ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. του Φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΕΝΣΎΡΜΑΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ του Φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών ΙΩΑΝΝΗ ΑΓΓΕΛΟΠΟΥΛΟΥ Α.Μ.: 6470 «ΚΑΤΑΣΚΕΥΗ ΜΙΚΡΟΫΠΟΛΟΓΙΣΤΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ ΟΜΙΛΙΑΣ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΜΗΧΑΝΙΣΜΩΝ ΔΙΑΜΟΡΦΩΣΗΣ ΤΟΥ ΗΧΟΥ ΣΤΗ ΦΩΝΗΤΙΚΗ ΚΟΙΛΟΤΗΤΑ» Επιβλέπων: Δρ.-Μηχ. Ευάγγελος Δερματάς, Επίκουρος Καθηγητής Ν ο /2013 Πάτρα, Σεπτέμβριος 2013

2

3 ΠΙΣΤΟΠΟΙΗΣΗ Πιστοποιείται ότι η διπλωματική εργασία με θέμα: "ΚΑΤΑΣΚΕΥΗΜΙΚΡΟΫΠΟΛΟΓΙΣΤΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ ΟΜΙΛΙΑΣ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΜΗΧΑΝΙΣΜΩΝ ΔΙΑΜΟΡΦΩΣΗΣ ΤΟΥ ΗΧΟΥ ΣΤΗ ΦΩΝΗΤΙΚΗ ΚΟΙΛΟΤΗΤΑ" του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών: ΙΩΑΝΝΗ ΑΓΓΕΛΟΠΟΥΛΟΥ (Α.Μ. 6470) Παρουσιάστηκε δημόσια και εξετάστηκε στο Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών στις 06/09/2013 Ο Επιβλέπων Ο Διευθυντής του Τομέα Ευάγγελος Δερματάς Επίκουρος Καθηγητής Ευθύμιος Χούσος Καθηγητής

4 Αριθμός Διπλωματικής Εργασίας: /2013 ΤΙΤΛΟΣ: "ΚΑΤΑΣΚΕΥΗ ΜΙΚΡΟΫΠΟΛΟΓΙΣΤΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ ΟΜΙΛΙΑΣ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΜΗΧΑΝΙΣΜΩΝ ΔΙΑΜΟΡΦΩΣΗΣ ΤΟΥ ΗΧΟΥ ΣΤΗ ΦΩΝΗΤΙΚΗ ΚΟΙΛΟΤΗΤΑ " Φοιτητής: Επιβλέπων: Ιωάννης Αγγελόπουλος του Σπυρίδωνος Δρ.-Μηχ. Ευάγγελος Δερματάς, Επίκουρος Καθηγητής ΠΕΡΙΛΗΨΗ Στα πλαίσια της διπλωματικής εργασίας αναπτύχθηκε μία εφαρμογή, η οποία προσδιορίζει τις τρεις πρώτες συχνότητες συντονισμού της φωνητικής κοιλότητας κατά τη διαδικασία της φώνησης φωνηέντων. Οι τρεις αυτές συχνότητες παρέχουν επαρκή πληροφορία για τον προσδιορισμό του φωνήεντου. Η φώνηση εξομοιώνεται με σήμα εισόδου το οποίο παρουσιάζει κορυφές σε αναμενόμενες περιοχές συχνοτήτων. Ο προσδιορισμός των συχνοτήτων συντονισμού στηρίζεται στη μέθοδο βραχύχρονης ανάλυσης Fourier. Η εφαρμογή αναπτύχθηκε σε περιβάλλον μvision της Keil, σε γλώσσα προγραμματισμού C, για τον μικροελεγκτή STM32F103RB της STMicroelectronics. I

5 ABSTRACT In the context of this thesis an application was developed, that is capable of estimating the first three formant frequencies (resonances of the vocal tract) in the event of voicing of vowels. These three frequencies provide us enough information to determine the vowel that is voiced. The human voice is being emulated by an input signal which has peaks in the anticipated frequency regions. The formant frequencies are being estimated based on the short-time Fourier analysis method. The application was developed in Keil μvision programming suite, in C programming language, for the STM32F103RB microcontroller by ST Microelectronics. II

