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

Resumo Técnico: Percepção de Distorção de Intercepto de Fase e sua Aplicação em Aumento de Dados

1. O Problema

Na tecnologia de áudio, distorções de sinal geralmente são indesejáveis. No entanto, o sistema auditivo humano não é sensível a todas as formas de distorção. A distorção de fase ocorre quando a resposta de fase de um sistema é não linear, alterando as relações de fase entre os componentes de frequência de um sinal. Embora alterações na fase relativa entre sinusoides possam afetar o timbre percebido (especialmente em sinais simples ou harmônicos complexos), a literatura histórica sugere que certas formas de distorção de fase podem ser imperceptíveis.

O foco deste trabalho é um caso especial pouco estudado: a distorção de intercepto de fase (phase-intercept distortion). Esta é definida como um deslocamento de fase constante e independente da frequência em todo o espectro do sinal. A hipótese central é que, embora essa distorção altere significativamente a forma de onda no domínio do tempo, ela é imperceptível para o ouvido humano em sinais de áudio reais (monaural).

2. Metodologia

A. Fundamentação Teórica e Definição
Os autores definem a distorção de intercepto de fase como um deslocamento de fase $\theta$ aplicado uniformemente a todas as frequências. Matematicamente, isso é modelado utilizando a Transformada de Hilbert.

• Para um sinal $x(t)$, a representação analítica é $x_a(t) = x(t) + iH(x(t))$.
• O sinal distorcido $x_\theta(t)$ é obtido girando a representação analítica por um ângulo $\theta$ e extraindo a parte real: $x_\theta(t) = \text{Re}[x_a(t)e^{i\theta}]$.
• Esta operação preserva o espectro de magnitude, mas altera a fase de forma não linear, resultando em um atraso de grupo de zero, mas com um atraso de fase não linear.

B. Experimento de Percepção Humana
Para validar a hipótese de imperceptibilidade, foi conduzido um experimento controlado:

• Participantes: 26 participantes (após filtragem) com audição normal, variando em idade, gênero e experiência musical.
• Estímulos: 30 amostras de áudio (10 música, 10 fala, 10 sons do mundo real) extraídas de datasets como AudioSet, MUSDB18-HQ e Librispeech.
• Procedimento: Utilizou-se um design de Escolha Forçada de Duas Alternativas (A/B). Os participantes ouviram um sinal de referência e dois comparadores (um original e um com distorção de intercepto de fase aplicada com um ângulo $\theta$ aleatório entre $-\pi$ e $\pi$). Eles deveriam identificar qual era o original.
• Controles: Os sinais foram normalizados em amplitude, aplicados fade-ins/outs para evitar artefatos de borda e selecionados trechos de 3 segundos não silenciosos.

C. Experimento de Aprendizado de Máquina (Aumento de Dados)
Para testar a utilidade prática da imperceptibilidade, os autores aplicaram a distorção como técnica de aumento de dados (data augmentation) em tarefas de ML:

• Abordagem: Aumento "on-the-fly" (em tempo real) durante o treinamento para garantir diversidade sem aumentar o tamanho do conjunto de dados.
• Tarefas:
  1. Classificação de Áudio: Usando o dataset SC09 (comandos de fala de dígitos) e um modelo inspirado no wav2vec 2.0 (camadas convolucionais + LSTM bidirecional).
  2. Separação Cega de Fontes (BSS): Usando o dataset MUSDB18-HQ e o modelo Wave-U-Net (predição de forma de onda).

3. Resultados

A. Resultados da Percepção Humana

• Precisão: A taxa média de acerto dos participantes foi de 49,87%, estatisticamente indistinguível do acaso (50%).
• Análise Estatística: Um teste t de uma amostra não foi significativo ($p=0,946$). Uma análise Bayesiana mostrou que a distribuição posterior da probabilidade de acerto está fortemente centrada em 0,5 (intervalo de 95% entre 0,464 e 0,534).
• Conclusão: A distorção de intercepto de fase é imperceptível para sinais de áudio gerais, confirmando a hipótese. Não houve correlação significativa com idade, gênero ou experiência musical.

B. Resultados em Aprendizado de Máquina

• Classificação: O uso da distorção como aumento de dados resultou em uma melhoria na precisão de validação (de 93,56% para 93,99%) e uma leve melhoria na precisão de teste (de 92,41% para 92,43%).
• Separação de Fontes: Houve melhoria em todas as métricas principais (SDR, SI-SDR, SIR, ISR), exceto na métrica SAR (Signal-to-Artifact Ratio), que permaneceu estável.
  • Exemplo: O SI-SDR melhorou de 1,27 dB para 1,71 dB.
• Eficiência: A operação tem complexidade computacional de $O(n \log n)$, sendo rápida e não altera características críticas como pitch, transientes ou espectro de magnitude.

4. Contribuições Principais

1. Evidência Empírica: Provas experimentais robustas de que a distorção de intercepto de fase (deslocamento de fase constante em todas as frequências) é imperceptível para o ouvido humano em contextos de áudio real, exceto em casos extremos e específicos (como o "Efeito Wood" em sinais clipados).
2. Nova Técnica de Aumento de Dados: Proposição e validação da distorção de intercepto de fase como uma técnica de aumento de dados eficaz para modelos de áudio que operam no domínio do tempo ou em espectrogramas complexos.
3. Insights para ML: Demonstração de que a diversidade de dados (introduzida por transformações imperceptíveis) pode melhorar a generalização de modelos de classificação e separação de fontes, sem introduzir artefatos auditivos indesejados.

5. Significado e Implicações

O trabalho estabelece que a invariância perceptual monaural da distorção de fase pode ser explorada para criar modelos de aprendizado de máquina mais robustos.

• Aplicações: A técnica é particularmente útil para tarefas que utilizam sinais no domínio do tempo, onde o espectro de magnitude é preservado, mas a forma de onda é alterada, forçando o modelo a aprender características mais robustas.
• Limitações: A imperceptibilidade aplica-se apenas a sinais audíveis por humanos; não deve ser usada em análise de sinais biomédicos ou em contextos onde a fase é crítica para a localização espacial (binaural).
• Futuro: Abre caminho para o desenvolvimento de novas métricas de avaliação de áudio baseadas em ML que sejam alinhadas à percepção humana e para a criação de sistemas de áudio mais resilientes.

Em suma, o artigo demonstra que uma alteração matemática significativa na forma de onda do áudio pode ser totalmente invisível ao ouvido humano, transformando essa "falha" teórica em uma ferramenta poderosa para melhorar o desempenho de algoritmos de inteligência artificial.