eine Tiefpassfilterung der Audiodaten. Die
Fachperson wird verstehen, dass verschiedene andere Algorithmen
zum digitalen Tiefpassfiltern von Audiodaten geeignet sind.
-
Der
Schritt des Ermittelns einer relativen Energie von Hintergrundgeräuschen unter
Verwendung eines Langzeitdurchschnitts der Hintergrundgeräusche umfasst
vorzugsweise die Anwendung eines Langzeitdurchschnitts, der aus
512 Audiodatenabtastsignalen besteht. Jedes Audiodatenabtastsignal hat
vorzugsweise eine Länge
von etwa 0,064 Sekunden und das Abtasten erfolgt mit einer Abtastrate
von etwa 8 kHz. Die Fachperson wird verstehen, dass ebenso auch
verschiedene andere Anzahlen von Audiodatenabtastsignalen und verschiedene
andere Abtastsignallängen
sowie verschiedene andere Abtastraten geeignet sind.
-
Der
Schritt des Ermittelns einer relativen Energie von Hintergrundgeräuschen unter
Verwendung eines Langzeitdurchschnitts umfasst vorzugsweise das
Summieren von Kurzzeitdurchschnitten für etwa 16 Sekunden. Die Fachperson
wird verstehen, dass auch verschiedene andere Zeitlängen geeignet
sind.
-
Der
Schritt des Ermittelns einer relativen Energie von Hintergrundgeräuschen unter
Verwendung einer Kurzzeitdifferenz der Hintergrundgeräusche umfasst
vorzugsweise das Ermitteln einer relativen Energie von Hintergrundgeräuschen mittels
eines Gefälles
der Kurzzeitdurchschnitte, das dafür repräsentativ ist, wie schnell sich
das Audiosignal ändert. Dies
kann durch Berechnen einer ersten Ableitung einer Best-Fit-Kurve
erfolgen, die mit den Abtastdatenpunkten erzeugt wird.
-
Die
Schritte des Berechnens eines VOX-Schwellenwertes, des Berechnens
eines Sprachschwellenwertes und des Berechnens eines Delta-Schwellenwertes
werden vorzugsweise jedes Mal durchgeführt, wenn der Langzeitdurchschnitt
berechnet wird.
-
Die
Schritte des Berechnens eines VOX-Schwellenwertes, des Berechnens
eines Sprachschwellenwertes und des Berechnens eines Delta-Schwellenwertes
werden vorzugsweise nur dann durchgeführt, wenn keine Sprache im
Audiosignal vorhanden ist. Daten für den Langzeitdurchschnitt
können
bei Bedarf weiter gesammelt werden, wenn Sprache im Audiosignal
vorhanden ist. Das Sammeln von Abtastsignalen für den Langzeitdurchschnitt
wird vorzugsweise unterbrochen, wenn Sprache länger als eine vorbestimmte
Zeitperiode im Abtastsignal vorhanden ist.
-
Der
Schritt des Vorbereitens des VOX-Schwellenwertes mit einer Amplitude
eines eingehenden Datenabtastsignals umfasst vorzugsweise das Vergleichen
eines VOX-Schwellenwertes, der um einen vorbestimmten Betrag größer ist
als das Umgebungsgeräusch,
mit der Amplitude des eingehenden Datenabtastsignals.
-
Der
Schritt des Vergleichens des VOX-Schwellenwertes mit einer Amplitude
eines eingehenden Datenabtastsignals umfasst vorzugsweise das Vergleichen
eines VOX-Schwellenwertes, der ein Vielfaches des Langzeitdurchschnitts
ist, mit dem eingehenden Datenabtastsignal. Der VOX-Schwellenwert
ist vorzugsweise etwa gleich der maximalen Umgebungsgeräuschamplitude.
-
Der
Delta-Schwellenwert ist vorzugsweise etwa gleich dem Langzeitdurchschnitt.
