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

Questo articolo presenta un approccio basato sulla simulazione per il rilevamento della voce propria negli apparecchi acustici, che utilizza un singolo microfono e un classificatore transformer addestrato su funzioni di trasferimento acustiche simulate per raggiungere un'alta accuratezza e garantire una buona generalizzazione ai dati reali.

L'essenziale

🎧 Il Problema: "La Voce del Proprietario"

Immagina di indossare un apparecchio acustico. Il suo lavoro è amplificare i suoni per farti sentire meglio le persone che parlano. Ma c'è un problema fastidioso: quando tu parli, la tua voce risuona dentro la tua testa in modo diverso rispetto a quando parli con le altre persone. Spesso, con l'apparecchio acceso, la tua voce sembra un'eco assordante, metallica o "sotto l'acqua", rendendo difficile parlare e ascoltare gli altri contemporaneamente.

Per risolvere questo, i tecnici devono sapere: "È la persona che indossa l'apparecchio a parlare, o è qualcun altro?". Se è l'utente, l'apparecchio deve abbassare il volume della sua voce per renderla naturale. Se è qualcun altro, deve amplificarla.

🎤 La Sfida: Un Solo Microfono

Fino a poco tempo fa, per capire chi parlava, servivano due o più microfoni (come le orecchie umane) o sensori speciali che toccavano il cranio. Ma i microfoni extra costano, consumano batteria e ingombrano. Molti apparecchi economici ne hanno uno solo.
La domanda era: Come fa un singolo orecchio robotico a distinguere la tua voce da quella di un estraneo?

🧠 La Soluzione: L'Allenamento Virtuale (Il "Simulatore di Volo")

Gli autori di questo studio hanno avuto un'idea brillante: invece di far indossare l'apparecchio a migliaia di persone reali per registrare la loro voce (cosa costosa e lenta), hanno creato un mondo virtuale.

Hanno costruito un "simulatore di volo" per l'intelligenza artificiale. Ecco come funziona, passo dopo passo:

1. La Palla Rigida (Il Principiante): Hanno iniziato insegnando all'AI a riconoscere la voce su una semplice sfera rigida (come una palla da bowling). È una geometria semplice. L'AI impara le basi: "La mia voce arriva da vicino, quella degli altri da lontano".
2. La Testa Umana (L'Apprendista): Poi hanno reso il modello più realistico, trasformando la sfera in una testa umana.
3. Testa e Torso (Il Master): Infine, hanno aggiunto il busto e il corpo. Ora il simulatore sa come i suoni rimbalzano sulle spalle e sul collo, creando un'ombra acustica unica.

L'Analogia della "Mappa del Suono":
Immagina che ogni volta che parli, il suono rimbalzi sulla tua testa e arrivi al microfono come un'onda che colpisce una roccia. Questa "impronta" è unica per te.

• Voce tua: Il suono nasce dentro la tua bocca e colpisce il microfono quasi subito, con un'impronta molto specifica.
• Voce altrui: Il suono viaggia nell'aria, rimbalza sulla tua testa e arriva al microfono da un'altra direzione, con un'impronta diversa.

L'AI è stata addestrata guardando milioni di queste mappe virtuali. Ha imparato a riconoscere la "firma" della tua voce rispetto a quella di un estraneo, anche se l'estraneo parla da vicino.

🚀 I Risultati: Dalla Teoria alla Realtà

Hanno testato questo "cervello digitale" in tre modi:

1. Nel Simulatore: Ha ottenuto un 95% di successo. È quasi perfetto nel mondo virtuale.
2. Con frasi brevi: Anche se gli davano solo 1 secondo di voce (come un "Ciao!"), manteneva un 90% di precisione.
3. Nel Mondo Reale: Hanno provato l'AI su un vero apparecchio acustico. Senza doverlo ri-addestrare con dati reali (un trucco magico chiamato "compensazione"), ha raggiunto l'80% di precisione.

💡 Perché è Importante?

