MXPA06015235A - Metodo y aparato para ecualizar senal de frecuencia vocal generada dentro de un sistema de aparato de respiracion autonomo. - Google Patents
Metodo y aparato para ecualizar senal de frecuencia vocal generada dentro de un sistema de aparato de respiracion autonomo.Info
- Publication number
- MXPA06015235A MXPA06015235A MXPA06015235A MXPA06015235A MXPA06015235A MX PA06015235 A MXPA06015235 A MX PA06015235A MX PA06015235 A MXPA06015235 A MX PA06015235A MX PA06015235 A MXPA06015235 A MX PA06015235A MX PA06015235 A MXPA06015235 A MX PA06015235A
- Authority
- MX
- Mexico
- Prior art keywords
- noise
- inhalation
- frequency signal
- model
- mask
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000029058 respiratory gaseous exchange Effects 0.000 title description 34
- 230000001755 vocal effect Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 36
- 238000012546 transfer Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 claims 2
- 239000003570 air Substances 0.000 description 74
- 230000003595 spectral effect Effects 0.000 description 35
- 238000001514 detection method Methods 0.000 description 25
- 238000001228 spectrum Methods 0.000 description 19
- 230000008901 benefit Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000002441 reversible effect Effects 0.000 description 7
- 239000000872 buffer Substances 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000005534 acoustic noise Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/02—Divers' equipment
- B63C11/26—Communication means, e.g. means for signalling the presence of divers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0316—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude
- G10L21/0364—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude for improving intelligibility
- G10L2021/03643—Diver speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
- Percussion Or Vibration Massage (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Transmitters (AREA)
Abstract
Un metodo para ecualizar una senal de frecuencia vocal generada dentro un sistema de distribucion de aire presurizado, el metodo incluye los pasos de: generar un modelo de ruido de inhalacion (1152) basado en el ruido de inhalacion; recibir una senal de entrada (802) que incluye una senal de frecuencia vocal; e ecualizar la senal de frecuencia vocal (1152) sobre la base del modelo de ruido.
Description
MÉTODO Y APARATO PARA ECUALIZAR SEÑAL DE FRECUENCIA VOCAL GENERADA DENTRO DE UN SISTEMA DE APARATO DE RESPIRACIÓN
AUTÓNOMO CAMPO DE LA INVENCIÓN La presente invención se relaciona, de manera general, con un sistema de distribución de aire presurizado acoplado a un sistema de comunicación.
ANTECEDENTES DE LA INVENCIÓN Las comunicaciones buenas, confiables entre personal relacionado con actividades ambientales peligrosas, como el combate de incendios, son esenciales para lograr su misión, manteniendo a la vez su propia salud y seguridad. Las condiciones de trabajo pueden requerir el uso de un sistema de distribución de a re presurizado, por ejemplo, una máscara y un sistema de distribución de aire de Aparato de Respiración Autónomo (SCBA) , una máscara y un sistema de distribución de a re de Aparato de Respiración Subacuático Autónomo (SCUBA), o un sistema de máscara de oxigeno de aeronave. Sin embargo, aún cuando el personal use esos sistemas de distribución de aire presupzado, es deseable que se mantengan buenas comunicaciones confiables y la salud y seguridad personal sean verificadas efectivamente. La FIGURA 1 ilustra un diagrama de bloques simple de un sistema de la técnica anterior 100 que incluye un sistema de distribución de aire presurizado 110 acoplado a un sistema de comunicación 130. El sistema de distribución de aire presurizado típicamente incluye: una máscara de respiración 112, como una máscara SCBA; un cilindro de aire (no mostrado); un regulador 118; una manguera de alta presión 120 conectada al regulador 118 al cilindro de aire. Dependiendo del tipo de sistema de distribución de aire 110 que esté siendo usado, el sistema 110 puede proporcionar protección a un usuario, por ejemplo: proporcionando al usuario aire respirable limpio; alejando las toxinas peligrosas del alcance de los pulmones del usuario; protegiendo a los pulmones del usuario de que sean quemados por aire sobrecalentado en una estructura en ignición; protegiendo los pulmones del usuario del agua; y proporcionando protección al usuario contra quemaduras faciales y respiratorias. Además, en general, la máscara se considera un sistema de respiración de demanda por presión debido a que el aire es típicamente suministrado solo cuando el usuario de la máscara inhala. El sistema de comunicación 130 típicamente incluye un micrófono convencional 132 que esté diseñado para registrar la frecuencia vocal del usuario de la máscara y que puede ser montado dentro de la máscara, fuera de y unido a la máscara, y o sujetarse en la mano sobre un orificio emisor de voz sobre la máscara 112. El sistema de comunicación 130 incluye además una unidad de comunicación 134 como un radio bidireccional que el usuario de la máscara puede usar para comunicar su frecuencia vocal por ejemplo, a otras unidades de comunicación. El dispositivo del micrófono de la máscara 132 puede ser conectado directamente a la radio 134 o a través de un dispositivo de procesamiento electrónico intermedio 138. Esta conexión puede ser a través de un cable de alambre convencional (por ejemplo, 136) , o podria efectuarse de manera inalámbrica usando un sistema transmisor/receptor de corto alcance RF, infrarrojo o ultrasónico convencional. El dispositivo de procesamiento electrónico intermediario 138 puede ser implementado, por ejemplo, como un procesador de señales digitales y puede contener dispositivos electrónicos interconexión, amplificadores de audio, y alimentación de energia por baterías para el dispositivo y para el micrófono de la máscara. Existen algunos inconvenientes asociados con el uso de sistemas como el sistema 100. Esas limitaciones serán descritas, para facilitar la ilustración, con referencia al diagrama de bloques de la FIGURA 2, el cual ilustra la trayectoria de audio de la máscara a la radio del sistema 100 ilustrado en la FIGURA 1. La alimentación de frecuencia vocal 210 (por ejemplo S,_(f)) de los labios entra a la máscara (por ejemplo una máscara SCBA), la cual tiene una función de transferencia acústica 220 (por ejemplo MSK(f)) que se caracteriza por resonancias y nulos acústicos. Esas resonancias y nulos se deben al volumen de la cavidad de la máscara y las reflexiones del sonido de las superficies internas de la máscara. Esos efectos caracterizados por la función de transferencia MSK(f) distorsionan la forma de onda de la frecuencia vocal alimentada S^f) y alteran su contenido espectral. Otra fuente de sonido es el ruido 230 generado por el equipo de respiración (por ejemplo, el ruido de inhalación del regulador) que también entra a la máscara, y es afectado por la MSK(f). Otra función de transferencia 240 (por ejemplo, NPk(f)) contribuye al hecho de que el ruido sea generado de un lugar ligeramente diferente en la máscara diferente a la frecuencia vocal. La frecuencia vocal y el ruido S (f) son convertidos de energia acústica a una señal electrónica por un micrófono el cual tiene su propia función de transferencia 250 (por ejemplo, M?C(f)). La señal del micrófono pasa entonces típicamente a través de un amplificador de audio y otro circuito, la cual tiene también una función de transferencia 260 (por ejemplo, MAA(f ) ) . Una señal de salida 270 (por ejemplo, S0(f)) de MAA(f) puede entonces ser alimentada a una radio para su procesamiento adicional y transmisión. Regresando a los inconvenientes de sistemas como el sistema 100, un ejemplo de esos inconvenientes se relaciona con la generación de esos sistemas de ruidos acústicos estridentes como parte de su operación. De manera más especifica, esos ruidos pueden degradar significativamente la calidad de las comunicaciones, especialmente cuando se usan en sistemas electrónicos como radios. Uno de esos ruidos es el de un artefacto de audio prominente introducido por un sistema de distribución de aire presurizado, como un sistema SCBA, el ruido de inhalación del regulador, el cual es ilustrado en la FIGURA 2 como cuadro 230. El ruido de inhalación del regulador ocurre como una ráfaga de ruido de banda ancha que ocurre cada vez que el usuario de la máscara inhala. La presión negativa en la máscara hace que la válvula del regulador de aire se abra, permitiendo que entre aire a alta presión a la máscara y produzca un ruido silbante estridente. Este ruido es captado por el micrófono del sistema de comunicaciones de la máscara junto con la frecuencia vocal resultante, y tiene aproximadamente la misma energia que la frecuencia vocal. El ruido de inhalación generalmente no enmascara la frecuencia vocal puesto que este típicamente ocurre solo durante la inhalación. Sin embargo, puede causar problemas-ejemplos de los cuales se describen a continuación. Por ejemplo, el ruido de inhalación puede activar circuitos VOX (conmutadores operados por voz) abriendo y ocupando por lo tanto canales de radio e interfiriendo potencialmente con otros hablantes en el mismo canal de radio. Además, en sistemas de comunicación que usan radios digitales, el ruido de inhalación puede activar algoritmos VAD (Detector de Actividad de Voz) causando confusión en la estimación de ruido en algoritmos de supresión de ruido más abajo de la cadena de procesamiento de señales de radio. Además, el ruido de inhalación es, en general, molesto a un escucha. Un segundo inconveniente de sistemas como el sistema 100 se describe más adelante. Esos sistemas usan máscaras que típicamente abarcan la nariz y la boca, o toda la cara. La máscara del sistema de aire forma una cavidad de aire cerrada de geometría fija que exhibe un conjunto particular de resonancias y antiresonancias (nulos) acústicos que son función del volumen de la máscara y las geometrías de las superficies reflectoras internas, y que altera las propiedades espectrales de la frecuencia vocal dentro de la máscara. De manera más especifica, en la caracterización de la trayectoria de audio de la máscara (FIGURA 2), la parte más desafiante del sistema es la función de transferencia acústica (220) de los labios del hablante al micrófono de la máscara. Esas distorsiones espectrales pueden degradar significativamente el funcionamiento de los sistemas de comunicación de frecuencia vocal unidos, especialmente sistemas que usen codees