Der Sprachschwellenwert beträgt
vorzugsweise etwa das 1,5fache des Langzeitdurchschnitts.
-
Gemäß einer
bevorzugten Ausgestaltung der vorliegenden Erfindung beträgt der VOX-Schwellenwert etwa
das Sechsfache des Langzeitdurchschnitts, der Sprachschwellenwert
ist etwa gleich dem VOX-Schwellenwert um zwei Bits nach rechts verschoben
und der Delta-Schwellenwert ist etwa gleich dem Langzeitdurchschnitt.
-
Der
Langzeitdurchschnitt wird durch Summieren von 256 Kurzzeitdurchschnitten
und Verschieben der Summe um 8 Bits nach rechts berechnet. Ebenso
wird der Kurzzeitdurchschnitt durch Summieren des Absolutwertes
von 512 Eingangsabtastsignalen und Verschieben der Summe um 9 Bits nach
rechts berechnet.
-
Alternativ
wird der Langzeitdurchschnitt durch Summieren von 256 Kurzzeitdurchschnitten, die
vor dem Summieren um 4 Bits nach rechts verschoben wurden, dann
Verschieben der Endsumme um vier zusätzliche Bits nach rechts, um
einen Überlauf
in einem 16-Bit-Prozessor zu verhindern, berechnet.
-
Ebenso
kann der Kurzzeitdurchschnitt durch Summieren des Absolutwertes
von 512 Eingangsabtastsignalen, die vor dem Summieren um fünf Bits nach
rechts verschoben wurden, und dann Verschieben der Endsumme um vier
zusätzliche
Bits nach rechts, um einen Überlauf
in einem 16-Bit-Prozessor zu
verhindern, berechnet werden.
-
Da
ein 16-Bit-Prozessor verwendet wurde, war es nicht möglich, 512
Eingangswerte ohne Überlauf
zu summieren, da die Eingangswerte (als unkomprimierte μ-Gesetz-Daten)
eine maximale Amplitude von 12 Bits haben. Daher wurde der Absolutwert jedes
Eingangssignals vor dem Summieren um 5 Bits nach rechts verschoben,
und die Endsumme wurde um weitere 4 Bits nach rechts verschoben,
um den endgültigen
12-Bit-Kurzzeitdurchschnitt zu bilden. Ebenso war es, da der maximale
Kurzzeitdurchschnitt eine Größe von 12
Bits haben könnte,
nicht möglich,
256 dieser Werte ohne Überlauf
in einem 16-Bit-Prozessor
zu summieren. Daher wurde jeder Kurzzeitdurchschnitt vor dem Summieren
um vier Bits nach rechts verschoben, und die Endsumme wurde um vier
weitere Bits nach rechts verschoben, um den endgültigen 12-Bit-Langzeitdurchschnitt
zu erzeugen. Diese Technik verhindert jeglichen Überlauf des Prozessors beim
Berechnen dieser Durchschnittswerte.
-
Diese
Technik verursacht auch einen gewissen Auflösungsverlust. Da nur die niedrigstwertigen Bits
verloren gehen, ist dieser Auflösungsverlust
in Umgebungen mit starken Geräuschen
(und somit hoher Signalamplitude) vernachlässigbar; eine Anforderung dieses
Algorithmus ist jedoch, dass er in Umgebungen mit starken und niedrigen
Geräuschen
akzeptabel arbeiten können
muss. Aus diesem Grund wird eine Untergrenze für die Schwellenwerte festgesetzt.
So wurde beispielsweise für
diese Anwendung experimentell ermittelt, dass Langzeitdurchschnitte von
weniger als 100 zu schlechten VOX-Leistungen führten. Daher wird ein Langzeitdurchschnitt
von weniger als 100 vor dem Berechnen des Schwellenwertes immer
auf 100 zurückgesetzt.