Pensa a questo come a un pilota automatico per la tua voce.
Grazie a questo metodo:

• Risparmio: Non servono microfoni costosi o sensori strani. Un solo microfono basta.
• Accessibilità: Gli apparecchi acustici economici possono avere questa funzione intelligente.
• Comfort: L'apparecchio smetterà di urlarti in faccia quando parli, rendendo la conversazione molto più naturale.

In sintesi, gli scienziati hanno detto all'AI: "Ehi, immagina di essere in milioni di stanze diverse, con milioni di teste diverse, e impara a distinguere la tua voce da quella degli altri". E l'AI ha imparato così bene che, quando è stata messa nel mondo reale, ha funzionato quasi subito. È un passo gigante verso apparecchi acustici più intelligenti, economici e confortevoli.

Sommario tecnico

Titolo: Rilevamento della Voce Propria (OVD) basato su un Singolo Microfono tramite Funzioni di Trasferimento Simulate per Apparecchi Acustici

1. Il Problema

Gli apparecchi acustici svolgono un ruolo cruciale nel migliorare la qualità della vita delle persone con ipoacusia, ma un problema comune è la percezione della propria voce come eccessivamente forte o innaturale quando si utilizza il dispositivo. Per mitigare questo disagio, i professionisti tendono a ridurre i livelli di amplificazione, compromettendo però la chiarezza e l'intelligibilità della voce degli altri.
La soluzione ideale è un sistema di Rilevamento della Voce Propria (OVD - Own Voice Detection) robusto ed efficiente. Tuttavia, le soluzioni esistenti presentano limiti significativi:

• Complessità e Costo: Molti metodi richiedono array di microfoni multipli o sensori aggiuntivi (es. accelerometri, sensori ossei), aumentando costi, consumo energetico e complessità di calibrazione.
• Limitazioni Fisiche: Alcuni utenti hanno una perdita uditiva unilaterale o preferiscono dispositivi monaurali, rendendo le soluzioni multi-microfono inapplicabili.
• Dipendenza dai Dati: I metodi basati sull'apprendimento automatico (ML) esistenti spesso si basano su caratteristiche vocali specifiche dell'utente o su misurazioni reali di funzioni di trasferimento (ATF) che sono difficili e costose da raccogliere su larga scala per diverse anatomie e configurazioni di dispositivi.

2. Metodologia

L'articolo propone un approccio innovativo basato su un singolo microfono che sfrutta le differenze nei percorsi di propagazione acustica tra la voce propria e quella di parlanti esterni, utilizzando una strategia di aumento dei dati tramite funzioni di trasferimento acustiche (ATF) simulate.

La metodologia si articola in tre fasi principali:

• Generazione di ATF Simulate (Pipeline a due stadi):

  • Modellazione Analitica: Si utilizza un modello geometrico semplificato (una sfera rigida con un cappuccio vibrante che rappresenta la bocca) per generare ATF analitiche. Questo permette di coprire un'ampia gamma di configurazioni spaziali (angoli, distanze, raggi della testa) con variazioni controllate.
  • Modellazione Numerica: Si passa a simulazioni numeriche più realistiche utilizzando il software Mesh2HRTF (basato su ML-FMM e BEM). La geometria evolve progressivamente da una sfera rigida a un modello di testa umana e infine a un modello testa-torso dettagliato.
  • Classi di Propagazione:
    • Voce Esterna: Modellata come una sorgente puntiforme che irradia e viene scatterata dalla sfera/testa.
    • Voce Propria: Modellata come un cappuccio sferico vibrante sulla superficie della sfera/testa, che cattura le caratteristiche di campo vicino e lo scattering della testa.

• Architettura del Modello:

  • Il problema è formulato come una classificazione binaria a livello di segmento (voce propria vs. voce esterna).
  • Viene utilizzato un classificatore basato su Transformer (Conformer). L'architettura aggrega le caratteristiche a livello di frame (derivate da spettrogrammi log-Mel) in una singola decisione tramite temporal gate pooling.
  • Il modello è progettato per essere leggero (0.9M parametri) per adattarsi ai vincoli computazionali degli apparecchi acustici.

