1-R-10 局所特徴量を用いた構音障害者の音声認識の検討 宮本 千琴,滝口 哲也,有木 康雄(神戸大),李 義昭(追手門大),中林 稔堯(神戸大) 研究背景・目的 構音障害 音声認識技術の様々な状況での利用 カーナビゲーションの操作、駅での音声案内 子供や高齢者 福祉分野における情報技術の発展の重要性 超高齢社会（2800万人）、身体障害者（366万人） しかし、言語障害者を対象としているものは少ない 手足の不自由などで音声に頼るほかない場合 構音障害とは 言葉を正しく明瞭に発音できない症状 構音障害の原因の一つ：脳性麻痺 出生前や出生時に受けた外傷のため筋肉の制御が難しい アテトーゼ（不随意運動）が生じる 特にアテトーゼの生じやすい状況 －意図的動作時 －緊張状態 構音障害者を対象とした音声認識システムの実現 健常者 構音障害者 構音障害者の発話が健常者に比べて不安定 ΔMFCCでは時間変化がうまく表現できない 時間特徴をよりよく表すことで認識率の改善が期待される 時間-デルタケプストラム平面上の幾何学的な特徴に注目 時間-デルタケプストラム平面上で局所特徴を抽出 特徴量抽出 局所特徴量 時間-デルタケプストラム平面上の各点において ３×３局所領域で計３５種類の局所パターンを適用 点ｒでの局所パターンｋの局所特徴量 全ての点で35種類の 局所パターンに対応する 特徴量を求める 局所パターンの例 時間-デルタケプストラム平面 処理の流れ 音声特徴量ベクトル 局所特徴量をフレーム内で縦につなげたベクトル 時間tにおけるベクトル：（K×（Dｰ2)）次元ベクトル 音声信号 DCT FFT 局所特徴量 Mel PCA K：局所パターンの数 D：次元数 35×（12-10）＝350次元となり高次元なので PCAで次元圧縮 実験結果 各特徴量での認識結果 実験条件 サンプリング周波数 16kHz 25msec フレーム窓長 フレーム周期 10msec 音響モデル Monophone (3状態54音素） 混合数 8 実験データ 210単語×5回発話 特定話者モデルでの認識結果 特徴量 健常者 MFCC 99.2% ΔMFCC 98.4% MFCC＋ΔMFCC 99.6% Log|| 構音障害者 78.5% 49.2% 89.5% 特徴量 MFCC Proposed(MFCC) ΔMFCC Proposed(ΔMFCC) FBANK Proposed(FBANK) 局所特徴量（PCAなし） 音声特徴ベクトル 局所特徴量（PCAあり） 認識率 78.5% 81.5% 49.2% 52.6% 78.5% 82.1% まとめ・課題 局所特徴量を用いることで認識率の改善が得られた 対象者を増やす 単一の特徴量として使える認識率ではないので複数 少量データでの音声認識手法の検討 の特徴量を組み合わせる必要がある 構音障害者音声の音質改善の検討 構音障害者特有の特徴量の検討
© Copyright 2024 ExpyDoc