-
Gemäß der spezifischen
VOX-Anwendung kann auch eine Obergrenze auf den Langzeitdurchschnitt
angewendet werden. So beträgt
beispielsweise in dieser VOX-Anwendung die maximale Amplitude der
eingehenden Daten 12 Bits. Wenn der Langzeitdurchschnitt so groß ist, dass
die resultierenden VOX- oder Sprachschwellenwerte größer sind
als 12 Bits, dann wird VOX niemals aktiviert. So werden für Langzeitdurchschnitte,
die größer sind
als ein Wert von beispielsweise 680, die Schwellenwerte auf einen
zulässigen
Wert wie z.B. 3000 zurückgesetzt (was
weniger ist als der maximale 12-Bit-Wert von 4095). Der DELTA-Schwellenwert
wird weiterhin normal berechnet.
-
Gemäß der bevorzugten
Ausgestaltung der vorliegenden Erfindung werden der VOX-Schwellenwert, der
Sprachschwellenwert und der Datenschwellenwert alle auf die maximal
zulässige
Größe (4095
in dieser Anwendung) initialisiert.
-
So
wird gemäß der vorliegenden
Erfindung ein Verfahren zur Verwendung eines sprachgesteuerten Schalters
bei sich verändernden
Umgebungen mit starken Geräuschen
bereitgestellt, der wenig Verarbeitungsleistung verbraucht.
-
Diese
sowie andere Vorteile der vorliegenden Erfindung gehen aus der nachfolgenden
Beschreibung und den Zeichnungen hervor. Man wird verstehen, dass
die Änderungen
des/der gezeigten und beschriebenen spezifischen Aufbaus und Methodik
im Rahmen der Ansprüche
möglich
sind, ohne vom Wesen der Erfindung abzuweichen.
-
KURZBESCHREIBUNG
DER ZEICHNUNGEN
-
1 ist
ein Blockdiagramm einer Zustandsmaschine zum Betreiben eines sprachgesteuerten Schalters
in Umgebungen mit starken Geräuschen gemäß der Methodik
der vorliegenden Erfindung; und
-
2 ist
ein Blockdiagramm eines adaptiven Filters für den sprachgesteuerten Schalter
der vorliegenden Erfindung.
-
AUSFÜHRLICHE
BESCHREIBUNG DER BEVORZUGTEN ERFINDUNG
-
Die
nachfolgende ausführliche
Beschreibung in Verbindung mit den beiliegenden Zeichnungen soll die
derzeit bevorzugte Ausgestaltung der Erfindung beschreiben und gilt
nicht als die einzige Form, in der die vorliegende Erfindung konstruiert
oder genutzt werden kann. Die Beschreibung legt die Funktionen und
die Folge von Schritten zum Konstruieren und Betreiben der Erfindung
in Verbindung mit der illustrierten Ausgestaltung dar. Es ist jedoch
zu verstehen, dass dieselben oder äquivalente Funktionen durch andere
Ausgestaltungen erzielt werden können,
die ebenfalls in Wesen und Umfang der Erfindung fallend angesehen
werden sollen. Der sprachgesteuerte Schalter der vorliegenden Erfindung
ist in den 1 und 2 illustriert,
die eine derzeit bevorzugte Ausgestaltung davon darstellen.
-
Der
VOX-Algorithmus der vorliegenden Erfindung geht davon aus, dass
das Sprachsignal mehr Energie hat als die Hintergrundgeräusche. Es
wird angenommen, dass jegliche verständliche Sprache diese Erwartung
auf der Basis der Annahme erfüllt, dass
der Benutzer, unabhängig
vom Geräuschpegel, laut
genug sprechen wird, um sich selbst über die Geräusche herauszuhören.
-
Dieser
Algorithmus erwartet, dass die eingehenden Audiodaten linear sind.
Wenn Kompression gemäß A-Gesetz
oder μ-Gesetz
angewendet wird, dann müssen
die Daten vor Beginn des VOX-Algorithmus
dekomprimiert werden.