digitales paramétricos que no estén optimizados para manejar frecuencia vocal corrompida. La distorsión de la máscara acústica ha mostrado afectar la calidad e inteligibilidad del sistema de comunicación, especialmente cuando están implicados codees digitales paramétricos. Generalmente, además del ruido de inhalación, los efectos del sistema de aire producen una pérdida más grande de calidad de frecuencia vocal aparente debido a la pobre acústica de la máscara. La FIGURA 3 ilustra un ejemplo de una respuesta de magnitud espectral medida dentro de la máscara (320) y la salida del micrófono de la máscara (310) y una función de transferencia combinada calculada (330) para la máscara, el micrófono y el amplificador del micrófono. Esos datos particulares fueron obtenidos usando una máscara SCBA montada sobre un simulador de cabeza y torso. La excitación acústica consistió de una onda sinusoidal de barrido de 3 Hz - 10 KHz excitando un simulador de boca artificial. Como lo ilustra la FIGURA 3, el espectro es atenuado significativamente a frecuencias inferiores a 500 Hz y superiores a 4.0 KHz, principalmente debido a un filtro de paso de banda de preamplificador en el micrófono, y contiene el número de picos y hendiduras espectrales fuertes en la región de paso de banda de paso de frecuencia vocal significativa entre 50 y 4.0 KHz. Esos picos y hendiduras espectrales son generalmente causados por reflexiones dentro de la máscara que producen filtración de peine, y condiciones de resonancia de la cavidad. Los picos y hendiduras espectrales significativas modulan los componentes y formantes del tono de la frecuencia vocal y a medida que se mueven hacia atrás y hacia delante a través de la banda de paso, dando como resultado una frecuencia vocal de calidad degradada y distorsionada. Puede ser deseable determinar la función de transferencia o funciones de transferencia que caractericen a ese sistema con funciones de transferencia que sean usadas para definir el sistema de igualación para reducir la distorsión de la frecuencia vocal. Existen numerosas técnicas probadas para determinar de manera adaptable una función de transferencia de sistema e ecualizar un canal de transmisión. Un método efectivo para determinar una función de transferencia de sistema es usar una señal de referencia de banda ancha para excitar el sistema y determinar los parámetros del sistema. Un problema de estimación en la función de transferencia de muchos ambientes de transmisión de frecuencia vocal es que no está fácilmente disponible una señal de excitación de banda ancha adecuada. Un método común es el uso de un espectro de frecuencia vocal promedio a largo plazo como referencia. Sin embargo, el tipo de adaptación usando esta referencia puede tomar un periodo prolongado, particularmente si la frecuencia vocal alimentada es escasa. Además, el espectro de frecuencia vocal a largo plazo puede variar considerablemente para y entre individuos con actividades de servicio público que frecuentemente implican gritos y tensión emocional que pueden alterar el espectro de frecuencia vocal considerablemente. Otro inconveniente asociado con sistemas como el sistema 100 es la ausencia de métodos y aparatos más eficientes para medir ciertos parámetros del usuario de la máscara, por ejemplo, parámetros biométricos. La medición de esos parámetros de individuos que trabajan en ambientes peligrosos, que pueden estar usando sistemas como el sistema 100, es importante para verificar la seguridad y desempeño de aquellos individuos. Por ejemplo, mediciones de la velocidad de respiración y consumo de aire individual son parámetros importantes que caracterizan su carga de trabajo, condición fisiológica, nivel de tensión y consumo del suministro de aire almacenados (es decir, el tiempo de trabajo disponible) . Los métodos convencionales para medir la respiración implican el uso de la pletismografia de impedancia toráxica o mediciones de temperatura del flujo de aire usando un detector termistor. Sin embargo, obtener mediciones confiables, usando esos métodos convencionales, de individuos que trabajan en ambientes físicamente demandantes como el combate de incendios es más difícil debido al momento físicamente intenso que puede causar desplazamiento de los detectores y artefactos montados en el cuerpo típicamente usados para tomar las mediciones. De este modo, existe la necesidad de métodos y aparatos para detectar y atenuar efectivamente el ruido de inhalación, ecualizar la frecuencia vocal (es decir, remover efectos de dispersión) y medir parámetros asociados con los usuarios en el sistema que incluya un sistema de distribución de aire presurizado acoplado a un sistema de comunicación.
BREVE DESCRIPCIÓN DE LAS FIGURAS Ahora es descrita una modalidad preferida de la invención, a manera de ejemplo únicamente, con referencia a las figuras acompañantes en las cuales:
La Figura 1 ilustra un diagrama de bloques simple de un sistema de la técnica anterior que incluye un sistema de distribución de aire presurizado para respirar, acoplado al sistema de comunicación; La Figura 2 ilustra una trayectoria de audio de la máscara a la radio del sistema ilustrado en la Figura 1; La Figura 3 ilustra un ejemplo de una respuesta de magnitud espectral medida dentro de la máscara y la salida del micrófono de la máscara y una función de transferencia combinada calculada para la máscara, un micrófono, y el amplificador del micrófono; La Figura 4 ilustra un ejemplo de un ruido de inhalación generado por un regulador de aire SCBA; La Figura 5 ilustra el espectro de magnitud a largo plazo del ruido de inhalación ilustrado en la Figura 4; La Figura 6 ilustra cuatro espectros superpuestos de ruidos de inhalación generados por un solo hablante que usa una máscara SCBA dada; La Figura 7 ilustra la salida de audio de un micrófono SCBA que muestra ráfagas de ruido de inhalación entremezcladas con frecuencia vocal; La Figura 8 ilustra un diagrama de bloques simple de un método para detectar y eliminar el ruido de inhalación de acuerdo con una modalidad de la presente invención;
La Figura 9 ilustra un diagrama de bloques simple de una modalidad de un igualador espectral usado en el método de la Figura 8; La Figura 10 ilustra un diagrama de bloques simple de otra modalidad de un igualador espectral usado en el método de la Figura 8; La Figura 11 ilustra un diagrama de bloques simple de un método para ecualizar la señal de frecuencia vocal de acuerdo con otra modalidad de la presente invención; La Figura 12 ilustra un espectro de ruido de inhalación antes de la igualación en comparación con el espectro después de la igualación con el filtro inverso
LPC de décimo cuarto orden y vigésimo orden, de acuerdo con la presente invención; La Figura 13 ilustra un diagrama de bloques simple de un método para la determinación de la frecuencia de ruido de inhalación y la determinación de la velocidad de respiración y el uso del volumen aire de acuerdo con otra modalidad de la presente invención para usarse en la medición de parámetros biométricos; La Figura 14 ilustra una señal de una entrada de micrófono que contiene frecuencia vocal y ruido de inhalación del regulador de aire; La Figura 15 ilustra el error de modelo normalizado promedio de la señal ilustrada en la Figura 14 de acuerdo a lo determinado por el método ilustrado en la Figura 13; La Figura 16 ilustra la señal de salida del detector de ruido de inhalación generada por el método ilustrado en la Figura 13; y La Figura 17 ilustra la salida del detector de inhalación integrado generada por el método ilustrado en la Figura 13.
DESCRIPCIÓN DETALLADA DE LA INVENCIÓN Aunque esta invención es representativa de modalidades en muchas formas diferentes, ellas se muestran en las figuras y se describirán con detalle aqui modalidades especificas, comprendiendo que la presente descripción debe considerarse como un ejemplo de los principios de la invención y que no pretende limitar la invención a las modalidades especificas mostradas y descritas. Además, los términos y frases usadas aqui no se consideran limitantes, sino meramente descriptivas. También deberá apreciarse que por simplicidad y claridad de ilustración, los elementos mostrados en las Figuras no necesariamente han sido dibujados a escala. Por ejemplo, las dimensiones de algunos elementos se exageraron en relación a otros. Además, donde se consideró apropiado, han sido repetidos números de referencia entre las figuras para indicar los elementos correspondientes. Antes de describir con detalle los diferentes aspectos de la presente invención, seria útil comprender la invención para proporcionar una descripción más detallada del ruido de inhalación del regulador de aire que fue descrito de manera breve anteriormente. El ruido de inhalación es el resultado del aire a alta presión que entra a un SCBA u otra máscara de sistema de distribución de aire presurizado cuando una persona inhala y se abre la válvula del regulador. La turbulencia en la válvula crea un ruido silbante de banda ancha, muy estridente, acoplado directamente a la máscara SCBA, el cual es comparable en amplitud con el micrófono con la señal de frecuencia vocal. Un ejemplo de un ruido de inhalación típico 400 registrado dentro de una máscara SCBA y su espectrograma de banda ancha 500 se muestra, respectivamente en las Figuras 4 y 5. Como puede observarse en la Figura 5, el ruido espectral es de banda ancha con picos espectrales prominentes ocurriendo en aproximadamente 500, 1700, 2700 y 6000 Hz. Los picos se deben a resonancias dentro de la máscara y filtración de peine debido a reflexiones internas de la máscara y pueden variar en frecuencia y magnitud con diferentes modelos, tamaños y configuraciones de máscara. La coloración del espectro del ruido es típicamente estacionaria para una combinación de mascaras/usuario particular puesto que la geometría interna aproximada es esencialmente constante una vez que la máscara es colocada sobre la cara. Esto es demostrado en la Figura 6, donde los espectros de tres ruidos de inhalación separados (610, 620 y 630) de un micrófono de máscara SCBA, para el mismo hablante usando una máscara SCBA dada, se muestran superpuestos. Esta consistencia también ha sido observada para diferentes hablantes y para máscaras de diferentes fabricantes. Sin embargo, la alta similitud espectral del ruido del regulador de aire de diferentes hablantes que usen la misma máscara también se observó. Finalmente, la Figura 7 ilustra un ejemplo de frecuencia vocal 710 registrada en un sistema SCBA. Como lo demuestra la Figura 7, los