6 III

7

8 Περιεχόμενα Κεφάλαιο 1... Περιγραφή Λειτουργίας και Μοντελοποίηση του Μηχανισμού Ομιλίας Επικοινωνία Ο Ανθρώπινος Λόγος Θώρακας και πνεύμονες Λάρυγγας Φάρυγγας Στοματική Κοιλότητα Ρινική Κοιλότητα ΗΑνθρώπινηΑκοή Το Ακουστικό Μήνυμα Ήχος Ακουστότητα του Ήχου Ο Ήχος της Ομιλίας Μοντέλο Ομιλίας Άρθρωση Αρθρωτές και Σημεία Άρθρωσης Τόπος και Τρόπος Άρθρωσης Συμφώνων Φωνήεντα Το Διεθνές Φωνητικό Αλφάβητο Κεφάλαιο 2... Προεπεξεργασία Σήματος Ομιλίας Αναλογική Προεπεξεργασία Μικρόφωνο Ενισχυτής Κατωδιαβατό Φίλτρο Μετατροπή Σήματος από Αναλογικό σε Ψηφιακό Ψηφιακή Προεπεξεργασία... 31

9 2.2.1Βραχύχρονη Ανάλυση Προέμφαση Κεφάλαιο 3... Τεχνικές Ανάλυσης του Μηχανισμού Ομιλίας Θεμελιώδης Συχνότητα - Συντονισμοί Φωνητικού Καναλιού (Formants) Βραχύχρονη Ανάλυση Fourier Υπολογισμός με τον Γρήγορο Μετασχηματισμό Fourier (FFT) Φασματογράφημα Eξαγωγή Θεμελιώδους Συχνότητας (Pitch) Ανάλυση Μέσω Σύνθεσης Ανάλυση Φάσματος Σύγχρονης Θεμελιώδους Συχνότητας Ανάλυση Πόλων και Μηδενικών Cepstral ανάλυση Η Έννοια της Ομομορφικής Συνέλιξης Ο Ορισμός του Cepstrum Οι Ιδιότητες του Cepstrum Η Εφαρμογή του Cepstrum στην Επεξεργασία Ομιλίας Eξαγωγή Θεμελιώδους Συχνότητας (Pitch) Εξαγωγή Συχνοτήτων Συντονισμού (Formants) Ανάλυση Γραμμικής Προγνωστικής Κωδικοποίησης (LPC) Βασικές Αρχές της Ανάλυσης Γραμμικής Προγνωστικής Κωδικοποίησης Η Μέθοδος Αυτοσυσχέτισης Η Μέθοδος Συνδιακύμανσης Η Μέθοδος Δικτυώματος Εξαγωγή Συχνοτήτων Συντονισμού (Formants) με Χρήση των Παραμέτρων Γραμμικής Πρόγνωσης Σύγκριση των Μεθόδων Ανάλυσης του Φάσματος Συχνοτήτων Κεφάλαιο4... Περιγραφή του Μικροελεγκτή Ο Πυρήνας Cortex-M

10 4.2 Διαχείριση μνήμης Ενσωματωμένος Ελεγκτής Διακοπών (NVIC) Καταστάσεις Λειτουργίας του Πυρήνα Cortex Άμεση Προσπέλαση Μνήμης (DMA) Λειτουργία Thumb Μετατροπέας Αναλογικού Σήματος σε Ψηφιακό (ADC) Το Ολοκληρωμένο STM32F103RB Κεφάλαιο5... Εργαλεία Ανάπτυξης Ενσωματωμένων Εφαρμογών Εισαγωγικά Στοιχεία Η Σουίτα Εφαρμογών μvision της Keil Κεφάλαιο6... Υλοποίηση Συστήματος Αναγνώρισης Φωνηέντων Στόχος της Υλοποίησης Αλγόριθμος Υλοποίησης Συστήματος Εκτίμησης Συχνοτήτων Συντονισμού της Φωνητικής Κοιλότητας Δοκιμαστικές Είσοδοι Βασικές Ρυθμίσεις του Μικροελεγκτή Αρχικοποίηση Συχνοτήτων Λειτουργίας Αρχικοποίηση Βασικών Μονάδων του Μικροελεγκτή Εφαρμογή Παραθύρου Ανάλυση Φάσματος Συχνοτήτων Αλγόριθμος Mετασχηματισμού Fourier Επίδραση Παραθύρου στον Μετασχηματισμό Fourier Εφαρμογή Κατωδιαβατού Φίλτρου Αλγόριθμος Επιλογής Κορυφών Αξιολόγηση Συμπεριφοράς του Συστήματος Αναγνώρισης Συμπεράσματα - Παρατηρήσεις Βιβλιογραφία