-
VOX
ermittelt die relative Energie der Geräusche mit drei Datenelementen:
dem Langzeitdurchschnitt (LTA), dem Kurzzeitdurchschnitt (STA) und der
Kurzzeitdifferenz (STA-Delta). STA ist die Summierung des Absolutwertes
von mehreren Abtastsignalen von eingehenden Audiodaten, z.B. 512
Abtastsignale (0,064 Sekunden mit einer Abtastrate von 8 kHz). STA
glättet
das Signal und dient als einfacher Tiefpassfilter. LTA ist die Summierung
von STA über eine
längere
Periode (z.B. 16 Sekunden), dividiert durch die Gesamtzahl von STA.
Dieser Wert gibt die Gesamtenergie des Signals an. Der dritte Wert, STA-Delta,
ist die Differenz zwischen aufeinander folgenden STA-Werten. Dieser
Wert gibt das Gefälle des
STA an, das dafür
repräsentativ
ist, wie schnell die Signalenergie zu- oder abnimmt.
-
Der
VOX der vorliegenden Erfindung nutzt drei Schwellenwerte VOX, SPRACHE
und DELTA. Diese werden vorzugsweise bei jedem Berechnen eines LTA
berechnet (z.B. alle 16 Sekunden); die Schwellenwertberechnung kann
jedoch bei Bedarf auch unterbrochen werden, wenn Sprache vorhanden
ist, um zu verhindern, dass die Schwellenwerte zu hoch werden. Die
exakten Berechnungen der Schwellenwerte variieren je nachdem, welche
Art von Hintergrundgeräuschen
das System vermutlich erfahren wird. Schwellenwerte werden wie folgt
definiert und angewendet.
-
Der
VOX-Schwellenwert wird mit der Größe der einzelnen eingehenden
Datenabtastsignale verglichen; Werte, die größer sind als der Schwellenwert,
werden als Sprache angesehen. So wird gewünscht, den VOX-Schwellenwert
so zu wählen, dass
er weit über
den Geräuschen
liegt. Der VOX-Schwellenwert
sollte ein Vielfaches des LTA sein. So wurde dieser Algorithmus
beispielsweise für Panzergeräusche entwickelt;
die LTA-Werte der meisten Panzergeräuschabtastsignale schienen
bei etwa 1/6 der maximalen Geräuschgröße im Panzer zu
liegen. Somit wird der VOX-Schwellenwert für diese Situation auf das Sechsfache
des LTA eingestellt.
-
Der
DELTA-Schwellenwert wird mit dem STA-Delta verglichen; Werte, die
größer sind
als der Schwellenwert, werden als Sprache festgestellt. Der DELTA-Schwellenwert
repräsentiert
Energiesprünge. Bei
den meisten getesteten Geräuschabtastsignalen waren
die Energiesprünge
ohne vorhandene Sprache relativ niedrig; für Panzergeräusche waren die Sprünge im Allgemeinen
geringer als die Gesamtenergie des Signals; somit ist der DELTA-Schwellenwert
gleich dem LTA.
-
Der
VOICE-Schwellenwert wird mit dem STA verglichen; Werte, die größer sind
als der Schwellenwert, werden als Sprache angesehen. Wenn nur Geräusche vorliegen,
dann kann der STA im Laufe der Zeit über oder unter den LTA springen,
daher muss der VOICE-Schwellenwert über den größeren Werten der STAs des Geräuschsignals
liegen. So wird beispielsweise für
Panzergeräusche
ein VOICE-Signal
vom 1,5fachen des LTA verwendet.
-
Man
beachte, dass, da der verwendete Prozessor für ganzzahlige Arithmetik ausgelegt
ist, die als Beispiele gegebenen Durchschnittswerte wie folgt errechnet
werden können:
VOX
= 6*LTA
VOICE = VOX um 2 Bits nach rechts verschoben
DELTA
= LTA
-
Somit
werden die Durchschnittswerte mit einer Multiplikations- und zwei
Schiebeoperationen berechnet.
