Single Microphone Own Voice Detection based on Simulated Transfer Functions for Hearing Aids

Este artículo presenta un enfoque basado en simulación para la detección de la propia voz en audífonos de un solo micrófono, utilizando una estrategia de aumento de datos con funciones de transferencia acústica simuladas y un clasificador transformador que logra una alta precisión y generalización en condiciones reales sin necesidad de sensores adicionales.

Lo esencial

¡Hola! Imagina que tienes un ayudante de oído (un audífono) que es muy inteligente, pero a veces se confunde. Cuando hablas, el audífono piensa: "¡Oh, alguien está gritando muy cerca de mí!" y sube el volumen para que lo escuches mejor. Pero como esa voz eres tú mismo, el resultado es que tu propia voz suena como un trueno dentro de tu cabeza, ¡muy incómodo!

El problema es que los audífonos actuales necesitan varios micrófonos o sensores costosos para saber si la voz viene de tu boca o de un extraño. Esto hace que el aparato sea caro, grande y consuma mucha batería.

¿Qué propone este artículo?
Los autores dicen: "¿Y si el audífono tuviera un solo micrófono, pero fuera un genio capaz de imaginar cómo viaja el sonido?".

Aquí te explico cómo lo hicieron usando una analogía sencilla:

1. El Entrenamiento en el "Gimnasio Virtual"

Imagina que quieres entrenar a un perro para que diferencie el sonido de su dueño del de un extraño. No puedes llevarlo a la calle a escuchar a miles de personas (sería caro y lento). En su vez, le muestras miles de videos simulados.

• La Simulación (El Gimnasio): Los investigadores crearon un "gimnasio virtual" en la computadora. En lugar de grabar voces reales en miles de cabezas diferentes (lo cual es imposible), usaron matemáticas y física para simular cómo viaja el sonido.
• La Diferencia Clave:
  • Tu voz (Voz Propia): Sale de tu boca, que está pegada a tu cabeza. El sonido viaja muy corto y choca contra tu cráneo de una manera muy específica (como un eco dentro de una cueva pequeña).
  • La voz de otro: Viene de fuera, viaja por el aire, rebota en tu cabeza y llega al micrófono de forma diferente (como si alguien te hablara desde la puerta).

2. La Estrategia de los "Niveles de Realismo"

En lugar de saltar directamente a la realidad, entrenaron al audífono en tres niveles, como subir escaleras:

1. Nivel 1 (La Esfera Rígida): Primero, imaginaron que la cabeza era una bola de billar perfecta. Le enseñaron al sistema cómo rebota el sonido en una esfera. Esto le dio las bases matemáticas.
2. Nivel 2 (La Cabeza Humana): Luego, cambiaron la bola de billar por una cabeza humana más realista.
3. Nivel 3 (Cabeza y Torso): Finalmente, le mostraron un modelo completo con cabeza y torso, que es lo más parecido a la realidad.

El audífono aprendió primero las reglas básicas y luego las refinó con detalles más complejos. ¡Es como si un estudiante aprendiera primero a sumar, luego a multiplicar y finalmente a resolver ecuaciones complejas!

3. El "Truco" de la Realidad

Cuando probaron este sistema en un audífono real (con personas reales hablando), el sistema no era perfecto al principio. ¿Por qué? Porque el mundo real tiene ruidos, el micrófono del audífono tiene su propio "color" o distorsión, y la simulación nunca es 100% igual a la realidad.

Para arreglarlo, usaron un ajuste fino al vuelo (como un piloto que ajusta la altitud antes de aterrizar). El sistema comparó lo que "esperaba" oír (basado en su entrenamiento virtual) con lo que realmente oía, y ajustó sus oídos digitalmente para compensar las diferencias.

Los Resultados: ¡Funciona!

• En sus pruebas virtuales, el sistema acertó más del 95% de las veces.
• Incluso con frases muy cortas (de solo 1 segundo), acertó el 90%.
• En el mundo real, con un audífono de verdad, acertó el 80% sin necesidad de volver a entrenarlo con personas reales.

¿Por qué es importante esto?

Imagina que en el futuro, los audífonos sean pequeños, baratos y con una sola batería que dure días. Gracias a este método, no necesitan costosos sensores adicionales ni micrófonos extra. Solo necesitan un micrófono y un cerebro digital muy bien entrenado en simulaciones.

En resumen:
Los investigadores crearon un "cerebro artificial" que aprendió a distinguir tu voz de la de los demás imaginando cómo viaja el sonido a través de cabezas virtuales. Esto permite que los audífonos del futuro sean más inteligentes, cómodos y accesibles para todos, evitando que tu propia voz suene como un estruendo dentro de tu cabeza.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español:

Título: Detección de la Propia Voz (OVD) basada en un Solo Micrófono mediante Funciones de Transferencia Simuladas para Audífonos

1. Planteamiento del Problema

Los audífonos modernos enfrentan un desafío crítico: la Detección de la Propia Voz (OVD, por sus siglas en inglés). Cuando un usuario habla, su propia voz se percibe a través de la conducción ósea y aérea, sonando a menudo demasiado fuerte o antinatural al ser amplificada por el dispositivo. Para mitigar esto, los profesionales suelen reducir la ganancia, lo que compromete la inteligibilidad del habla de otros.