11

12 Κεφάλαιο 1 Περιγραφή Λειτουργίας και Μοντελοποίηση του Μηχανισμού Ομιλίας 1.1 Επικοινωνία {1} Επικοινωνία είναι η διαδικασία αποστολής ενός μηνύματος, το οποίο έχει νόημα, από έναν πομπό σε έναν δέκτη, διαμέσου ενός δίαυλου μετάδοσης. Το μήνυμα αυτό πρέπει να έχει το ίδιο νόημα για τον πομπό και για τον δέκτη. Για το λόγο αυτό είναι απαραίτητη η χρήση ενός κοινού κώδικα επικοινωνίας. Κάθε ζωντανός οργανισμός διέπεται από κάποια μορφή επικοινωνίας τόσο μεταξύ άλλων οργανισμών όσο και στη σύσταση και λειτουργία του ίδιου του οργανισμού. Για παράδειγμα ο άνθρωπος επικοινωνεί με άλλους ανθρώπους αλλά επίσης για τη λειτουργία του ως οργανισμός τα επιμέρους όργανα πρέπει να επικοινωνούν μεταξύ τους. Για την καλύτερη μελέτη των διαφόρων μορφών επικοινωνίας επιβάλλεται η διάκρισή τους σε συστήματα επικοινωνίας. To σύστημα επικοινωνίας ορίζεται κατά τον Shannonέχοντας 5 βασικά μέρη: 1. Μία πηγή πληροφορίας, η οποία παράγει το μήνυμα ή την ακολουθία μηνυμάτων που αποστέλλονται στον παραλήπτη. Το μήνυμα μπορεί να ποικίλει από μία ακολουθία γραμμάτων μέχρι και συναρτήσεις πολλών μεταβλητών. 2. Ένας πομπός, ο οποίος επιδρά στο μήνυμα με κάποιο τρόπο ώστε να παράξει ένα σήμα κατάλληλο για μετάδοση διαμέσου ενός καναλιού. Πχ στην τηλεφωνία η πίεση του ήχου αντιστοιχίζεται σε κατάλληλης έντασης ρεύμα. 3. Το κανάλι, είναι το μέσο στο οποίο διαδίδεται το σήμα από τον πομπό στον δέκτη. Μπορεί να είναι σύρμα χαλκού, ο αέρας κλπ. 4. Ο δέκτης, επιτελεί την αντίστροφη διαδικασία από αυτή του πομπού, ανακατασκευάζοντας το μήνυμα από το σήμα. 5. Ο προορισμός, το άτομο ή αντικείμενο στο για το οποίο προορίζεται το μήνυμα. 1

13 1.2 Ο Ανθρώπινος Λόγος {2},{3} Ο βασικότερος τρόπος επικοινωνίας του ανθρώπου είναι η ομιλία. Αποτελείται από μία ακολουθία ήχων, τα φωνήματα, τοποθετούμενα με κατάλληλη σειρά αποκτούν νόημα βάση των γλωσσικών κανόνων της εκάστωτε γλώσσας (κωδικοποίηση). Εξετάζοντας, λοιπόν, το σύστημα επικοινωνίας της ανθρώπινης ομιλίας, θεωρούμε ως πηγή πληροφορίας τον εγκέφαλο στον οποίο παράγεται η επιθυμία για άρθρωση της λέξης, πομπός είναι όλα τα στοιχεία του σώματος που συμβάλλουν στην παραγωγή ήχου και θα ασχοληθούμε αναλυτικά παρακάτω, το κανάλι είναι ο αέρας που περιέχει θορύβους οι οποίοι επηρεάζουν το σήμα, δέκτης το ακουστικό σύστημα του ανθρώπου (αυτί) ή συσκευή (μικρόφωνο) και τέλος προορισμός το άτομο (ανθρώπινη μνήμη) ή συσκευή (μνήμη υπολογιστικού συστήματος σε ψηφιακή μορφή). Στην προσπάθεια παραμετροποίησης της φωνητικής οδού του ανθρώπου είναι σκόπιμο να γνωρίζουμε σε βάθος τη λειτουργία της. H παραγωγή της ομιλίας στηρίζεται σε συνδυασμό των κινήσεων του αναπνευστικού συστήματος και του ανώτερου τμήματος της πεπτικής οδού. Το αναπνευστικό σύστημα ενεργοποιείται με τη συστολή και διαστολή της θωρακικής κοιλότητας, η οποία παράγει ένα ρεύμα συμπιεσμένου αέρα από τους πνεύμονες προς τον λάρυγγα. Το ανώτερο τμήμα της πεπτικής οδού αποτελείται από το στόμα και τον φάρυγγα και παίζει σημαντικό ρόλο στο σχηματισμό των φωνηέντων και των συμφώνων. Εικόνα 1.1: Μπλοκ διάγραμμα του μηχανισμού παραγωγής ομιλίας 2