efectos del ruido de inhalación 720 no son sobre la frecuencia vocal en si, puesto que las personas normalmente no tratan de hablar mientras inhalan. Sin embargo, el ruido es de suficiente energia y espectro para causar problemas en el circuito detector de frecuencia vocal y de supresión de ruido en radios y para presentar confusión al escucha. Un primer aspecto de la presente invención es un método y un aparato para detectar y eliminar ruido de inhalación en un sistema de distribución de aire presurizado acoplado en un sistema de comunicación, como el sistema 100 ilustrado en la Figura 1. El método de acuerdo con esta modalidad de la presente invención también es referido aqui como el método ARINA (Atenuador de Ruido de Inhalación del Regulador de Aire) . Las bases del método ARINA para identificar y eliminar el ruido de inhalación del regulador de aire es el ruido relativamente estacionario en relación con la frecuencia vocal y en comparación con otros tipos de ruido, por ejemplo, ruidos de varios ambientes. Un diagrama de bloques del método ARINA 800 se muestra en la Figura 8 y puede ser dividido en cuatro secciones: Igualación del Modelo de Ruido 810, Detección de Ruido 830, Atenuación de Ruido 850 y Actualización del Modelo de Ruido 870. La metodología básica del método ARINA 800 puede ser resumida como sigue. El método 800 modela el ruido de inhalación usando preferiblemente el filtro digital (por ejemplo un filtro digital de codificación predictiva lineal totalmente polar (LPC) ) . El método 800 filtra entonces la señal de entrada de audio (es decir, la frecuencia vocal y el ruido captados por el micrófono de la máscara) usando una inversa del filtro de modelo de ruido y compara la energia de la salida del filtro del modelo de ruido inverso con la de la señal de entrada u otra referencia de energia. Durante los periodos de señales en los cuales ocurre una igualación espectral cerrada entre la señal de entrada y el modelo, el ruido de inhalación del regulador que comprende la señal de entrada puede ser atenuado a cualquier nivel deseado. Pasando a los aspectos específicos del método ARINA 800 como se ilustra en la Figura 8, el primer paso en el procesamiento es detectar la ocurrencia del ruido de inhalación comparando continuamente una señal de entrada 802 contra un modelo de ruido de referencia via la sección de Igualación del Modelo de Ruido 810 del método 800, la cual puede en la modalidad preferida ser implementada de acuerdo con la Figura 9 o la Figura 10 dependiendo de la complejidad de la implementación a ser tolerada. Sin embargo, aquellos expertos en la técnica comprenderán que pueden ser usados métodos de igualación espectral alternativos. Los dos métodos de igualación preferidos indicados anteriormente como se ilustra en la Figura 9 y en la Figura 10 son referidos aqui como el Método de Error de Modelo Normalizado (o NME) y el método de distorsión de Itakura-Saito (o I-S) . En ambos métodos, el modelo de ruido de referencia es representado por un filtro digital (912, 1012) que se aproxima a las características espectrales del ruido de inhalación. En la modalidad preferida, este modelo es representado como lí
un filtro totalmente polar (autorregresión) especificado por un conjunto de coeficientes de LPC. Sin embargo, aquellos expertos en la técnica reconocerán que pueden ser usados modelos de filtro alternativos en lugar del modelo totalmente polar como, por ejemplo, un modelo ARMA (promedio de movimiento autorregresivo) conocido. Los coeficientes del filtro de modelo del ruido de referencia se obtienen a partir de un conjunto de coeficientes de autocorrelación derivados de al menos una muestra digitalizada del ruido de inhalación. Una muestra de ruido inicial y los coeficientes de autocorrelación iniciales correspondientes (872) pueden ser obtenidos fuera de linea de cualquier número de prerregistros de ruido y no son críticos para la implementación de la presente invención. Además, los experimentos han mostrado que la muestra de ruido inicial de una máscara SCBA, por ejemplo, también funciona bien para otras máscaras del mismo diseño y en algunos casos para máscaras de diferentes diseños. Los coeficientes de autocorrelación pueden ser calculados directamente de datos de ruidos muestreados sin tratar, o derivados de otras representaciones de parámetros espectrales comúnmente usados como coeficientes de LPC o reflexión, usando métodos comunes bien conocidos por aquellos expertos en la técnica.
En la modalidad preferida, los coeficientes de autocorrelación del modelo de ruido son calculados de acuerdo a la siguiente fórmula estándar: N- ? R, = S ?nXn+, i = 0,1,2,..., p, p « N „=] EC-1
donde i?¿ es el iésimo coeficiente de un máximo de p coeficientes de autocorrelación, x„ es la nésima muestra de un segmento de una muestra de señal de ruido de inhalación tipico en el cual existe un máximo de N muestras, y Ro representa la energia de todo el segmento. El orden de la función de autocorrelación, p, es típicamente de entre 10 y 20 con el valor para la modalidad preferida siendo 14. Además, idealmente las N muestras de señales son colocadas en una ventana usando una ventana de Hamming antes que se efectúe la correlación para uniformar la estimación espectral. La ventana de Hamming es descrita por: w (n) = 0.54 - 0.46cos ( 2pn/N) , n = 0, 1, 2, ... , _V-1. Ec 2 Aquellos expertos en la técnica reconocerán que pueden ser usados otros métodos de ventana. Los coeficientes de autocorrelación del modelo de ruido son a continuación usados para determinar un
conjunto de coeficientes de LPC de modelo de ruido de lOmo orden, a?,a2,...ap, que representan un filtro de modelo predictivo lineal totalmente polar con una función
de transferencia de representación de dominio z de:
1 H {z ) ? \ + a,z ' + a1z L +• ?- a z Ec 3
donde z = e"jn?T es la variable de transformación
de z. En este ejemplo se determinaron los coeficientes de
LPC de décimo orden (10th) . Sin embargo, puede ser
seleccionado un orden diferente de coeficientes de LPC
sobre la base de implementación particular. La
transformación de la autocorrelación a los parámetros de
LPC (pasos 912, 1012) puede ser efectuada usando
cualquiera de un número de técnicas de transformación
conocidas por aquellos expertos en la técnica. En la
modalidad preferida, los parámetros de LPC son derivados
de los parámetros de autocorrelación usando el método de
Durbin bien conocido por aquellos expertos en la técnica.
Pasando ahora a los aspectos específicos del
método de igualación espectral NME ilustrado en la Figura
9, el modelo del filtro de ruido LPC totalmente polar
derivado es invertido para formar un filtro de LPC
inverso (paso 914):
ñ (? ) = 1 +tf,z ' + a2z 2 + - - - + a z p . EC-4
Idealmente una señal de entrada de audio muestreada y filtrada de paso bajo 802 obtenida del micrófono de la máscara que contiene frecuencias vocales y ruido de inhalación, S (z) , se hace pasar a través del filtro inverso ñ(z) (paso 914) para obtener una señal de salida,
Y(z) = S(z)Ñ(z). EC_5
Las energías, Eentrada, Esai?da de las señales de entrada y salida del filtro inverso son entonces calculadas (respectivamente en los pasos 918 y 916) y se calcula una medida de la distorsión D en el paso 920 y funciona como una medida similar entre el modelo de ruido y la señal de entrada. El limite inferior teórico sobre D es cero para una orden infinito, pero en la práctica, el limite inferior será determinado por la señal de entrada y que también se iguale el modelo de ruido del orden finito. En esta implementación, la medida de la distorsión es definida por la relación de Esa?lda a Eentradaf referida como el error del modelo normalizado [ NME) , calculado en el paso 920 como: E HsaM . .a Y y((zz)? 2 EC-6 D = NME = 77 2 ^ entrada S(z)
La energía de la señal de entrada puede entonces ser removida de acuerdo con que también se iguale el modelo de ruido. En la modalidad preferida, la filtración de la señal descrita anteriormente, es efectuada via convolución en el dominio del tiempo aunque también podria efectuarse en el dominio de la frecuencia de acuerdo a lo indicado en las ecuaciones precedentes. El proceso de la señal para el método ARINA 800 se efectúa generalmente sobre la base de un cuadro segmentado. En la modalidad preferida, la señal de entrada 802 es filtrada a paso bajo, muestreada a 8.0 KHz, almacenada temporalmente en bloques de 80 muestras (10 mseg), y pasada a través del filtro de modelo de ruido inverso (EC-5) . De este modo, toda la filtración es efectuada sobre 80 segmentos de muestra consecutivos de la señal de entrada 802. El error del modelo normalizado
(NME) del filtro de modelo de ruido inverso es entonces calculado dividiendo la energia de cuadro de salida del filtro por la energia del cuadro de la señal de entrada
(EC-6) . Este cálculo, es efectuado idealmente sobre una base de subcuadro para una mejor resolución del tiempo.
De este modo, cada cuadro de 80 puntos es dividido en subcuadros, por ejemplo 4, subcuadros de 20 puntos, aunque pueden ser usadas divisiones de subcuadro alternativas dependiendo del grado de exactitud requerido. La señal de error del modelo normalizado
(NME) total puede entonces ser uniformada promediando la energia del filtro de salida Esalida de los últimos 16 subcuadros y dividiendo esa cantidad por el promedio de las energías del filtro de entrada Eentrada de 16 subcuadros alineados en el tiempo, correspondientes. Esto no agrega ningún retraso al análisis sino que ayuda a remover las caldas transitorias y los efectos de los ruidos de fondo estridentes que puedan alterar el espectro del ruido regulador. El valor de NME promedio es por lo tanto usado, en esta implementación de la presente invención, como una medida del modelo de ruido al espectro de la señal de entrada igualmente. En la modalidad preferida, el segundo método de igualación del modelo de ruido más complejo pero más exacto 810 como se ilustra en la FIGURA 10 es una modificación del método de distorsión de Itakura-Saito . El método I-S para determinar la similitud espectral entre dos señales es bien conocido por aquellos expertos en la técnica. En este método la energia del filtro inverso del modelo de ruido residual es comparada con la energia residual del filtro de señales "óptimo" en lugar de con la energia de la señal de entrada como en el método NME previamente descrito. El filtro es "óptimo" en el sentido de que iguala mejor el espectro del segmento de la señal actual. La energia residual correspondiente a la señal filtrada óptima es calculada usando los pasos 1018-1024.
