Mitigation of multi-path propagation artefacts in acoustic targets with adaptive cepstral filtering

Resumen Técnico: Mitigación de Artefactos de Propagación de Multitrayectoria en Objetos Acústicos mediante Filtrado Cepstral Adaptativo

Planteamiento del Problema
La detección acústica pasiva es un método rentable para el monitoreo de objetivos en movimiento, tales como embarcaciones y aeronaves. Sin embargo, su rendimiento se ve significativamente obstaculizado por efectos de propagación complejos, específicamente las reflexiones de multitrayectoria y los artefactos inducidos por el movimiento, como el Efecto Espejo de Lloyd (LME). En medios acotados, las ondas sonoras se reflejan en las superficies (por ejemplo, la superficie del mar o el suelo), creando patrones de interferencia con las trayectorias directas. Si bien estos patrones codifican información física (velocidad, distancia, profundidad), introducen una ambigüedad espectral que oscurece la firma real de la fuente, complicando tareas como la clasificación de objetivos y la estimación de retardo de tiempo. Las técnicas de filtrado existentes a menudo no logran considerar la variabilidad ambiental o las características específicas del movimiento del objetivo, lo que limita su capacidad para separar eficazmente las señales de la fuente de sus reflexiones.

Metodología
El artículo propone un flujo de procesamiento de filtrado temporal aplicado al dominio cepstral para separar las señales del objetivo de sus reflexiones. La metodología consta de cuatro etapas:

1. Representación Cepstral: Se utiliza la Transformada de Fourier de Tiempo Corto (STFT) o la Transformada Q Constante (CQT) para generar un espectrograma. El cepstrum se deriva aplicando la Transformada Discreta Inversa (IDFT) al logaritmo de la magnitud del espectro ($q(\tau) = \text{IDFT}[\log |X(f)|]$). Esta representación separa la señal y sus reflexiones de forma aditiva, donde las reflexiones aparecen como estructuras periódicas (picos de quefrecuencia).
2. Selección de Quefrecuencia: El método identifica una banda específica de quefrecuencias afectadas por el LME. Las quefrecuencias cercanas a cero se ignoran ya que dependen de la fuente, y las quefrecuencias muy altas se excluyen porque exceden el retardo máximo producido por la geometría del LME. Se apunta a la banda central, correspondiente a los retardos de reflexión, para el procesamiento.
3. Filtrado de Banda de Rechazo Adaptativo: En lugar de utilizar un filtro de banda de rechazo de frecuencia fija, los autores proponen un enfoque adaptativo. El filtro ajusta dinámicamente su ancho de banda basándose en la intensidad relativa de los componentes de quefrecuencia.
   • Se aplica un filtro de paso bajo a la señal para estimar el estado de adaptación.
   • Una operación de mapeo de tonos (transformada de Naka-Rushton) convierte la amplitud de la señal en un valor de intensidad relativa ($I_{nr,t}$).
   • Este valor de intensidad modula las frecuencias de corte ($f_{m1}$ y $f_{m2}$) del filtro de banda de rechazo. Los componentes de multitrayectoria más fuertes (mayor amplitud) activan un ancho de banda de filtro más amplio, mientras que los componentes más débiles resultan en un ancho de banda más estrecho.
4. Reconstrucción de la Señal: La representación cepstral filtrada se transforma de nuevo al dominio espectral utilizando la exponencial de la Transformada Discreta de Fourier (DFT) para recuperar el espectrograma.

Contribuciones Clave

1. Filtrado Temporal Adaptativo: El artículo introduce un innovador método de filtrado temporal para representaciones cepstrales que utiliza un filtro de banda de rechazo adaptativo. A diferencia de los métodos estáticos, este filtro ajusta su intensidad basándose en la intensidad de los componentes de quefrecuencia individuales, lo que permite una supresión de reflexiones más efectiva preservando las características armónicas específicas del objetivo.
2. Evaluación Robusta: El método se evalúa rigurosamente en dos escenarios distintos:
   • Datos Simulados: Atenuación de artefactos de movimiento en el ruido de aeronaves con movimiento simulado a través de velocidades de 10–100 m/s.
   • Clasificación en el Mundo Real: Aplicación a la clasificación de tipos de barcos submarinos utilizando los conjuntos de datos DeepShip y VTUAD v2, donde está presente el LME.

Resultados

• Datos Sintéticos (Ruido de Aeronaves): El filtrado adaptativo mejoró con éxito la Distancia Espectral Logarítmica (LSD) en todas las velocidades probadas, lo que indica una recuperación de la forma espectral y una mejora en la calidad perceptual. En escenarios que involucran reflexiones de multitrayectoria (Loma), el método también mejoró la Relación Señal-Ruido (SNR). El filtro adaptativo superó al filtro de banda de rechazo fijo, mostrando una mejora de entre un 4% y un 8% en las métricas de LSD en escenarios de multitrayectoria.
• Clasificación Submarina: Al aplicarse a tareas de clasificación de barcos, el uso del espectrograma filtrado por sí solo no mejoró el rendimiento y, en ocasiones, lo degradó, ya que el filtrado eliminaba información relacionada con la profundidad que es valiosa para la clasificación. Sin embargo, un flujo de clasificación paralelo —que alimentaba al modelo tanto con el espectrograma sin procesar como con el filtrado— produjo ganancias significativas.
  • Para el conjunto de datos DeepShip, el enfoque adaptativo paralelo mejoró el Coeficiente de Correlación de Matthews (MCC) en 2.28 puntos porcentuales (tarea SAS) y 1.35 puntos porcentuales (tarea FAS) sobre el modelo base.
  • Para el conjunto de datos VTUAD v2, las mejoras fueron de 2.62 puntos porcentuales (SAS) y 0.85 puntos porcentuales (FAS).
  • La tarea de Muestreo de Audio Secuencial (SAS) se benefició más del enfoque paralelo, lo que sugiere que la información complementaria proporcionada por la señal filtrada ayuda al modelo a generalizar a través de segmentos variables en el tiempo.

Significancia y Reivindicaciones
Los autores afirman que el flujo de trabajo propuesto demuestra el potencial para mejorar la clasificación de objetivos acústicos y la estimación de retardo de tiempo en entornos de multitrayectoria. El estudio destaca que, si bien la eliminación completa del LME no siempre es deseable (ya que contiene información de profundidad), el filtrado cepstral adaptativo puede separar eficazmente los componentes de reflexión para mejorar la estructura armónica subyacente de la fuente.

El artículo concluye que el método es particularmente efectivo en entornos con condiciones cambiantes (por ejemplo, variaciones en la velocidad del objetivo o propiedades del medio) debido a su naturaleza adaptativa. Sin embargo, los autores señalan modestamente algunas limitaciones: el proceso de filtrado puede alterar la amplitud de la señal (afectando la SNR en escenarios sin reflexiones), y la estrategia adaptativa introduce una carga computacional adicional en comparación con los filtros fijos. El trabajo futuro se identifica centrado en la preservación de la amplitud y en la extensión del método a aplicaciones de múltiples sensores y arreglos remolcados.