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

Titolo

La Percezione della Distorsione di Intercettazione di Fase e la sua Applicazione nell'Augmentation dei Dati

1. Il Problema

Nell'elaborazione audio, la distorsione di fase si verifica quando la risposta di fase di un sistema è non lineare, alterando le relazioni di fase tra le componenti frequenziali di un segnale. Sebbene sia noto che alcune distorsioni di fase possano essere impercettibili all'orecchio umano, la maggior parte degli studi si è concentrata su filtri all-pass o sistemi specifici.
Il paper si concentra su un caso particolare: la distorsione di intercettazione di fase (phase-intercept distortion). Questa è definita come uno sfasamento costante e indipendente dalla frequenza applicato a tutte le componenti di un segnale.

• Ipotesi: Sebbene questo tipo di distorsione alteri significativamente la forma d'onda nel dominio del tempo, l'ipotesi degli autori è che sia impercettibile per l'orecchio umano in segnali audio reali (monaurali).
• Motivazione: Se confermata, questa impercettibilità potrebbe essere sfruttata per generare nuovi dati di training (data augmentation) per modelli di Machine Learning (ML) senza degradare la qualità percettiva dell'audio.

2. Metodologia

A. Fondamenti Teorici

La distorsione di intercettazione di fase è implementata applicando uno sfasamento $\theta$ indipendente dalla frequenza. Matematicamente, questo corrisponde a una rotazione del segnale analitico.

• Viene utilizzata la Trasformata di Hilbert ($H$) per costruire la rappresentazione analitica del segnale $x_a(t) = x(t) + iH(x(t))$.
• Il segnale distorto $x_\theta(t)$ è ottenuto ruotando il segnale analitico di un angolo $\theta$ e prendendo la parte reale:
  $$x_\theta(t) = \text{Re}[x_a(t)e^{i\theta}]$$
• Questa operazione mantiene invariato lo spettro di ampiezza (modulo), ma altera la fase in modo non lineare, introducendo un ritardo di gruppo nullo ma un ritardo di fase non lineare.

B. Esperimento Percettivo (Human-Subject Experiment)

Per verificare l'ipotesi di impercettibilità, è stato condotto un esperimento psicofisico:

• Partecipanti: 26 partecipanti con udito normale (su 48 reclutati).
• Stimoli: 30 campioni audio (10 musica, 10 voce, 10 suoni reali) estratti da dataset come AudioSet, MUSDB18-HQ e Librispeech.
• Procedura: Design "Two-Alternative Forced-Choice" (A/B). Ai partecipanti venivano presentati un segnale originale e due opzioni (A e B), dove una era l'originale e l'altra era distorta con un $\theta$ casuale estratto da una distribuzione uniforme $[-\pi, \pi]$. Dovevano identificare quale fosse l'originale.
• Controlli: I clip erano di 3 secondi, con fading in/out per evitare artefatti di inizio/fine, e normalizzati in ampiezza.

C. Esperimenti di Machine Learning (Data Augmentation)

Gli autori hanno testato l'uso di questa distorsione come tecnica di augmentation durante l'addestramento di modelli ML:

• Approccio: L'augmentation è stata applicata "on-the-fly" (in tempo reale) durante il training per aumentare la diversità dei dati senza aumentare la dimensione del dataset.
• Compiti:
  1. Classificazione Audio: Utilizzo del dataset SC09 (comandi vocali numerici) con un modello basato su convoluzioni e LSTM (ispirato a wav2vec2.0).
  2. Separazione Cieca delle Sorgenti (Blind Source Separation - BSS): Utilizzo del modello Wave-U-Net sul dataset MUSDB18-HQ per separare strumenti musicali.

3. Risultati Chiave

Risultati Percettivi

• Accuratezza: I partecipanti hanno identificato correttamente il segnale originale nel 49.87% dei casi (media), una cifra statisticamente indistinguibile dal caso (50%).
• Analisi Statistica: Un test t a un campione non ha mostrato differenze significative rispetto al 50%. L'analisi bayesiana ha confermato che la distribuzione a posteriori della probabilità di successo è strettamente centrata su 0.5 (intervallo di confidenza 95%: 0.464 - 0.534).
• Conclusione: La distorsione di intercettazione di fase è impercettibile per segnali audio generici in condizioni monaurali. Non è stata osservata alcuna differenza significativa basata su musica, voce o altri suoni, né in base all'esperienza musicale dei partecipanti.

Risultati Machine Learning

L'uso della distorsione di intercettazione di fase come augmentation ha portato a miglioramenti:

• Classificazione (SC09): L'accuratezza di validazione è aumentata da 93.56% a 93.99%. L'accuratezza di test è leggermente migliorata (92.41% vs 92.43%).
• Separazione delle Sorgenti (MUSDB18-HQ): Tutti i metrici di valutazione sono migliorati, in particolare:
  • SDR (Signal-to-Distortion Ratio): da 3.58 a 3.76 dB.
  • SI-SDR: da 1.27 a 1.71 dB.
  • SIR (Signal-to-Interference Ratio): da 4.99 a 5.21 dB.

4. Contributi Principali

1. Dimostrazione Sperimentale: Fornisce prove empiriche che lo sfasamento indipendente dalla frequenza (phase-intercept distortion) è impercettibile per l'orecchio umano su una vasta gamma di suoni reali, confermando l'ipotesi teorica.
2. Nuova Tecnica di Augmentation: Introduce un metodo di augmentation dei dati computazionalmente efficiente ($O(n \log n)$) che preserva le caratteristiche temporali, l'attacco e il pitch, ma altera la forma d'onda.
3. Validazione ML: Dimostra che questa tecnica migliora le prestazioni di modelli che operano nel dominio del tempo o su spettrogrammi complessi (non su spettrogrammi di sola ampiezza), riducendo l'overfitting e migliorando la generalizzazione.

5. Significato e Implicazioni

• Robustezza dei Modelli: L'augmentation tramite distorsione di fase offre un modo per addestrare modelli più robusti che non si affidano eccessivamente a specifiche forme d'onda temporali, ma imparano caratteristiche più invarianti.
• Limitazioni: La tecnica è valida solo per segnali udibili dall'uomo e non deve essere applicata all'analisi di segnali biomedici o in contesti dove la fase è critica per la localizzazione spaziale (binaurale).
• Futuro: Apre la strada a nuovi metodi di valutazione per l'audio ML e suggerisce che l'invarianza percettiva alla fase può essere sfruttata per creare modelli più allineati alla percezione umana.

In sintesi, il paper stabilisce che manipolare la fase in modo indipendente dalla frequenza è un'operazione "invisibile" all'orecchio umano ma "visibile" e utile per i modelli di apprendimento automatico, offrendo un potente strumento per migliorare le prestazioni nell'elaborazione audio.