14 1.2.1 Θώρακας και πνεύμονες {3} Από τη θωρακική κοιλότητα ξεκινάει το ρεύμα αέρα, το πρώτο βήμα στην παραγωγή ομιλίας. Κατά τη διάρκεια της φώνησης, οι έσω μεσοπλεύριοι μύες ενεργοποιούνται, έτσι, ώστε να διατηρηθεί η απαραίτητη υπογλωττιδική πίεση του αέρα. Η ελαστική δύναμη των πνευμόνων και το διεσταλμένο τοίχωμα του θώρακα είναι σπουδαιότατης σημασίας για τη φυσιολογική αθόρυβη εκπνοή, καθώς και για την παραγωγή φυσιολογικής ομιλίας. Εικόνα 1.2: Τα όργανα του ανθρώπινου μηχανισμού παραγωγής ομιλίας Κατά την παραγωγή ομιλίας είναι σημαντικό να διατηρείται μία συγκεκριμένη υπογλωττιδική πίεση σε όλη τη διάρκεια της φώνησης. Αλλαγή της πίεσης αυτής έχει σαν αποτέλεσμα την αλλαγή της έντασης και της ποιότητας του ήχου και σε μερικές περιπτώσεις και του ύψους του (pitch). Οι Draper, Ladefoged και Whitteridge (1959), απέδειξαν ότι κατά τη πρώτη φάση της φώνησης, η ελαστική δύναμη των διεσταλμένων ιστών επαρκεί για να διατηρήσει μία σταθερή υπογλωττιδική πίεση. Μερικές φορές μάλιστα, η δύναμη αυτή είναι τόσο μεγάλη, ώστε πρέπει να "φρεναριστεί" διατηρώντας κάποια δραστηριότητα στους μύες εισπνοής (τους έξω μεσοπλεύριους μύες) κατά την πρώτη φάση της φώνησης. Ακόμα, ταυτόχρονα με τη μείωση της ελαστικής δύναμης, ενεργοποιούνται οι μύες της εκπνοής (έσω μεσοπλεύριοι μύες), ώστε να μπορεί να διατηρηθεί η υπογλωττιδική πίεση σταθερή. Στο τελευταίο μέρος της φώνησης συμμετέχουν και οι μύες του κοιλιακού τοιχώματος. 3