En el método I-S en el paso 1018, idealmente se combinan dos memorias intermedias de 80 muestras consecutivas de la señal de entrada 802 en un solo segmento de 160 muestras. El segmento de 160 muestras es colocado en una ventana usando preferiblemente una ventana de Hamming de 160 puntos dada por:
(2pn/160) , n=0, 1, 2, ..., 159. EC-7
Los datos de la señal de la ventana son entonces autocorrelacionados usando el método descrito en la EC-1. Esos coeficientes de autocorrelación generados en el paso 1018 son designados como k¡, i = 0,1,2,..., ?. Se deriva un conjunto de coeficientes de LPC correspondientes de los coeficientes de autocorrelación usando preferiblemente el algoritmo de Durbin en el paso 1020 de la misma manera como se usó para generar los parámetros del modelo de ruido de referencia en el paso 1012. Los coeficientes de LPC del modelo de señal generados en el paso 1020 son designados como á = 1,2...,/?. En el paso 1022, esos coeficientes de LPC (paso 1020) son autocorrelacionados de acuerdo a la EC-9 más adelante, produciendo 6 Usando esos parámetros, se calcula la energia residual de la señal, Es, a través de este filtrado calculado en el paso 1024 como:
E, = A + 1 ±Lb6A, EC-8 ;=1
EC-9 ,á,á,+,,0</</?,á0 = 1. /=0
La energia de la señal de entrada que pasa a través del modelo de ruido es calculado usando los pasos 1012-1016. En el paso 1012 los coeficientes de LPC del modelo de ruido son calculados de los coeficientes de autocorrelación del modelo de ruido (874) como se describió anteriormente. Esos coeficientes de LPC generados en el paso 1012 son designados como a i = l,2,...,p. En el paso 1014, los coeficientes de LPC (del paso 1012) son autocorrelacionados de acuerdo a la EC-11 más adelante, produciendo bx. Usando esos parámetros y la secuencia de autocorrelación calculada en el paso 1018,
R;, se calcula la energia de la señal que pasa a través
del modelo de ruido de referencia en el paso 1016 como se da por la EC-10:
EC-10 p-? *, -S aJaJ < 0 < i < p, a0 = \ . =0 EC-11
Una medida de la distorsión espectral, D, del modelo de señal "óptimo" al modelo de ruido de referencia se calcula en el paso 1028 como se define: E D = -. EC-12 e,
A más similar el modelo de la señal sea con el modelo de ruido de referencia más cercana será la medida de distorsión a 1.0 el cual es el limite inferior. Esta medida de distorsión es usada por la sección de Detección de Ruido 830 del método ARINA 800 para determinar la presencia del ruido de inhalación. La medida de la distorsión I-A es calculada usando 160 muestras en la modalidad preferida. La clasificación del ruido de inhalación de acuerdo a lo determinado por la medida de distorsión I-S es asociada con cada cuadro de 80 muestras del segmento de 160 muestras. Además, únicamente necesitan efectuarse los pasos 1012 y 1014 para generar un modelo de ruido inicial (por ejemplo, sobre la base de los coeficientes de autocorrelación iniciales 872) o actualizar el modelo de ruido de acuerdo con la sección de Actualización del Modelo de Ruido 870 referida anteriormente y descrita en detalle más adelante. En la porción de Detección de Ruido 830 del método ARINA 800, el valor derivado de la igualación espectral 810 (es decir la medida de NME o la distorsión I-S, la cual representa la medida de similitud entre la señal de entrada y el modelo de ruido) es entonces comparada (caso 832) con un valor umbral derivado empíricamente (por ejemplo, Dmin?) • Este umbral de detección es seleccionado para detectar la presencia del ruido de inhalación mientras no se clasifique erróneamente la frecuencia vocal u otros tipos de ruido, como ruido de inhalación. Además, dependiendo de la especificidad del modelo de filtro de ruido, las variaciones espectrales del ruido de inhalación de la similitud de algunos sonidos de frecuencia vocal con el modelo de ruido, por ejemplo, pueden ocurrir detecciones falsas. Por lo tanto, puesto que la duración de un ruido de inhalación del regulador de aire verdadero es comparada en gran medida con artefactos de la frecuencia vocal, también se aplica idealmente una prueba de umbral de duración del ruido (paso 834). De este modo, el umbral de detección debe satisfacer un número predeterminado de cuadros consecutivos "Ki" (por ejemplo 4 cuadros) antes de que sea validada la detección. La energia de la señal relativa, los cruces en cero de la forma de onda, y otra información de parámetros característicos puede ser incluida en el esquema de detección para mejorar la discriminación de la frecuencia vocal/ruido de inhalación. De este modo si ambos criterios umbral son satisfechos (de los pasos 832 y 834), la igualación espectral se considera aceptablemente cercana y se asume que actualmente está presente un ruido de inhalación. En la porción de Atenuación de Ruido 850 del método ARINA 800, la salida de porción de Detección de Ruido 830 es usada para conectar un multiplicador de señales de salida (852) a través del cual pasa la señal de entrada 802. Si fue detectado el ruido de inhalación, la ganancia del multiplicador G se fija en el paso 854 en algún valor de atenuación deseado " Gm?n" . Este valor de la ganancia de atenuación puede ser de 0.0 para eliminar completamente el ruido o puede fijarse en un valor más alto para eliminar completamente el ruido de inhalación pero no suprimirlo. La supresión total puede no ser deseable para asegurar a un escucha que el regulador de aire está funcionando. En la modalidad preferida Gm?n tiene un valor de 0.05. De otro modo si no es detectado ruido de inhalación, la ganancia G se fija idealmente en un 1.0, de modo que no se atenúe la señal de frecuencia Vocal. Las variaciones de este esquema de activación/ multiplicación pueden ser empleadas. Por ejemplo pueden ser empleadas variaciones que permitan que el ataque y decaimiento de la conexión sea menos abrupta, reduciendo la posibilidad de atenuar frecuencia Vocal que pueda ocurrir directamente antes o después del ruido de inhalación, mejorando por lo tanto la calidad percibida de la frecuencia vocal. Además, como puede observarse fácilmente del método 800, el beneficio importante de esta invención es que la señal original no es alterada excepto cuando se detecte un ruido regulador, a diferencia de los métodos de filtración de ruido continuo, convencionales. Un componente importante del método ARINA 800 es la capacidad para actualizar periódicamente un modelo de ruido para propósitos de detección. Por ejemplo, con el tiempo, los movimientos de la máscara de aire sobre la cara pueden producir cambios en sus efectos sobre la función de transferencia acústica. También, el uso de la máscara de aire por diferentes personas o el uso de diferentes máscaras significará que el espectro del modelo de ruido de referencia inicial puede desviarse del espectro de ruido de inhalación actual. Actualizando periódicamente el modelo de ruido de referencia original, puede mantenerse un modelo de ruido de referencia actual exacto. En consecuencia, la Sección de Actualización del Modelo de Ruido 870 del método ARINA 800 se usa para actualizar el modelo de ruido. La sección de Actualización del Modelo de Ruido 870 usa la salida de la Sección de Detección de ruido 830 para determinar cuando el modelo del filtro LPC de referencia del ruido de inhalación del regulador deberá ser actualizado. Por ejemplo, la salida de la sección de Detección de Ruido 830 puede ser comparada con un segundo valor umbral determinado empíricamente (por ejemplo Drain2) en el paso 876 para determinar si se actualiza el modelo de ruido. Cuando es satisfecho el umbral, un número de subcuadros consecutivos detectados como ruido de inhalación puede ser contado (paso 878), y las muestras de señales en cada subcuadro almacenadas en una memoria intermedia. Cuando el número de subcuadros de ruido consecutivos excede un número umbral "K2" (por ejemplo, 8 subcuadros, 160 muestras en la modalidad preferida) se toma la decisión de actualizar el modelo de ruido en el paso 880. Si es detectado un subcuadro sin ruido (por ejemplo, en cualquiera de los pasos 832, 834 y 876), el conteo de cuadros de ruido se reestablece en cero en el paso 884, y el conteo de los cuadros de ruido se actualiza en el paso 878. Los coeficientes de autocorrelación para los "K2" subcuadros de señales consecutivos que representan el ruido de inhalación actualmente detectado pueden entonces ser calculados en el paso 882 usando las fórmulas previamente establecidas EC-1 y EC-2. Esos nuevos coeficientes de autocorrelación son usados para actualizar el modelo de ruido, los coeficientes de autocorrelación en el paso 874. Idealmente los coeficientes de autocorrelación calculados en el paso 882 son promediados con los coeficientes de autocorrelación del modelo de ruido previos en el paso 874 usando una sola fórmula ponderada, simple, por ejemplo :
R *EF = aR REF + _ a) R NUEVO EC-13 donde Rt son los coeficientes de autocorrelación del modelo de ruido de referencia actual gNUEvo son -^os coeficientes de autocorrelación de la muestra del ruido de inhalación actualmente detectada, y a es un factor de ponderación entre 1.0 y 0.0 que determina que tan rápido se analizó el modelo de referencia inicial. Este factor de ponderación puede ser ajustado dependiendo de que tan rápido cambien las características espectrales del ruido de inhalación, lo cual, como se hizo notar anteriormente, usualmente es lento. Entonces se calcula nuevamente un conjunto de coeficientes de LPC para el filtro inverso del modelo de ruido a partir de las autocorrelaciones del modelo actualizado en los pasos 912 y 1012. Pueden colocarse restricciones sobre el ajuste al modelo de ruido, de modo que puedan ocurrir grandes desviaciones del modelo de ruido debido a detecciones falsas. Además, los coeficientes del modelo de ruido de referencia iniciales (872) son almacenados, de modo que el sistema pueda reajustarse al estado del modelo inicial si es necesario. La capacidad de adaptación del método 800 descrita anteriormente con referencia a la sección de Actualización del Modelo de Ruido 870 permite al sistema adaptar las características de una máscara y regulador particulares y permite el desempeño de detección óptimo. Las ventajas del método ARINA 800 incluyen que la señal de frecuencia vocal en si no es afectada de manera irreversible por el algoritmo de procesamiento, como es el caso de algoritmos que emplean la filtración continua convencional. Una ventaja adicional es que el modelaje de LPC usado aqui es simple, fácilmente adaptable en tiempo real, es sencillo y computacionalmente eficiente. Aquellos expertos en la técnica comprenderán que las ventajas anteriores no significan que se abarquen todas las ventajas asociadas con la modalidad ARINA de la presente invención sino solo significa que sirven como representativas de la misma. En un segundo aspecto de la presente invención es un método y un aparato para ecualizar una señal de frecuencia vocal en un sistema de distribución de aire presurizado acoplado a un sistema de comunicación, como un sistema 100 ilustrado en la Figura 1. El método de acuerdo con esta modalidad de la presente invención también es referido aqui como método AMSE (Igualador de Frecuencia de Máscara de Aire) . Las bases del método AMSE para la igualación es el estado estacionario relativo del ruido en comparación con la frecuencia vocal y es comparado con otros tipos de ruidos, como por ejemplo, varios ruidos ambientales. Puesto que las condiciones de resonancia de la máscara afectan tanto al ruido