-
Der
Langzeitdurchschnitt wird durch Summieren von 256 Kurzzeitdurchschnitten
und Verschieben der Summe um 8 Bits nach rechts berechnet. Ebenso
wird der Kurzzeitdurchschnitt durch Summieren des Absolutwertes
von 512 Eingangsabtastsignalen und Verschieben der Summe um 9 Bits nach
rechts berechnet.
-
Da
ein 16-Bit-Prozessor verwendet wurde, war es nicht möglich, 512
Eingangswerte ohne Überlauf
zu summieren, da die Eingangswerte (als unkomprimierte μ-Gesetz-Daten)
eine maximale Amplitude von 12 Bits haben. Somit wurde der Absolutwert jedes
Eingangsabtastsignals vor dem Summieren um 5 Bits nach rechts geschoben
und die Endsumme wurde um weitere 4 Bits nach rechts verschoben,
um den endgültigen
12-Bit-Kurzzeitdurchschnitt zu erzeugen. Ebenso war es, da der maximale
Kurzzeitdurchschnitt eine Größe von 12
Bits haben könnte, nicht
möglich,
256 dieser Werte ohne Überlauf
in einem 16-Bit-Prozessor zu summieren. Somit wurde jeder Kurzzeitdurchschnitt
vor dem Summieren um 4 Bits nach rechts verschoben, und die Endsumme wurde
um weitere 4 Bits nach rechts verschoben, um den endgültigen 12-Bit-Langzeitdurchschnitt
zu erzeugen. Diese Technik verhindert jeglichen Überlauf des Prozessors beim
Berechnen dieser Durchschnittswerte.
-
Diese
Technik verursacht auch einen gewissen Auflösungsverlust. Da nur die niedrigstwertigen Bits
verloren gehen, ist dieser Auflösungsverlust
in Umgebungen mit starken Geräuschen
(und somit hoher Signalamplitude) vernachlässigbar; eine Anforderung an
diesen Algorithmus ist jedoch, dass er in Umgebungen mit starken
und schwachen Geräuschen
akzeptabel arbeiten können
muss. Aus diesem Grund wird eine Untergrenze auf die Schwellenwerte
angewendet. Für
diese Anwendung wurde beispielsweise experimentell ermittelt, dass
Langzeitdurchschnitte von weniger als 100 zu einer schlechten VOX-Leistung
führten.
Daher wird jedes Mal dann, wenn ein Langzeitdurchschnitt geringer
ist als 100, dieser vor dem Berechnen der Schwellenwerte auf 100
zurückgesetzt.
-
Je
nach der spezifischen VOX-Anwendung kann auch eine Obergrenze auf
den Langzeitdurchschnitt angewendet werden. So beträgt beispielsweise
in dieser VOX-Anwendung die maximale Amplitude der eingehenden Daten
12 Bits. Wenn der Langzeitdurchschnitt so groß ist, dass die resultierenden VOX-
oder VOICE-Schwellenwerte größer als
12 Bits sind, dann wird VOX niemals aktiviert. Somit werden für Langzeitdurchschnitte,
die größer als
ein Wert von beispielsweise 680 sind, die Schwellenwerte auf einen
zulässigen
Wert wie z.B. 3000 zurückgesetzt (was
weniger ist als der maximale 12-Bit-Wert von 4095). Der DELTA-Schwellenwert
wird jedoch weiterhin normal berechnet.
-
Nach
dem Aktivieren des Systems werden alle Schwellenwerte auf den Maximalwert
eingestellt und alle Datenelemente werden auf 0 gesetzt. Der VOX
wird so vorgegeben, dass er in seinem AUS-Zustand ist, bis Daten von einer Sekunde
erfasst sind. Nach einer Sekunde wird der LTA berechnet (auf der Basis
der bis dahin berechneten STAs) und ein Satz von Schwellenwerten
wird wie oben vorgegeben berechnet. So kann der VOX erst dann aktiviert
werden, wenn wenigstens eine Sekunde vergangen ist. Dieser Vorgang
wird wiederum vier Sekunden später nach
dem Start mit den bis zu diesem Zeitpunkt gesammelten Daten wiederholt.