15 1.2.2 Λάρυγγας {3} Ο λάρυγγας αποτελείται από χόνδρους διαρθρωμένους μεταξύ τους, από συνδέσμους και από μύες. Ο λάρυγγας, προς τα άνω, βρίσκεται σε άμεση συνέχεια με το φάρυγγα, κρέμεται από τη ρίζα της γλώσσας, γι αυτό και η θέση του επηρεάζεται από τις κινήσεις της γλώσσας. Στηρίζεται δε πάνω στην τραχεία, η οποία αποτελεί τη συνέχειά του προς τα κάτω. Οι κινήσεις στις αρθρώσεις του επιτυγχάνονται από διάφορους μικρούς μύες, οι οποίοι όταν είναι απαραίτητο αλλάζουν τις αμοιβαίες σχέσεις των χόνδρων. Αυτές οι κινήσεις ρυθμίζουν τη θέση 1 και την τάση των φωνητικών χορδών. Οι φωνητικές χορδές,ή καλύτερα πτυχές, είναι δύο πρισματικές τρίπλευρες προεξοχές που προβάλλουν στη λαρυγγική κοιλότητα και κάθε μία αποτελείται από το φωνητικό μύ, φωνητικό ελαστικό και συνδετικό ιστό. Η οριζόντια θέση τους κοντά στα πλευρικά τοιχώματα του λάρυγγα, τους επιτρέπει να διατείνονται από μπροστά προς τα πίσω. Το άνοιγμα μεταξύ των φωνητικών πτυχών ονομάζεται γλωττίδα. Τέσσερις θέσεις των φωνητικών πτυχών φαίνονται στην Εικόνα 1.3: Στο σημείο (α) είναι η θέση τους κατά τη φυσιολογική αναπνοή, όπου η γλωττίδα σχηματίζει μία επιμήκη τριγωνική σχισμή. Η θέση αυτή ονομάζεται "θέση ανάπαυσης" και επιτρέπει στον αέρα να περνά ανεμπόδιστα και χωρίς να ακούγεται. Κατά τη βαθιά εισπνοή, οι φωνητικές χορδές απομακρύνονται περισσότερο και η γλωττίδα παίρνει το σχήμα ενός πενταγώνου, όπως φαίνεται στο σημείο (β). Στο σημείο (γ), οι φωνητικές πτυχές βρίσκονται κοντά και η γλωττίδα σχηματίζει μία κλειστή σχισμή, θέση κατά την παραγωγή ήχου. Όταν ψιθυρίζουμε, τα πίσω τμήματα είναι απομακρυσμένα μεταξύ τους και έτσι δημιουργείται ένα τριγωνικό άνοιγμα, μέσω του οποίου διαρρέει ο αέρας, σημείο (δ). Η λαρυγγική κοιλία, η οποία περιέχει πολλούς βλεννώδεις αδένες, θεωρείται πως λιπαίνει τις φωνητικές πτυχές κατά τη διάρκεια της φώνησης. Σύμφωνα με τον Fant, η λαρυγγική κοιλία μπορεί να προκαλέσει μία μικρή μείωση σε κάποιες από τις συχνότητες συντονισμού (formants) και να θέσει μία οξεία υψηλή συχνότητα περιορισμένη περίπου στα 4.500Ηz στο φάσμα των φωνηέντων. Κατά την παραγωγή ήχου, οι φωνητικές πτυχές πλησιάζουν μεταξύ τους (κλειστές) και ταλαντώνονται ανοίγοντας και κλείνοντας τη γλωττίδα διαδοχικά για πολύ μικρές περιόδους. Το ρεύμα αέρα από τους πνεύμονες είναι αυτό που χωρίζει τις φωνητικές χορδές και ανοίγει τη γλωττίδα, αλλά καθώς αυτό αρχίζει να ρέει διαμέσου της στενής γλωττίδας, προκαλεί μία αρνητική πίεση, η οποία τραβάει τις φωνητικές χορδές ξανά κοντά (φαινόμενο Bernoulli). 4

16 Εικόνα 1.3: Η γλωττίδα σε θέση: (α) εισπνοής, (β) βαθιάς εισπνοής, (γ) φώνησης και (δ) ψιθύρου. Αμέσως μετά, η υπογλωττιδική πίεση εξαναγκάζει τις φωνητικές χορδές να απομακρυνθούν και ο αέρας ρέει ξανά διαμέσου της γλωττίδας. Οι κινήσεις αυτής της ταλάντωσης γίνονται σε μία συχνότητα, η οποία καθορίζεται από την τάση των φωνητικών πτυχών. Η συχνότητα ταλάντωσής τους με τη σειρά της, καθορίζει τη συχνότητα των παλμών του αέρα, οι οποίοι είναι η πρωταρχική πηγή του ήχου. Έτσι, η τάση των φωνητικών πτυχών επηρεάζει το ύψος φωνής (pitch). Η περίοδος ανοίγματος και κλεισίματος, που ονομάζεται κύκλος ταλάντωσης, έχει πολύ μικρή διάρκεια, λόγω των γρήγορων κινήσεων ταλάντωσης των φωνητικών πτυχών: στην ανδρική, ομιλία είναι περίπου 1/125sec και στη γυναικεία υποδιπλάσιος περίπου. Όταν οι φωνητικές πτυχές δονούνται, παράγονται αρμονικές σαν πολλαπλάσια της θεμελιώδους συχνότητας, και το πλάτος των αρμονικών μειώνεται όσο αυξάνεται η συχνότητα. 5