• Strategia di Addestramento e Adattamento:

  • Addestramento Progressivo: Il modello viene prima addestrato su dati aumentati con ATF analitiche (ampia varietà spaziale) e successivamente fine-tuned su dati con ATF numeriche, passando gradualmente da modelli semplici a modelli anatomicamente realistici.
  • Robustezza al Rumore: I dati di addestramento includono rumore di fondo (MUSAN dataset) a diversi livelli SNR.
  • Compensazione al Test (Test-time Feature Compensation): Per colmare il divario tra dati simulati e reali, viene applicata una compensazione leggera delle statistiche delle caratteristiche (media e deviazione standard) sui dati reali senza bisogno di ri-addestrare il modello.

3. Contributi Chiave

1. Approccio a Singolo Microfono: Dimostrazione che l'OVD può essere efficace senza microfoni multipli o sensori aggiuntivi, sfruttando esclusivamente le differenze spettrali e spaziali introdotte dalla propagazione acustica.
2. Pipeline di Simulazione Scalabile: Sviluppo di un metodo per generare dati di addestramento sintetici realistici senza la necessità di costose misurazioni ATF su grandi popolazioni, superando il collo di bottiglia della raccolta dati.
3. Adattamento Gerarchico: Una strategia di fine-tuning progressivo che permette al modello di affinare la sua comprensione spaziale man mano che la complessità anatomico-geometrica dei dati di simulazione aumenta.
4. Validazione su Dati Reali: Il primo studio che dimostra la capacità di generalizzazione di un modello addestrato su ATF simulate verso registrazioni reali di apparecchi acustici, utilizzando tecniche di compensazione delle caratteristiche.

4. Risultati Sperimentali

• Dati Simulati (Test Head-and-Torso):
  • Il modello ha raggiunto un'accuratezza del 95,52% su dati di test simulati con utterance lunghe (fino a 15 secondi).
  • In condizioni di bassa latenza (utterance di 1 secondo), l'accuratezza è rimasta alta al 90,02%.
• Dati Reali (Prototipo Apparecchio Acustico):
  • Senza fine-tuning su dati reali, ma applicando la compensazione delle caratteristiche, il modello ha raggiunto un'accuratezza dell'80% su registrazioni reali.
  • L'Area sotto la curva ROC (AUC) sui dati reali è stata di 0,80 (con compensazione senza etichette) rispetto a un limite superiore (oracolo) di 0,92.
• Confronto con Baseline:
  • Confrontato con un modello ResNet basato su dati misurati (López-Espejo et al.), l'approccio proposto (Conformer-small) ha mostrato prestazioni superiori o comparabili, con un'accuratezza globale del 96,66% su dati simulati misurati, dimostrando l'efficacia del pre-addestramento su dati simulati.
• Robustezza: Il modello non si basa sulla semplice differenza di volume (loudness), ma sulle caratteristiche spaziali acustiche, mantenendo alte prestazioni anche quando il volume del parlante esterno viene artificialmente aumentato.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo significativo verso la progettazione di apparecchi acustici più economici, compatti e accessibili.

• Democratizzazione della Tecnologia: Rendendo possibile un OVD affidabile con un solo microfono, si abilita l'uso di questa funzionalità avanzata anche nei dispositivi entry-level e per utenti con perdita uditiva unilaterale.
• Superamento della Barriera dei Dati: La metodologia proposta risolve il problema della scarsità di dati reali misurati, offrendo un framework scalabile per l'addestramento di modelli ML in ambito audio-biomedicale.
• Fattibilità Pratica: La capacità di generalizzare dai dati simulati a quelli reali senza un costoso ri-addestramento su grandi dataset reali suggerisce che questo approccio è pronto per l'implementazione pratica, aprendo la strada a futuri sviluppi per l'implementazione in tempo reale (causale) con bassa latenza su hardware dedicato.