Nach 16 Sekunden wird der normale VOX-Betrieb fortgesetzt, wobei Schwellenwerte
alle 16 Sekunden berechnet werden.
-
Je
nach dem benutzten Geräuschtyp
ergibt ein Abtastsignal von einer Sekunde möglicherweise nicht genügend Daten,
um die Gesamtenergie der Geräusche
zu repräsentieren;
in diesem Fall kann es eine größere Rate
von Fehlalarmen oder verpassten Detektionen geben, bis die 4-Sekunden-Schwellenwerte berechnet
sind. Daher können
diese Zeiten je nach der spezifischen Anwendung dieses Algorithmus
variiert werden.
-
Nun
mit Bezug auf 1, der VOX-Algorithmus hat vier
Zustände,
AUS 10, WARTEN 12, EIN 16 und RASTEN
(LATCH) 14. Der VOX sendet nur in den Zuständen EIN 16 und
RASTEN 14. Es folgt eine Beschreibung der Zustände.
-
Der
VOX befindet sich beim ersten Aktivieren im Zustand AUS 10.
Der VOX bleibt im Zustand AUS 10, bis die Größe eines
eingehenden Datenabtastsignals den VOX-Schwellenwert übersteigt.
An dieser Stelle schaltet der VOX in den Zustand WARTEN 12 und
startet eine Zeituhr.
-
Es
kann sein, dass der VOX nicht länger
als eine Sekunde im Zustand WARTEN 12 bleibt. Während dieser
Sekunde werden die Kurzzeitdifferenzen mit dem DELTA-Schwellenwert
verglichen. Wenn eine Kurzzeitdifferenz den Schwellenwert überschreitet,
dann geht der VOX in den Zustand EIN 16. Wenn die Zeituhr
eine Sekunde erreicht und der Schwellenwertzustand nicht erfüllt wurde,
dann kehrt der VOX in den Zustand AUS 10 zurück.
-
Im
Zustand EIN 16 sendet der VOX. Der VOX bleibt nicht länger als
eine Sekunde lang im Zustand EIN 16. Während dieser Zeit werden die
Kurzzeitdurchschnitte mit dem VOICE-Schwellenwert verglichen. Wenn
die Bedingung erfüllt
ist, dann geht der VOX in den RASTEN-Zustand. Wenn die Zeituhr vor der
Erfüllung
dieser Bedingung eine Sekunde erreicht, dann geht der VOX in den
AUS-Zustand.
-
Alternativ
wurde auch gefunden, dass ein anderes zuverlässiges Verfahren zum Bewegen
vom EIN-Zustand in den RASTEN-Zustand darin besteht, eingehende
Kurzzeit-Deltas mit dem DELTA-Schwellenwert
zu vergleichen. Wenn eine bestimmte vorbestimmte Anzahl dieser Kurzzeit-Deltas
den DELTA-Schwellenwert erfüllt,
bevor die Zeituhr eine Sekunde erreicht, dann geht der VOX in den
RASTEN-Zustand. Ansonsten kehrt er in den AUS-Zustand zurück. Die
derzeitige Ausgestaltung des Algorithmus arbeitet mit diesem zweiten
Verfahren zum Übergehen
vom EIN- in den RASTEN-Zustand und gibt vor, dass vier Kurzzeit-Deltas
größer sein
müssen
als der DELTA-Schwellenwert, damit VOX vom EIN- in den RASTEN-Zustand
geht.
-
Im
Zustand RASTEN 14 sendet der VOX. Der VOX bleibt unendlich
lange im Zustand RASTEN 14. Zum Verlassen des Rasten-Zustands
muss eine Zwei-Sekunden-Periode verstreichen, während der die VOX- und DELTA-Schwellenwerte
nicht erfüllt sind.
