The Perception of Phase Intercept Distortion and its Application in Data Augmentation

Resumen Técnico: Distorsión de Intercepto de Fase y su Aplicación en Aprendizaje Automático

1. Planteamiento del Problema

En el procesamiento de señales de audio, la distorsión de fase (alteración de las relaciones de fase entre frecuencias) se considera generalmente indeseable, ya que puede afectar el timbre percibido. Sin embargo, el sistema auditivo humano no es sensible a todas las formas de distorsión.
El problema central abordado en este trabajo es la distorsión de intercepto de fase (phase-intercept distortion), un caso especial de distorsión de fase creada por un desplazamiento de fase independiente de la frecuencia (un desplazamiento de fase constante $\theta$ aplicado a todas las frecuencias).

• Hipótesis: Aunque este tipo de distorsión altera significativamente la forma de onda temporal de la señal, el desplazamiento de fase constante es imperceptible para el oído humano en señales de audio reales (monaurales).
• Oportunidad: Si la distorsión es imperceptible, podría utilizarse como una herramienta de augmentación de datos para el aprendizaje automático (ML) en audio, aumentando la diversidad del conjunto de entrenamiento sin introducir artefactos auditivos.

2. Metodología

El estudio se divide en dos fases principales: una evaluación perceptual humana y una serie de experimentos de aprendizaje automático.

A. Experimento de Percepción Humana

• Participantes: 26 sujetos (de una muestra inicial de 48) con audición normal, incluyendo músicos y no músicos.
• Estímulos: 30 muestras de audio (10 música, 10 habla, 10 sonidos del mundo real) extraídas de conjuntos de datos como AudioSet, MUSDB18-HQ y Librispeech.
• Procedimiento:
  1. Se aplicó distorsión de intercepto de fase a las señales originales. Esto se logra calculando la Transformada de Hilbert para construir la señal analítica, rotándola por un ángulo $\theta$ aleatorio (muestreado uniformemente entre $-\pi$ y $\pi$) y tomando la parte real.
  2. Se utilizó un diseño de elección forzada de dos alternativas (A/B). Los participantes escuchaban una señal de referencia y dos opciones (A y B), donde una era la original y la otra la distorsionada.
  3. Se aplicaron desvanecimientos (fade-in/out) para evitar artefactos de borde y normalización de amplitud.
• Análisis Estadístico: Se empleó un enfoque bayesiano (distribución Beta) para determinar si la tasa de aciertos se desviaba significativamente del azar (50%).

B. Experimentos de Aprendizaje Automático (Augmentación de Datos)

• Objetivo: Evaluar si la distorsión de intercepto de fase mejora el rendimiento de modelos de ML en tareas de audio.
• Estrategia: La augmentación se aplicó "en vuelo" (on-the-fly) durante el entrenamiento para aislar el efecto de la diversidad de datos frente al simple aumento de volumen de datos.
• Tareas y Modelos:
  1. Clasificación de Audio: Uso del conjunto de datos SC09 (comandos de voz). Se diseñó un modelo personalizado inspirado en wav2vec2.0 (capas convolucionales + LSTM bidireccional) que toma señales en el dominio del tiempo como entrada.
  2. Separación Ciega de Fuentes (BSS): Uso del modelo Wave-U-Net en el conjunto de datos MUSDB18-HQ para separar instrumentos musicales.

3. Contribuciones Clave

1. Evidencia Empírica de Invarianza Perceptual: El estudio proporciona evidencia experimental robusta de que el desplazamiento de fase independiente de la frecuencia (distorsión de intercepto de fase) es imperceptible para el oído humano en señales monaurales, a diferencia de otros casos como el efecto Wood (inversión de polaridad en señales recortadas).
2. Nueva Técnica de Augmentación de Datos: Se propone y valida el uso de la distorsión de intercepto de fase como una técnica de augmentación única para tareas de ML en audio.
   • Ventaja técnica: Modifica la señal en el dominio del tiempo sin alterar el espectro de magnitud, el tono (pitch), ni las características temporales (transitorios), preservando la información semántica del audio.
   • Complejidad: Baja complejidad computacional ($O(n \log n)$).
3. Validación en Tareas de ML: Demostración de que esta augmentación mejora el rendimiento en clasificación y separación de fuentes, especialmente en modelos que operan directamente sobre señales temporales o espectrogramas complejos.

4. Resultados

A. Resultados Perceptuales

• Precisión General: Los participantes acertaron en un 49.87% de los ensayos (muy cerca del 50% esperado por azar).
• Análisis Estadístico:
  • La prueba t de una muestra no mostró diferencia significativa respecto al azar ($p = 0.946$).
  • El análisis bayesiano mostró que la distribución posterior de la probabilidad de éxito ($q$) estaba centrada estrechamente en 0.5, con un intervalo de credibilidad del 95% entre 0.464 y 0.534.
  • Conclusión: No hay evidencia de que los humanos puedan distinguir la distorsión de intercepto de fase en señales de audio cotidianas.

B. Resultados en Aprendizaje Automático

• Clasificación (SC09):
  • La augmentación mejoró la precisión de validación de 93.56% a 93.99%.
  • La precisión de prueba mostró una ligera mejora (92.41% a 92.43%), indicando una mejor generalización.
• Separación de Fuentes (MUSDB18-HQ):
  • Se observaron mejoras consistentes en todas las métricas principales (SDR, SI-SDR, SIR, ISR) al utilizar la augmentación, excepto en SAR (Signal-to-Artifact Ratio), que se mantuvo estable.
  • Ejemplo: El SDR mejoró de 3.58 dB a 3.76 dB.

5. Significado y Conclusiones

• Implicaciones para el ML: La distorsión de intercepto de fase ofrece una vía eficiente para aumentar la diversidad de los datos de entrenamiento sin alterar las características perceptuales clave ni el contenido semántico del audio. Esto es particularmente útil para modelos que utilizan señales en el dominio del tiempo, donde las técnicas tradicionales de augmentación (como el cambio de tono o la distorsión armónica) podrían alterar la información de manera no deseada.
• Limitaciones: La invarianza perceptual se aplica a señales monaurales y audibles por humanos. No debe aplicarse en análisis de señales biomédicas o en contextos binaurales donde las diferencias de fase interaural son críticas para la localización espacial.
• Futuro: Los autores sugieren que esta invarianza perceptual podría utilizarse para mejorar las métricas de evaluación en tareas de ML de audio y para desarrollar modelos más robustos y alineados con la percepción humana.

En resumen, el paper demuestra que una alteración matemática significativa en la forma de onda (rotación de fase constante) es invisible al oído humano y, por lo tanto, constituye una herramienta poderosa y segura para mejorar el rendimiento de los sistemas de inteligencia artificial en el procesamiento de audio.