del regulador como la señal de frecuencia vocal, la igualación del ruido también deberá producir un igualador apropiado para ecualizar la señal de frecuencia vocal, aunque los picos y nulos debido a reflexiones del sonido serán ligeramente diferentes entre el ruido y la frecuencia vocal debido a las diferencias en la localización de las fuentes entre la frecuencia vocal y el ruido. El método AMSE usa un ruido de inhalación de regulador de aire de banda ancha, presente en todos los sistemas de respiración de aire presurizado del tipo de máscara (por ejemplo un SCBA), para estimar los picos y nulos espectrales de resonancia acústica (es decir la función de transferencia acústica de magnitud espectral) producidos por la cavidad y estructuras de la máscara. Este reconocimiento espectral es entonces usado para construir un filtro inverso digital compensador en tiempo real, el cual es aplicado para ecualizar la señal de frecuencia vocal distorsionada espectralmente y producir una señal de salida que se aproxime a la frecuencia vocal no distorsionada que seria reproducida sin la máscara. Esta acción mejora la calidad del audio obtenido del micrófono de la máscara y puede dar como resultado una mejor inteligibilidad de las comunicaciones. Pasando a los aspectos específicos del método AMSE, un diagrama de bloques del método 1100 se muestra en la Figura 11 y puede ser dividido en cuatro secciones: Igualación del Modelo de Ruido 1110, Detección de Ruido 1130, Igualación de la Frecuencia de la Máscara 1150, y Actualización del Modelo de Ruido 1170. Las secciones de Igualación del Modelo de Ruido, Detección del Ruido, y Actualización del Modelo de Ruido del método AMSE son idealmente idénticas a las secciones correspondientes del método ARINA que fueron descritas anteriormente con detalle. Por lo tanto, con el propósito de ser breves, no se repetirá aqui la descripción detallada de esas tres secciones. Sin embargo, a continuación se da la descripción detallada de la sección de Igualación de la Frecuencia Vocal de la Máscara 1150 (dentro del área discontinua) del método AMSE 1100. Usando la Sección de Igualación de la Frecuencia vocal 1150 del método AMSE 1100, se usan los coeficientes de autocorrelación de referencia de ruido de inhalación para generar un modelo de ruido de LPC de enésimo orden del ruido en el paso 1152 usando la EC-3 anterior. El modelo LPC generado en el paso 1152 caracteriza la función de transferencia de la máscara, por ejemplo, MSK(f) en la Figura 2, y para el ruido de inhalación también incluye la función de transferencia de la trayectoria de ruido NP(f). Preferiblemente el modelo de 14t0 orden es adecuado pero puede ser usado cualquier orden. Aquellos expertos en la técnica, reconocerán que pueden ser usados modelos de filtro alternativos en lugar del modelo totalmente polar como, por ejemplo, un modelo ARMA (promedio de movimiento autorregresivo) conocido. Además, la operación de filtración puede ser implementada en el dominio con frecuencia en oposición a las operaciones de filtración en el dominio de tiempo descritas anteriormente con respecto a las modalidades preferidas de la presente invención. Los coeficientes del modelo LPC son entonces usados preferiblemente en un filtro inverso (de acuerdo con EC-4) a través del cual se hace pasar la señal de frecuencia vocal en el paso 1156. Haciendo pasar la señal de frecuencia vocal a través del filtro inverso se iguala efectivamente la segunda entrada, removiendo por lo tanto las distorsiones (picos y hendiduras) espectrales causadas por la función de transferencia de la máscara MSK(f) en la Figura 2. La filtración posterior en el paso 1158 se efectúa idealmente usando un filtro posterior fijo adecuado sobre la señal igualada para corregir cualquier ruido no blanco de la inhalación, o para dar a la señal de frecuencia vocal una calidad de tono especifica para ecualizar de manera óptima los requerimientos de un siguiente codee o radio especifico. Esta filtración posterior también puede ser usada para compensar la función de transferencia de trayectoria de ruido NP(f) en la Figura 2. El efecto del igualador del método AMSE 800 en un ruido regulador de aire se muestra en la Figura 12 para dos filtros de igualación de diferente orden. Específicamente, la Figura 12 ilustra una representación espectral 1210 de una ráfaga de ruido de igualación antes de la igualación. Se ilustran además los espectros de ruido de inhalación después de la igualación usando un filtro de igualación de 14t0 orden (1220) de un filtro de igualación de 20mo orden (1230) . Como puede observarse, un pico espectral es aplanado extremadamente bien por el filtro de igualación de 20mo orden y razonablemente usando el filtro de igualación de 14tc> orden. Además, escuchando pruebas sobre la frecuencia vocal de la máscara igualada por esos filtros se demostró que la calidad de la frecuencia vocal mejoró significativamente con el uso de los filtros de igualación en comparación con la frecuencia vocal no igualada. Además, se encontró poca diferencia en la calidad percibida de la frecuencia vocal entre los filtros de esas dos órdenes. Las ventajas del método del algoritmo AMSE incluyen: 1) usa un ruido de regulador de banda ancha, espectralmente estable, regular, inherente en un sistema de máscara de aire como fuente de excitación para determinar las propiedades de resonancia acústica; 2) el modelaje de la función de transferencia del sistema es efectuado en tiempo real usando técnicas simples, bien establecidas, eficientes; 3) la igualación es efectuada en tiempo real usando las mismas técnicas eficientes; y 4) el modelo de la función de transferencia del sistema es adaptable continuamente a las condiciones cambiantes en tiempo real. Aquellos expertos en la técnica reconocerán que las ventajas anteriores no significan que abarquen todas las ventajas asociadas con la modalidad AMSE de la presente invención sino que únicamente significan que sirven como representativas de las mismas. En un tercer aspecto de la presente invención, un método y un aparato para determinar la duración y frecuencia del ruido de inhalación y determinar la velocidad de respiración y el volumen de uso de aire en un sistema de distribución de aire presurizado acoplado a un sistema de comunicación, como un sistema 100 ilustrado en la Figura 1. El método, de acuerdo con esta modalidad de la presente invención también es referido aqui como método INRRA (Analizador de la Velocidad del Respirador del Ruido de Inhalación) . El método INRRA es esencialmente una forma indirecta de medir la respiración verificando el sonido producido por el regulador de aire en lugar de medir los sonidos de respiración de una persona. Las bases del método INRRA es que un sistema de respiración de aire presurizado como un SCBA tiene un flujo de aire unidireccional. El aire puede entrar al sistema únicamente desde una fuente de aire y el regulador, y sale únicamente a través de una válvula de exhaustación. Las válvulas de admisión y exhaustación no pueden ser abiertas al mismo tiempo. De este modo, la acción de la válvula de admisión del regulador está relacionada directamente con el ciclo de respiración del usuario. Un indicador de la abertura de la válvula de admisión del regulador es el ruido de inhalación del regulador. El ruido de inhalación es resultado de aire a presión más alta que entra a un SCBA u otra máscara de un sistema de distribución de aire presurizado. La máscara es hermética al aire, de modo que cuando una persona inhala produce una presión ligeramente negativa dentro de la máscara que hace que la válvula del regulador se abra y entre aire del tanque presurizado. La turbulencia del aire a través de la válvula crea un ruido silbante de banda ancha, estridente, que está acoplado directamente a la máscara SCBA, que puede ser captado por un micrófono, y ocurre cada inhalación. Como se explicó anteriormente, el ruido que es abrupto tiene una amplitud muy constante sobre la duración de la inhalación, proporcionando una muy buena resolución del tiempo de inicio y final. Para un tipo de máscara y usuario dado, las características especiales del ruido de inhalación son muy estables, en oposición a los sonidos directos de la respiración humana los cuales varían considerablemente sobre la base de factores como el tamaño de la abertura de la boca, condición del tracto vocal, y flujo de aire de los pulmones. El INRRA capitaliza la estabilidad del ruido de inhalación del regulador de aire como medida de la velocidad de respiración. El INRRA usa un esquema de filtración igualado para identificar la presencia del ruido de inhalación por sus características espectrales totales. Además, el INRRA es capaz de adaptarse a los cambios en las características espectrales del ruido que ocurran proporcionando de este modo diferenciación óptima entre el ruido de inhalación y otros sonidos. Calculando el inicio de cada inhalación, la velocidad de respiración instantánea y su tiempo promedio pueden ser calculados fácilmente a partir de las ocurrencias de ruido e inhalación. Además, midiendo el final y calculando la duración de cada ruido de inhalación, y proporcionando alguna información acerca de la velocidad de flujo del regulador de la máscara predecible, el sistema puede proporcionar una estimación del volumen del flujo de aire. Este puede ser logrado usando únicamente la señal del micrófono que registre el ruido de inhalación. Un diagrama de bloques del método INRRA 1300 se muestra en la FIGURA 13 y puede ser dividido en cinco secciones: Igualación del Modelo de Ruido 1310, Detección de Ruido 1330, Definidor del Aliento de Inhalación 1350, Estimador de Parámetro 1370 y Actualización del Modelo de Ruido 1390. Las secciones de Igualación de Modelo de Ruido, Detección de Ruido y Actualización del Modelo de Ruido del método INRRA son idealmente idénticas a las selecciones correspondientes del método ARINA que fueron descritas anteriormente con detalle. Por lo tanto, con el propósito de ser breves, no se repetirá una descripción detallada de esas tres secciones aqui. Sin embargo, a continuación se da una descripción detallada de las secciones de Definidor del Aliento de Inhalación 1350 y Estimador de Parámetro 1370 del método INRRA 1300. Primero, se describirá el Definidor del Aliento de Inhalación 1350. El propósito de la sección 1350 del método INRRA 1300 es caracterizar el ruido de inhalación sobre la base de al menos un factor, por ejemplo, en este caso sobre la base de un conjunto de puntos finales y la duración de una o más ráfagas de ruido de inhalación completas que corresponden a respiraciones de inhalación. La decisión de la sección de Detección de Ruido de Inhalación 1330 es usado para generar una señal preferiblemente binaria, INMm, m=0,l,2,..., M-l en el paso 1352 que representa la presencia o ausencia del ruido de inhalación como una función del Índice del tiempo m usando valores de unos y ceros. La señal binaria es almacenada en una memoria intermedia giratoria de M muestras de longitud, siendo M lo suficientemente grande para almacenar suficientes muestras de la señal binaria que abarque el periodo de tiempo de al menos dos ráfagas de ruido de inhalación, o respiraciones a la velocidad de respiración más baja esperada. En la modalidad preferida, esta cantidad es de aproximadamente 15 segundos. La resolución del tiempo de esta señal binaria y el valor de M serán determinados por el tiempo del subcuadro más pequeño usando en la sección de Detección del