17 1.2.3 Φάρυγγας {3} Ο φάρυγγας είναι ένας μυώδης σωλήνας, μήκους περίπου 15cm και σχήματος ανεστραμμένου κώνου. Το μπροστινό του τοίχωμα είναι ατελές, διότι εκεί βρίσκονται τρία ανοίγματα, που συνδέουν το φάρυγγα με τη ρινική κοιλότητα, τη στοματική κοιλότητα και το λάρυγγα. Στο φάρυγγα, υπάρχουν δύο συστήματα βαλβίδων, το ένα που βρίκεται προς τα πάνω και μπορεί να ονομαστεί υπερωιοφαρυγγική βαλβίδα και το άλλο πιο κάτω, που ονομάζεται επιγλωττίδα. Το πρώτο από αυτά, παίζει σπουδαίο ρόλο στην παραγωγή φυσιολογικής ομιλίας. Ενα ατελές κλείσιμο επιτρέπει στο ηχητικό κύμα να διαφύγει και μέσα από τη ρινική κοιλότητα, κάνοντας την ομιλία ένρινη. Η επιγλωττίδα, έχοντας στενή σχέση με τη ρίζα της γλώσσας, επηρεάζεται από τις αλλαγές στη θέση της γλώσσας κι έτσι, μπορεί να μετακινείται προς τα πίσω (με την οπίσθια κίνηση της γλώσσας) κρύβοντας εν μέρει το δρόμο προς το λάρυγγα, ή προς τα εμπρός (με την εμπρόσθια κίνηση της γλώσσας), επιτρέποντας να φαίνεται η είσοδος του λάρυγγα. Η είσοδος του λάρυγγα κλείνει τελείως από την επιγλωττίδα μόνο όταν καταπίνουμε, με την ταυτόχρονη πίεση της ρίζας της γλώσσας προς τα κάτω και την ανύψωση του λάρυγγα. Ο φάρυγγας, κατά την παραγωγή ομιλίας, παίζει το ρόλο κοιλότητας αντήχησης. Με την κατάλληλη ενεργοποίηση των μυών του, μπορεί να υποστεί σημαντικές μεταβολές στον όγκο του και αλλαγές στη μορφή του Στοματική Κοιλότητα {3} Η στοματική κοιλότητα μαζί με τη ρινική κοιλότητα σχηματίζουν την έξοδο του φωνητικού καναλιού. Η στοματική κοιλότητα χωρίζεται με τις φατνιακές αποφύσεις της άνω και κάτω γνάθου και με τα δόντια. Οριοθετείται από τα χείλη προς τα εμπρός, από τις παρειές (μάγουλα) στα πλάγια και συνεχίζεται προς τα πίσω από το φάρυγγα. Η γλώσσα βρίσκεται στο έδαφος του στόματος και χωρίζεται στο πρόσθιο τμήμα που ονομάζεται άκρη ή κορυφή, το μεσαίο τμήμα, που ονομάζεται σώμα και το οπίσθιο, που ονομάζεται ρίζα ή βάση. Η πάνω πλευρά της ονομάζεται ράχη και καταλήγει στα πλάγια στις παρυφές ή χείλη της γλώσσας. 6