Dies zeigt an, dass die Signalleistung auf den Pegel der Geräusche abgesunken
ist, was bedeutet, dass keine Sprache mehr vorhanden ist. Nach dem Verlassen
des Zustands RASTEN 14 kehrt der VOX in den AUS-Zustand
zurück.
-
Wie
in 1 gezeigt, umfasst der VOX der vorliegenden Erfindung
eine Zustandsmaschine. Die Pfeilrichtungen zeigen an, welche Zustände mögliche nächste Zustände für dieses
System sind, und es werden die Schwellenwerte angegeben, die einen Übergang
von einem Zustand zum nächsten
zulassen.
-
Unter
perfekten Bedingungen wird der VOX niemals in dem Moment aktivieren,
in dem ein Benutzer zu sprechen beginnt. Es muss zumindest die Zeit verstreichen,
die zum Berechnen eines neuen STA-Delta benötigt wird, bevor der VOX vom
WARTE-Zustand in den EIN-Zustand umschalten und zu senden beginnen
kann. Durch diese Verzögerung können die
ersten paar gesendeten Sekunden, möglicherweise ein ganzes Wort,
abgeschnitten werden. Aus diesem Grund wird ein Datenpuffer verwendet. Dieser
Puffer speichert wenigstens Daten von einer STA-Länge (512
Abtastsignale oder 64 ms für
die gegebene Anwendung). Wenn ermittelt wird, dass Sprache vorhanden
ist, dann gibt der VOX zwei Signale aus. Ein Signal wird um die
Länge des
Puffers verzögert,
um den gesamten Datenpuffer plus den Rest des Signals zu senden,
bis der VOX deaktiviert. Dieser Ausgang wird über das Kommunikationssystem
gesendet, so dass kein Zuhörer
einen Teil der Meldung verpasst. Der andere Ausgang ist das tatsächliche
Echtzeitsignal und wird ohne Verzögerung, für die Zwecke einer lokalen
Mithörtonerzeugung,
direkt zurück
zum Sprecher gesendet. Dies erfolgt aus zwei Gründen: erstens erzeugt eine
Verzögerung
von mehr als 5 ms ein ablenkendes Echo, wenn der Sprecher den lokalen
Mithörton
hört; zweitens
beeinträchtigt
ein abgeschnittenes lokales Mithörtonsignal
die Bedeutung oder Verständlichkeit
nicht, da der Sprecher weiß,
was er/sie gesagt hat.
-
Während des
anfänglichen
Testens des VOX arbeitet der Algorithmus am besten, wenn die Hintergrundgeräusche weißes Gaußsches Rauschen
sind. Da weißes
Gaußsches
Rauschen am wenigsten wie Sprache in der Zeitdomäne ist, konnte der VOX die Anwesenheit
von verständlicher
Sprache schnell und korrekt erfassen. Panzergeräusche sind viel stärker spektral
gefärbt,
und der VOX würde
häufig
einen Fehlalarm erzeugen, wenn nur Geräusche vorliegen, oder würde die
Erkennung von Sprache aufgrund der Ähnlichkeit zwischen Sprache
und Rauschen verpassen. Da weißes
Gaußsches
Rauschen am wünschenswertesten
sind, wurde ein adaptiver spektraler Weißfilter mit sehr positiven
Ergebnissen implementiert.
-
Der
Filter wurde zwar hauptsächlich
zum Verbessern der VOX-Leistung hinzugefügt, aber es wurde auch gefunden,
dass er einen Teil der Geräusche
am Ausgang storniert, so dass ein deutlicheres Sprachsignal für den Hörer erzeugt
wird. So ist es möglicherweise
wünschenswert,
den Ausgang des Filters als Ausgang des VOX zu verwenden, wenn Sprache
vorhanden ist. Man hat festgestellt, dass der Filter sich selbst
so adaptiert, dass er grob ein Hochpassfilter für die meisten Signale ist.