Ruido de Inhalación 1330, descrita anteriormente, lo cual depende de la sección de Igualación del Modelo de Ruido de Inhalación, y es de 20 muestras (2.5 mseg) u 80 muestras (10 mseg) dependiendo de cual método de igualación espectral sea usado en el paso 1310. Puesto que la salida del detector del ruido de inhalación 1330 no siempre será perfecta, pueden ocurrir errores de detección durante la detección de un ruido de inhalación produciendo algo de ambigüedad sobre el inicio verdadero y los tiempos de duración de ruido. De este modo, la señal de ruido de inhalación binaria generada por el paso 1352 se integra usando un tipo de promedio de movimiento bien conocido u otro filtro adecuado en el paso 1354. Este filtro uniforma cualquier error de detección de duración corto y produce una señal más exacta que define ráfagas de ruido de inhalación completas, las cuales corresponden a la respiración. De esta señal generada en el paso 1354, puede ser determinado al menos un factor, incluyendo un tiempo de inicio exacto, _S¿, tiempo final, Ei, y tiempo de duración de la respiración, Di para cada ráfaga de ruido dentro de la exactitud de duración del cuadro de procesamiento en el paso 1356. Los tiempos inicial y final de las ráfagas de ruido de inhalación de acuerdo a lo representado por la señal binaria INMm, se obtienen sin importar sus Índices relativos dentro de la memoria intermedia de señales. La duración de Di es definida para una sola ráfaga de ruido de inhalación como: donde i designa la ésima de It ráfagas del ruido de inhalación presentes en la memoria intermedia de señales binarias de longitud M y el periodo de tiempo de T segundos. Esos valores del factor de la ráfaga del ruido de inhalación son almacenados idealmente en una memoria giratoria, de longitud finita, en un conjunto de parámetros por ráfaga de ruido/respiración. Algunos resultados de la frecuencia vocal del micrófono de la máscara SCBA procesada por las secciones del algoritmo INRRA 1310, 1330, 1352 y 1354 se muestran en las FIGURAS 14-17, las cuales se basan en la frecuencia vocal de un hablante masculino que usa una SCBA y registrada en una sala silenciosa. La FIGURA 14 muestra la frecuencia vocal de entrada 1420 entremezclada con ráfagas de ruido 1410. La FIGURA 15 muestra una representación tiempo-amplitud 1500 de la salida D medida de la distorsión espectral de la sección de Igualación del Modelo de Ruido 1310. La FIGURA 16 muestra una representación tiempo-amplitud 1600 de la salida binaria del detector de ruido de inhalación, 1330. La FIGURA 17 muestra una representación tiempo-amplitud 1700 de la salida del componente del filtro promedio de movimiento, 1354, del algoritmo del definidor del aliento 1350 que integra la salida del detector sin tratar y define exactamente la duración de cada inhalación. La sección del Estimador de Parámetro 1370 describe ejemplos de parámetros que pueden ser estimados sobre la base de factores de caracterización de ruido de inhalación por la sección del Definidor del Aliento de Inhalación 1350. Dos de esos ejemplos de parámetros que pueden ser determinados son la velocidad de respiración del usuario y el volumen del flujo de aire de inhalación aproximado. La velocidad de respiración puede ser determinada fácilmente usando la información del tiempo de inicio secuencial, Si, de ráfagas de ruido de
inhalación sucesivas que pueden ser determinadas en la sección del Definidor del Aliento de Inhalación. Por ejemplo, la velocidad de respiración "instantánea" por minuto puede ser calculada como:
60 IRR = , (S, - S,..y EC-15 donde Si son dos tiempos de inicio de ráfagas
(alientos de inhalación) de ruidos sucesivos en segundos. Una velocidad de respiración promedio puede en consecuencia ser calculada como: 60/r RR = (S, */-.) ;=1 EC-16 donde It es el número de respiraciones consecutivas detectadas (ráfagas de ruido de inhalación) en un periodo de tiempo específico T. El volumen del flujo de aire aproximado durante un aliento de inhalación puede ser estimado de la duración de la respiración que puede ser determinada por la sección del Definidor de Aliento de Inhalación, y de alguna información adicional relacionada con la presión de llenado del tanque de aire inicial y la velocidad de flujo promedio del regulador que puede ser determinada a toda la linea, por ejemplo. Cuando se abra la válvula de
admisión, el regulador de aire admite un volumen de aire a una presión casi constante hacia la máscara (una función de la presión del aire/agua del ambiente) en tanto la presión del tanque de suministro de aire permanezca por encima del nivel de presión de entrada minimo para el regulador de aire. Además, la velocidad de flujo de aire hacia la máscara es aproximadamente
constante mientras la válvula de admisión del regulador de la máscara esté abierta. La cantidad de aire removido del suministro del tanque y proporcionando al respirador es de este modo proporcionar al tiempo que la válvula de admisión está abierta. El tiempo que la válvula está abierta puede ser medido por la duración de cada ruido de inhalación. La cantidad inicial de aire en el tanque de suministro cuando se llena es función del volumen del tanque V0, como la presión de llenado P0, la temperatura del gas To, y la constante universal de los gases R, la masa del gas en moles Nm, y puede calcularse a partir de la ecuación de los gases ideales bien conocida PV=NmRT. Puesto que la presión de llenado inicial y el volumen del cilindro del tanque pueden ser conocidos, y asumiendo que la temperatura del gas del tanque y la de la máscara son la misma, el volumen de aire disponible para respirar a al presión de la máscara puede ser dado como
v v M A p«v° • M EC 17 El volumen aproximado del aire suministrado al usuario durante un evento de inhalación i es entonces: IVa. * KRDl EC 18 donde IVX es el volumen del aire, Di es la duración del evento de inhalación de acuerdo a lo determinado del ruido de inhalación, y KR es un factor de calibración relacionado con la velocidad del flujo de aire para un regulador de aire particular. KR podría derivarse empíricamente para un sistema individual o quizá determinado de los datos del fabricante. De los volúmenes de inhalación del fabricante, IVi, la cantidad total aproximada de aire usado hasta un tiempo T, Vt puede definirse como:
Vt ''"' EC 19 donde It es el número total de inhalaciones hasta el tiempo T. El aire del suministro del tanque restante es en consecuencia: VR * VM - Vt. EC 20 Algunas ventajas del método INRRA incluyen que puede usarse cualquier señal de micrófono que capte el ruido de la respiración sobre un ancho de banda de frecuencia vocal mínima, y no se necesitan detectores especiales. Otra ventaja es que el detector de la respiración se basa en la detección del ruido producido por el regulador de aire que tiene características espectrales estables, y no ruidos de la respiración humana que son de carácter variable. Otra ventaja más es que el detector de respiración no se bloquea para examinar frecuencias específicas como lo hacen otros tipos de analizadores acústicos de la respiración. Además, el sistema se adapta automáticamente a los cambios en el ambiente y a diferentes usuarios y sistemas de máscara de respiración de aire presurizado. De este modo, el método INRRA puede proporcionar continuamente, datos de la velocidad de respiración y volumen usado de aire aproximado instantáneos y promedio, los cuales fueron información valiosa que puede ser enviada automáticamente fuera del sistema 100, por ejemplo, vía un canal de datos de radio a un verificador. Aquellos expertos en la técnica comprenderán que las ventajas anteriores no significan que abarquen todas las ventajas asociadas con la modalidad INRRA de la presente invención sino que significa que sirven como representativas de las mismas. Los tres métodos de acuerdo con la presente invención (ARINA, AMSE e INRRA) son implementados preferiblemente como algoritmos de programas y sistemas de programación almacenados en un dispositivo de memoria (que podría ser incluido en un sistema de acuerdo con el sistema 100 descrito anteriormente) y los pasos de los cuales se implementaron en un dispositivo de procesamiento adecuado como, por ejemplo, un DSP 138 del sistema 100. Los algoritmos correspondientes a la autocorrelación de los métodos de filtración LPC de la presente invención igualmente podrían tomar la mayoría del tiempo del procesador. Sin embargo, esos algoritmos o todos los algoritmos correspondientes a los métodos ARINA, AMSE e INRRA pueden, de manera alternativa, ser implementados de manera eficiente en componentes físicos de computación o hardware de huella pequeña. Además, puesto que el método AMSE usa muchas de las metodologías como el método ARINA, en otra modalidad de la presente invención pueden ser combinados de manera eficiente. Aunque la invención ha sido descrita en conjunto con las modalidades especificas de la misma, pueden ocurrirseles ventajas y modificaciones adicionales a aquellos expertos en la técnica. La invención, en sus aspectos más amplios, no se limita por lo tanto a los detalles específicos, representativos del aparato, y los ejemplos ilustrativos mostrados y descritos. Varias alteraciones, modificaciones y variaciones serán evidentes a aquellos expertos a la luz de la descripción anterior. Por ejemplo, aunque un método para identificar y atenuar el ruido de inhalación fue descrito anteriormente, las metodologías presentadas con respecto a la presente invención pueden ser aplicadas a otros tipos de ruido, como ruido de exhalación u otros tipos de ruido con características espectrales pseudoestacionarias que proporcionan en sí una detección eficiente usando los métodos anteriores. De este modo, deberá comprenderse que la invención no es limitada por la descripción anterior, sino que abarca todas aquellas alteraciones, modificaciones y variaciones de acuerdo con el espíritu y alcance de las reivindicaciones anexas.
Claims (9)
- NOVEDAD DE LA INVENCIÓN Habiéndose descrito la invención como antecede, se reclama como propiedad lo contenido en las siguientes:
- REIVINDICACIONES 1. Un método para ecualizar una señal de frecuencia vocal generada dentro de un sistema de distribución de aire presurizado que incluye una máscara en la cual entra una señal de frecuencia vocal y que tiene una función de transferencia que afecta a la frecuencia vocal, el método se caracteriza porque incluye los pasos de: generar un modelo del ruido de inhalación basado en el ruido de inhalación; recibir una señal de entrada que incluye la señal de frecuencia vocal; y ecualizar la señal de frecuencia vocal sobre la base del modelo de ruido, donde el modelo de ruido caracteriza la función de transferencia de la máscara, de modo que la igualación de la señal de frecuencia vocal remueva al menos una porción de los efectos de la función de transferencia. 2. El método de conformidad con la reivindicación 1, caracterizado porque el paso de generar el modelo de ruido de inhalación comprende los pasos de: muestrear el ruido de inhalación para generar al menos una muestra digitalizada del ruido de inhalación; poner en una ventana al menos una muestra digitalizada; determinar un conjunto de coeficientes de autocorrelación de al menos una muestra digitalizada colocada en una ventana; generar un conjunto de coeficientes de codificación predictiva lineal (LPC) sobre la base del conjunto de coeficientes de autocorrelación; y generar un filtro de LPC del conjunto de coeficientes de LPC.