Aunque existen soluciones, la mayoría dependen de:

• Múltiples micrófonos: Lo que incrementa costos, consumo energético y complejidad de calibración, limitando su uso en dispositivos de entrada o para personas con pérdida auditiva unilateral.
• Sensores adicionales: Como sensores de conducción ósea, que tienen baja relación señal-ruido (SNR) y requieren contacto directo con el cráneo.
• Mediciones de Funciones de Transferencia (ATF): Los métodos basados en aprendizaje automático (ML) existentes a menudo requieren mediciones físicas de ATF específicas del dispositivo y la anatomía, lo cual es costoso y difícil de escalar para cubrir todas las variaciones anatómicas y configuraciones.

El objetivo es desarrollar un método robusto de OVD que funcione con un solo micrófono, sin depender de características vocales específicas del hablante ni de costosas mediciones físicas.

2. Metodología Propuesta

Los autores proponen un enfoque basado en el análisis espacial de las rutas de propagación acústica, utilizando un pipeline de generación de datos simulados para entrenar un clasificador de aprendizaje automático.

• Modelado Acústico (ATF Simuladas):

  • Se modela la cabeza del usuario como una esfera rígida (y posteriormente modelos anatómicos detallados).
  • Voz Propia: Se modela como la radiación de un "casquete esférico vibrante" en la superficie de la esfera (simulando la boca), capturando efectos de campo cercano y dispersión.
  • Voz Externa: Se modela como una fuente puntual que incide sobre la esfera rígida, capturando efectos de dispersión y difracción.
  • Se generan Funciones de Transferencia Acústicas (ATF) que mapean cómo el sonido viaja desde la fuente hasta el micrófono del audífono.

• Pipeline de Generación de Datos en Dos Etapas:

  1. Fase Analítica: Se generan ATF derivadas analíticamente basadas en geometrías simplificadas (esfera rígida) para cubrir un amplio rango de variaciones espaciales (ángulos, distancias, radios de cabeza) de manera escalable.
  2. Fase Numérica: Se utilizan simulaciones por elementos finitos (ML-FMM-BEM) mediante el software Mesh2HRTF para generar ATF más realistas, transitando de una esfera rígida a modelos de cabeza y cabeza-torso detallados.

• Entrenamiento del Modelo:

  • Se utiliza un clasificador basado en Transformers (Conformer).
  • Estrategia de Entrenamiento Progresivo: El modelo se entrena primero con datos aumentados mediante ATF analíticas y luego se ajusta finamente (fine-tuning) progresivamente con datos de simulaciones numéricas (esfera $\to$ cabeza $\to$ cabeza-torso).
  • El problema se formula como una clasificación binaria a nivel de segmento (voz propia vs. externa), agregando características de nivel de cuadro mediante temporal gate pooling.

• Compensación en Tiempo de Prueba: Para abordar la discrepancia de distribución entre los datos simulados y las grabaciones reales de audífonos, se aplica una compensación de características ligera en tiempo de prueba (ajuste de estadísticas de media y desviación estándar) sin necesidad de reentrenar el modelo.

3. Contribuciones Clave

• Enfoque de un solo micrófono: Demuestra la viabilidad de una OVD precisa sin necesidad de arreglos de micrófonos múltiples o sensores adicionales.
• Pipeline de Simulación Escalable: Propone una estrategia de aumento de datos que combina modelos analíticos y numéricos para superar la falta de grandes conjuntos de datos de ATF medidos físicamente.
• Generalización Simulación-Real: Valida que un modelo entrenado exclusivamente con datos simulados puede generalizar eficazmente a grabaciones reales de audífonos mediante compensación de características.
• Arquitectura Eficiente: Implementa un modelo Conformer optimizado (0.9M parámetros) adecuado para la implementación en dispositivos con recursos limitados.

4. Resultados Experimentales

• Datos Simulados: El modelo alcanzó una precisión del 95.52% en datos de prueba de simulación de "cabeza y torso" con segmentos de 15 segundos.
• Condiciones de Baja Latencia: Mantuvo una precisión del 90.02% con segmentos de solo 1 segundo, crucial para aplicaciones en tiempo real.
• Datos Reales (Audífonos): En grabaciones reales de un prototipo de audífono, el modelo alcanzó una precisión del 80% sin ajuste fino adicional, utilizando solo la compensación de características en tiempo de prueba.
• Robustez al Ruido: El modelo mostró resiliencia ante ruido de fondo (música, ruido ambiental, habla) en diversos niveles de SNR (0-30 dB).
• Comparativa: Superó a un modelo base ResNet en precisión general y en la detección de hablantes externos al ser preentrenado con datos simulados y ajustado con datos medidos.
• Análisis de Características: Se confirmó que el modelo no depende de diferencias de volumen (amplitud), sino que utiliza cues espaciales y espectrales derivados de las ATF para distinguir la voz propia.

5. Significado e Impacto

Este trabajo representa un avance significativo en el diseño de audífonos al ofrecer una solución de bajo costo y bajo consumo energético para la OVD. Al eliminar la dependencia de mediciones físicas costosas y de múltiples micrófonos, el enfoque propuesto hace posible implementar funciones de confort y claridad avanzadas en dispositivos de nivel de entrada y para usuarios con pérdida auditiva unilateral. La capacidad de generalizar desde simulaciones físicas precisas hasta el mundo real valida el uso de la síntesis acústica como una herramienta fundamental para el desarrollo de algoritmos de procesamiento de señales en audífonos futuros.