Dies legt den Schluss nahe, dass impulsive Hochfrequenzgeräusche möglicherweise
nicht effektiv storniert werden können, so dass ein Fehlalarm
verursacht wird. Ebenso ist der Filter nicht so effektiv, wenn die
Geräusche
hauptsächlich
in denselben Frequenzbändern
wie Sprache vorliegen.
-
Es
wird nun mit Bezug auf 2 der adaptive Filter der vorliegenden
Erfindung erläutert.
Der Filter versucht, den Fehler zu reduzieren, der aus der Differenz
zwischen dem Eingangssignal und dem gefilterten Signal resultiert.
Der Aktualisierungskoeffizient α wird
klein genug gewählt,
so dass der Filter nicht instabil wird. Die Verzögerungszeit D wurde experimentell
als dann am effektivsten ermittelt, wenn sie gleich einem Abtastsignal
für die
gegebene Anwendung ist. Aufgrund der Beschränkungen der Verarbeitungsleistung
wurden vier Abgriffe verwendet. Die Koeffizienten wurden adaptiv
wie folgt aktualisiert: coeff(i) = coefi(i) + α* error *
x(i-D)
-
Der
Fehler wird als Filterausgang verwendet. Es ist nützlich,
die Adaptierung der Koeffizienten zu unterbrechen, wenn Sprache
vorhanden ist, indem der letzte Satz von Koeffizienten verwendet
wird, der vor der Erfassung von Sprache berechnet wurde. Dadurch
wird verhindert, dass der Filter versucht, das Sprachsignal ebenfalls
zu unterdrücken.
-
Die
Elemente werden in der folgenden Reihenfolge implementiert:
- A. Adaptiven Filter auf eingehendes Datenabtastsignal
anwenden.
- B. Den Filterausgang zum Berechnen von Datenelementen verwenden.
- C. Bei Bedarf Schwellenwerte berechnen.
- D. Ermitteln, in welchem Zustand sich der VOX gerade befindet.
- E. Ermitteln, ob der VOX seinen Zustand ändern muss.
- F. Entweder das ursprüngliche
Signal (für
die Zustände
EIN 16 und RASTEN 14) oder null (für die Zustände WARTEN 12 und
AUS 10) zurückgeben.
-
Man
wird verstehen, dass der hierin beschriebene und in den Zeichnungen
dargestellte beispielhafte sprachgesteuerte Schalter lediglich eine derzeit
bevorzugte Ausgestaltung der Erfindung repräsentiert. In der Tat können verschiedene
Modifikationen und Additionen an einer solchen Ausgestaltung vorgenommen
werden, ohne von Wesen und Umfang der Erfindung abzuweichen. So
wird beispielsweise die Fachperson verstehen, dass verschiedene
andere DSP-Chips als der DSP-Chip TI TMS320C2xx ebenfalls geeignet
sind. In der Tat kann jedes andere Mittel zum Ausführen der
digitalen Signalverarbeitungsfunktionen geeignet sein, und es braucht überhaupt
kein DSP-Chip verwendet zu werden. Dies kann besonders dann gelten,
wenn die Verarbeitungsgeschwindigkeit von Universalmikroprozessoren
bis zu dem Punkt zunimmt, an dem sie ganzzahlige Arithmetik rasch
ausführen
können. Ebenso
erfolgte die Erörterung
der vorliegenden Erfindung bei einem Einsatz in einem Panzer lediglich beispielhaft
und nicht begrenzend. Die Fachperson wird verstehen, dass verschiedene
andere Anwendungen der vorliegenden Erfindung existieren. Somit sind
diese sowie weitere Modifikationen und Additionen für die Fachperson
möglicherweise
offensichtlich und können
implementiert werden, um die vorliegende Erfindung für den Einsatz
in einer Reihe verschiedener anderer Anwendungen zu adaptieren.