- 3. El método de conformidad con la reivindicación 1, caracterizado porque: el modelo de ruido es representado como una señal digital; el filtro digital es un filtro de codificación predictiva lineal (LPC) basado en un conjunto de coeficientes de LPC que son generados a partir de un conjunto de coeficientes de autocorrelación; y la señal de frecuencia vocal es igualada usando el inverso del filtro de LPC.
- 4. El método de conformidad con la reivindicación 1, caracterizado porque comprende además el paso de filtrar posteriormente la señal de frecuencia vocal igualada.
- 5. El método de conformidad con la reivindicación 1, donde la señal de entrada incluye además el ruido de inhalación, el método se caracteriza porque comprende además el paso de actualizar el modelo de ruido.
- 6. El método de conformidad con la reivindicación 5, caracterizado porque el paso de actualización del modelo de ruido comprende los pasos de: comparar la señal de entrada con el modelo de ruido para obtener una medida de similitud; y comparar la medición de similitud con al menos un umbral para detectar el ruido de inhalación en la señal de entrada, donde el modelo de ruido es actualizado sobre la base del ruido de inhalación detectado.
- 7. El método de conformidad con la reivindicación 6, caracterizado porque el modelo de ruido es un filtro de codificación predictiva lineal (LPC) basado en un conjunto de coeficientes de LPC que son generados sobre la base de un primer conjunto de coeficientes de autocorrelación, el paso de actualización del modelo de ruido comprende además los pasos de: muestrear el ruido de inhalación detectado para generar al menos una muestra digitalizada del ruido de inhalación detectado; determinar un segundo conjunto de coeficientes de autocorrelación a partir de al menos una muestra digitalizada; actualizar el primer conjunto de coeficientes de autocorrelación como función del primer y segundo conjuntos de coeficientes de autocorrelación; actualizar el conjunto de coeficientes de LPC sobre la base del conjunto actualizado de coeficientes de autocorrelación; y actualizar el filtro de LPC sobre la base de un conjunto actualizado de coeficientes de LPC.
- 8. Un dispositivo para ecualizar una señal de frecuencia vocal en un sistema de distribución de aire presurizado que incluye una máscara en la cual entra una señal de frecuencia vocal y que tiene una función de transferencia que afecta a la frecuencia vocal, el dispositivo se caracteriza porque comprende: un elemento de procesamiento; y un elemento de memoria acoplado al elemento de procesamiento para almacenar un programa de computadora para dar instrucciones al dispositivo de procesamiento para efectuar los pasos de: generar un modelo de ruido de inhalación sobre la base del ruido de inhalación; recibir una señal se entrada que incluye la señal de frecuencia vocal; e ecualizar la señal de frecuencia vocal sobre la base del modelo de ruido, donde el modelo de ruido caracteriza la función de transferencia de la máscara de modo que la igualación de la señal de frecuencia vocal remueva al menos una porción de los efectos de la función de transferencia.
- 9. Un sistema para ecualizar una señal de frecuencia vocal, caracterizado porque comprende: un sistema de distribución de aire presurizado que incluye una máscara en la cual entra la señal de frecuencia vocal y que tiene una función de transferencia que afecta a la frecuencia vocal; y un sistema de comunicación acoplado al sistema de distribución de aire presurizado, el sistema comprende : un elemento de procesamiento; y un elemento de memoria acoplado al elemento de procesamiento para almacenar un programa de computadora para dar instrucciones al dispositivo de procesamiento para efectuar los pasos de: generar un modelo de ruido de inhalación basado en el ruido de inhalación; recibir una señal de entrada que incluye una señal de frecuencia vocal; e ecualizar la señal de frecuencia vocal sobre la base del modelo de ruido, donde el modelo de ruido caracteriza la función de transferencia de la máscara, de modo que la igualación de la señal de frecuencia vocal remueva al menos una porción de los efectos de la frecuencia de transferencia. RESUMEN DE LA INVENCIÓN Un método para ecualizar una señal de frecuencia vocal generada dentro un sistema de distribución de aire presurizado, el método incluye los pasos de: generar un modelo de ruido de inhalación (1152) basado en el ruido de inhalación; recibir una señal de entrada (802) que incluye una señal de frecuencia vocal; e ecualizar la señal de frecuencia vocal (1152) sobre la base del modelo de ruido.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/882,450 US7254535B2 (en) | 2004-06-30 | 2004-06-30 | Method and apparatus for equalizing a speech signal generated within a pressurized air delivery system |
PCT/US2005/019827 WO2006007290A2 (en) | 2004-06-30 | 2005-06-06 | Method and apparatus for equalizing a speech signal generated within a self-contained breathing apparatus system |
Publications (1)
Publication Number | Publication Date |
---|---|
MXPA06015235A true MXPA06015235A (es) | 2007-03-26 |
Family
ID=35658374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
MXPA06015235A MXPA06015235A (es) | 2004-06-30 | 2005-06-06 | Metodo y aparato para ecualizar senal de frecuencia vocal generada dentro de un sistema de aparato de respiracion autonomo. |
Country Status (9)
Country | Link |
---|---|
US (1) | US7254535B2 (es) |
EP (1) | EP1769493B1 (es) |
JP (1) | JP4468447B2 (es) |
CN (1) | CN101010731A (es) |
AU (1) | AU2005262623B2 (es) |
CA (1) | CA2572715C (es) |
DE (1) | DE602005008974D1 (es) |
MX (1) | MXPA06015235A (es) |
WO (1) | WO2006007290A2 (es) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7748380B1 (en) | 2004-04-06 | 2010-07-06 | Sti Licensing Corporation | Combined air-supplying/air-purifying system |
US7658190B1 (en) | 2004-04-06 | 2010-02-09 | Sti Licensing Corp. | Portable air-purifying system utilizing enclosed filters |
US7505902B2 (en) * | 2004-07-28 | 2009-03-17 | University Of Maryland | Discrimination of components of audio signals based on multiscale spectro-temporal modulations |
US9185487B2 (en) | 2006-01-30 | 2015-11-10 | Audience, Inc. | System and method for providing noise suppression utilizing null processing noise subtraction |
JP4476355B2 (ja) * | 2006-05-04 | 2010-06-09 | 株式会社ソニー・コンピュータエンタテインメント | エコー及びノイズキャンセレーション |
CN101548555B (zh) * | 2006-12-07 | 2012-10-03 | Akg声学有限公司 | 用于隐藏多通道布置的一条或多条通道中的信息失落的方法 |
US8265937B2 (en) * | 2008-01-29 | 2012-09-11 | Digital Voice Systems, Inc. | Breathing apparatus speech enhancement using reference sensor |
US8245706B2 (en) * | 2009-06-22 | 2012-08-21 | Motorola Solutions, Inc. | Pressure activated remote microphone |
EP2453979B1 (en) * | 2009-07-17 | 2019-07-24 | Implantica Patent Ltd. | A system for voice control of a medical implant |
JP5294085B2 (ja) * | 2009-11-06 | 2013-09-18 | 日本電気株式会社 | 情報処理装置、その付属装置、情報処理システム、その制御方法並びに制御プログラム |
US8473287B2 (en) | 2010-04-19 | 2013-06-25 | Audience, Inc. | Method for jointly optimizing noise reduction and voice quality in a mono or multi-microphone system |
US8538035B2 (en) | 2010-04-29 | 2013-09-17 | Audience, Inc. | Multi-microphone robust noise suppression |
US8781137B1 (en) | 2010-04-27 | 2014-07-15 | Audience, Inc. | Wind noise detection and suppression |
US9558755B1 (en) | 2010-05-20 | 2017-01-31 | Knowles Electronics, Llc | Noise suppression assisted automatic speech recognition |
US8447596B2 (en) * | 2010-07-12 | 2013-05-21 | Audience, Inc. | Monaural noise suppression based on computational auditory scene analysis |
US8965756B2 (en) | 2011-03-14 | 2015-02-24 | Adobe Systems Incorporated | Automatic equalization of coloration in speech recordings |
US9183844B2 (en) * | 2012-05-22 | 2015-11-10 | Harris Corporation | Near-field noise cancellation |
CN104937580B (zh) * | 2012-09-24 | 2018-03-27 | 约翰·汉密尔顿 | 通信和语音增强*** |
US9943712B2 (en) | 2012-09-24 | 2018-04-17 | Dolores Speech Products Llc | Communication and speech enhancement system |
US9640194B1 (en) | 2012-10-04 | 2017-05-02 | Knowles Electronics, Llc | Noise suppression for speech processing based on machine-learning mask estimation |
US9498658B2 (en) * | 2013-02-01 | 2016-11-22 | 3M Innovative Properties Company | Respirator mask speech enhancement apparatus and method |
US9517366B2 (en) | 2013-02-01 | 2016-12-13 | 3M Innovative Properties Company | Respirator mask speech enhancement apparatus and method |
FR3005823B1 (fr) * | 2013-05-14 | 2016-10-14 | Elno | Microphone comportant un interrupteur de sourdine, et masque de respiration comprenant un tel microphone |
GB2519117A (en) | 2013-10-10 | 2015-04-15 | Nokia Corp | Speech processing |
DE112015003945T5 (de) | 2014-08-28 | 2017-05-11 | Knowles Electronics, Llc | Mehrquellen-Rauschunterdrückung |
US10163453B2 (en) | 2014-10-24 | 2018-12-25 | Staton Techiya, Llc | Robust voice activity detector system for use with an earphone |
US9843859B2 (en) | 2015-05-28 | 2017-12-12 | Motorola Solutions, Inc. | Method for preprocessing speech for digital audio quality improvement |
US11631421B2 (en) * | 2015-10-18 | 2023-04-18 | Solos Technology Limited | Apparatuses and methods for enhanced speech recognition in variable environments |
CN105405447B (zh) * | 2015-10-27 | 2019-05-24 | 航宇救生装备有限公司 | 一种送话呼吸噪声屏蔽方法 |
CN106935247A (zh) * | 2017-03-08 | 2017-07-07 | 珠海中安科技有限公司 | 一种用于正压式空气呼吸器和狭小密闭空间的语音识别控制装置及方法 |
IT201700090078A1 (it) * | 2017-08-03 | 2019-02-03 | Mestel Safety S R L | Maschera per uso subacqueo, in particolare di tipo granfacciale dotata di dispositivo di comunicazione. |
US11404061B1 (en) * | 2021-01-11 | 2022-08-02 | Ford Global Technologies, Llc | Speech filtering for masks |
FR3142639A1 (fr) * | 2022-11-28 | 2024-05-31 | 52 Hertz | Procede de caracterisation d’un filtre pour le traitement d’une voix d’un individu, dispositif de communication |
Family Cites Families (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3347229A (en) * | 1965-02-23 | 1967-10-17 | Sierra Eng Co | Latch operated microphone switch for breathing mask |
US3415245A (en) * | 1965-03-08 | 1968-12-10 | Y2 Associates | Noise-suppression diving apparatus |
US3850168A (en) * | 1971-09-21 | 1974-11-26 | Puritan Bennett Corp | Oxygen mask apparatus |
US4154981A (en) * | 1977-12-16 | 1979-05-15 | The United States Of America As Represented By The Secretary Of The Navy | Telephone system for diver communication |
US4376916A (en) * | 1980-05-29 | 1983-03-15 | Cbs Inc. | Signal compression and expansion system |
US4720802A (en) * | 1983-07-26 | 1988-01-19 | Lear Siegler | Noise compensation arrangement |
DE3609097A1 (de) * | 1986-03-19 | 1987-09-24 | Draegerwerk Ag | Sprech- und hoereinrichtung fuer atemgeraete |
US5143078A (en) * | 1987-08-04 | 1992-09-01 | Colin Electronics Co., Ltd. | Respiration rate monitor |
US4862503A (en) * | 1988-01-19 | 1989-08-29 | Syracuse University | Voice parameter extractor using oral airflow |
US4958638A (en) * | 1988-06-30 | 1990-09-25 | Georgia Tech Research Corporation | Non-contact vital signs monitor |
US5222190A (en) * | 1991-06-11 | 1993-06-22 | Texas Instruments Incorporated | Apparatus and method for identifying a speech pattern |
US5307793A (en) * | 1992-06-29 | 1994-05-03 | Puritan-Bennett Corporation | Microphone signal attenuating apparatus for oxygen masks |
US5444786A (en) * | 1993-02-09 | 1995-08-22 | Snap Laboratories L.L.C. | Snoring suppression system |
KR0121126B1 (ko) * | 1994-06-09 | 1997-12-04 | 구자홍 | 전자악기의 자동반주시 코드변화처리방법 |
EP0771515A2 (en) * | 1995-04-03 | 1997-05-07 | Koninklijke Philips Electronics N.V. | Signal amplification system with automatic equalizer |
FI951918A (fi) * | 1995-04-21 | 1996-10-22 | Nokia Mobile Phones Ltd | Lähetin-vastaanotinlaite ja menetelmä kompleksien I/Q-signaalin synnyttämiseksi ja käsittelemiseksi |
US5730140A (en) * | 1995-04-28 | 1998-03-24 | Fitch; William Tecumseh S. | Sonification system using synthesized realistic body sounds modified by other medically-important variables for physiological monitoring |
US5605145A (en) | 1995-07-18 | 1997-02-25 | Puritan-Bennett Corporation | Microphone attenuation device for use in oxygen breathing masks |
US5579284A (en) * | 1995-07-21 | 1996-11-26 | May; David F. | Scuba diving voice and communication system using bone conducted sound |
US5822360A (en) * | 1995-09-06 | 1998-10-13 | Solana Technology Development Corporation | Method and apparatus for transporting auxiliary data in audio signals |
EP0776114A3 (fr) * | 1995-11-22 | 1997-06-04 | Laboratoires D'electronique Philips S.A.S. | Appareil téléphonique avec volume réglable en fonction de bruit ambiant |
US5727074A (en) * | 1996-03-25 | 1998-03-10 | Harold A. Hildebrand | Method and apparatus for digital filtering of audio signals |
US5734090A (en) * | 1996-03-27 | 1998-03-31 | Alcohol Sensors International, Ltd. | Method and apparatus for sonic breath determination |
GB9609321D0 (en) * | 1996-05-03 | 1996-07-10 | British Telecomm | Automatic speech recognition |
US6470315B1 (en) * | 1996-09-11 | 2002-10-22 | Texas Instruments Incorporated | Enrollment and modeling method and apparatus for robust speaker dependent speech models |
AUPO247496A0 (en) * | 1996-09-23 | 1996-10-17 | Resmed Limited | Assisted ventilation to match patient respiratory need |
US5890111A (en) * | 1996-12-24 | 1999-03-30 | Technology Research Association Of Medical Welfare Apparatus | Enhancement of esophageal speech by injection noise rejection |
US6295364B1 (en) * | 1998-03-30 | 2001-09-25 | Digisonix, Llc | Simplified communication system |
US8023665B2 (en) * | 1998-05-04 | 2011-09-20 | Schwartz Stephen R | Microphone-tailored equalizing system |
US6199550B1 (en) * | 1998-08-14 | 2001-03-13 | Bioasyst, L.L.C. | Integrated physiologic sensor system |
FR2786308B1 (fr) * | 1998-11-20 | 2001-02-09 | Sextant Avionique | Procede de reconnaissance vocale dans un signal acoustique bruite et systeme mettant en oeuvre ce procede |
US6324499B1 (en) * | 1999-03-08 | 2001-11-27 | International Business Machines Corp. | Noise recognizer for speech recognition systems |
US6304844B1 (en) * | 2000-03-30 | 2001-10-16 | Verbaltek, Inc. | Spelling speech recognition apparatus and method for communications |
US20020116186A1 (en) * | 2000-09-09 | 2002-08-22 | Adam Strauss | Voice activity detector for integrated telecommunications processing |
US6892175B1 (en) * | 2000-11-02 | 2005-05-10 | International Business Machines Corporation | Spread spectrum signaling for speech watermarking |
KR200226168Y1 (ko) * | 2000-12-28 | 2001-06-01 | 엘지전자주식회사 | 이퀄라이저 기능을 구비한 휴대 통신 장치 |
JP3609748B2 (ja) * | 2001-05-14 | 2005-01-12 | 株式会社バーテックススタンダード | マイクロホンの特性調整装置 |
GB2380644A (en) * | 2001-06-07 | 2003-04-09 | Canon Kk | Speech detection |
US6702752B2 (en) * | 2002-02-22 | 2004-03-09 | Datex-Ohmeda, Inc. | Monitoring respiration based on plethysmographic heart rate signal |
-
2004
- 2004-06-30 US US10/882,450 patent/US7254535B2/en active Active
-
2005
- 2005-06-06 DE DE602005008974T patent/DE602005008974D1/de not_active Expired - Fee Related
- 2005-06-06 JP JP2007519235A patent/JP4468447B2/ja not_active Expired - Fee Related
- 2005-06-06 WO PCT/US2005/019827 patent/WO2006007290A2/en active Application Filing
- 2005-06-06 CA CA2572715A patent/CA2572715C/en not_active Expired - Fee Related
- 2005-06-06 CN CNA2005800219855A patent/CN101010731A/zh active Pending
- 2005-06-06 AU AU2005262623A patent/AU2005262623B2/en not_active Ceased
- 2005-06-06 EP EP05756478A patent/EP1769493B1/en not_active Expired - Fee Related
- 2005-06-06 MX MXPA06015235A patent/MXPA06015235A/es not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
CA2572715C (en) | 2012-04-03 |
EP1769493B1 (en) | 2008-08-13 |
AU2005262623B2 (en) | 2008-07-03 |
JP2008505538A (ja) | 2008-02-21 |
US20060020451A1 (en) | 2006-01-26 |
JP4468447B2 (ja) | 2010-05-26 |
DE602005008974D1 (de) | 2008-09-25 |
EP1769493A4 (en) | 2007-08-22 |
US7254535B2 (en) | 2007-08-07 |
WO2006007290A2 (en) | 2006-01-19 |
WO2006007290B1 (en) | 2006-08-24 |
EP1769493A2 (en) | 2007-04-04 |
WO2006007290A3 (en) | 2006-06-01 |
CA2572715A1 (en) | 2006-01-19 |
CN101010731A (zh) | 2007-08-01 |
AU2005262623A1 (en) | 2006-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
MXPA06015235A (es) | Metodo y aparato para ecualizar senal de frecuencia vocal generada dentro de un sistema de aparato de respiracion autonomo. | |
AU2005262624B2 (en) | Method and apparatus for detecting and attenuating inhalation noise in a communication system | |
AU2005262586B2 (en) | Method and apparatus for characterizing inhalation noise and calculating parameters based on the characterization | |
US6377919B1 (en) | System and method for characterizing voiced excitations of speech and acoustic signals, removing acoustic noise from speech, and synthesizing speech | |
US20080019538A1 (en) | Method and apparatus for removing periodic noise pulses in an audio signal | |
US20100131268A1 (en) | Voice-estimation interface and communication system | |
Turan | Enhancement of throat microphone recordings using gaussian mixture model probabilistic estimator | |
Strand et al. | On the feasibility of ASR in extreme noise using the PARAT earplug communication terminal | |
Park et al. | Speech quality enhancement for in-ear microphone based on neural network | |
Wolf | Channel selection and reverberation-robust automatic speech recognition | |
Radha et al. | A Study on Alternative Speech Sensor | |
Rao et al. | Implementation and evaluation of spectral subtraction with minimum statistics using WOLA and FFT modulated filter banks | |
Gerritsen et al. | A source impedance compensated artificial voice for mask speech intelligibility testing: Thevenin model | |
Singer | The effects of microphones and facemasks on LPC vocoder performance | |
Junqua et al. | Dealing with noisy speech and channel distortions | |
Kushner et al. | The acoustic properties of SCBA equipment and its effects on speech communication | |
Kang et al. | Voice Biometrics for Information Assurance Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FA | Abandonment or withdrawal |