18 Η γλώσσα αποτελεί από πολλές απόψεις ένα πολύ σημαντικό όργανο. Με τον πλούσιο εξοπλισμό της σε μύες, έχει εξαιρετική κινητικότητα, γεγονός που δίνει τη δυνατότητα μεγάλων μεταβολών στον όγκο και στο σχήμα των κοιλοτήτων συντονισμού, δηλαδή της στοματικής και της φαρυγγικής κοιλότητας, κατά την παραγωγή ομιλίας. Το στόμα, έχει μεγάλη πλαστικότητα και κινητικότητα με τη βοήθεια των μυών που διαθέτει, γεγονός σημαντικό για τη διαμόρφωση διαφόρων ήχων ομιλίας. Έτσι, κατά την παραγωγή ομιλίας τα χείλη βοηθούν στο σχηματισμό διαφορετικών φωνηέντων, εν μέρει τροποποιώντας τη μορφή του ανοίγματος του στόματος και εν μέρει μεταβάλλοντας τον όγκο του στοματικού προθαλάμου, του οποίου αποτελούν το πρόσθιο όριο Ρινική Κοιλότητα {3} Η ρινική κοιλότητα αποτελεί την υψηλότερη έξοδο διαφυγής του αέρα. Στο πίσω μέρος της ενώνεται με το ρινοφάρυγγα μέσω δύο ανοιγμάτων, των χοανών, μία σε κάθε πλευρά. Η ρινική κοιλότητα συγκαταλέγεται στα σημαντικά τμήματα του μηχανισμού παραγωγής ομιλίας, λόγω της επίδρασής της ως κοιλότητας αντήχησης. Η ρινική κοιλότητα χωρίζεται σε δύο μέρη (ρινικές θαλάμες) από το διάφραγμα, το οποίο μερικές φορές, είναι ασύμμετρα τοποθετημένο, χωρίζοντάς την σε άνισου μεγέθους ημιμόρια. Μελετώντας τους συντονισμούς (formants) ένρινων φωνηέντων, οι Fujimura και Lindqvist (1964), βρήκαν ότι αυτή η ασυμμετρία επηρεάζει το φάσμα συχνότητας. 1.3 Η Ανθρώπινη Ακοή {3} Ο ήχος που πλησιάζει το αυτί φτάνει μέσω του πτερυγίου και του έξω ακουστικού πόρου, στην τυμπανική μεμβράνη, την οποία θέτει σε ταλάντωση. Τα οστάρια, τοποθετημένα στο άνω τμήμα του μέσου αυτιού, μεταφέρουν αυτές τις ταλαντώσεις της τυμπανικής μεμβράνης στο έσω αυτί: η σφύρα, η οποία εφάπτεται στην τυμπανική μεμβράνη, μεταφέρει τις ταλαντώσεις στον άκμονα και αυτός με τη σειρά του στον αναβολέα, ο οποίος εφάπτεται στην ωοειδή θυρίδα του έσω αυτιού. Με αυτόν τον τρόπο τα ηχητικά κύματα φθάνουν στο έσω αυτί και διεγείρουν τον κοχλία, ο οποίος είναι τοποθετημένος στα κοιλώματα του κροταφικού οστού. Ο κοχλίας, μία κοιλότητα με σχήμα κελύφους σαλιγκαριού, είναι γεμάτος υγρό και χωρίζεται σε δύο χώρους (την αιθουσαία και την τυμπανική κλίμακα), από τη βασική μεμβράνη, η οποία φέρει τα αισθητήρια κύτταρα όπου καταλήγουν οι απολήξεις των νευρικών ινών του ακουστικού νεύρου. Ο κοχλίας, επικοινωνεί με το μέσο αυτί μέσω της ωοειδούς θυρίδας από την πλευρά της αιθουσαίας κλίμακας, και μέσω της στρογγυλής θυρίδας, που αποφράσσεται με μία απλή μεμβράνη, από την πλευρά της τυμπανικής κλίμακας. Οι παλμικές κινήσεις του αναβολέα και της 7

19 μεμβράνης της στρογγυλής θυρίδας καθορίζουν την κίνηση του υγρού, το οποίο με αυτόν τον τρόπο διεγείρει τα αισθητήρια κύτταρα της βασικής μεμβράνης, κατά περιοχές, ανάλογα με τη συχνότητα του προσπίπτοντας ήχου (Εικόνα 1.4). Εικόνα 1.4: Το ανθρώπινο ακουστικό σύστημα 1.4 Το ΑκουστικόΜήνυμα {2},{3} Το αποτέλεσμα της ομιλίας είναι η παραγωγή ενός ακουστικού μηνύματος. Οι βασικές παράμετροι αυτού είναι η συχνότητα, η οποία αντιστοιχεί στην αίσθηση του ύψους του ήχου (pitch), το πλάτος που αφορά την ένταση του ήχου (intensity) και το φάσμα που έχει να κάνει με τη χροιά (timbre) του ήχου.η συχνότητα, το πλάτος και το φάσμα είναι φυσικές ποσότητες τις οποίες μπορούμε να μετρήσουμε, ενώ το ύψος, η ένταση και η χροιά αφορούν τον τρόπο με τον οποίο αντιλαμβανόμαστε τον ήχο. 8

20 1.5 Ήχος {2},{3} Η παραγωγή ήχου από την παραπάνω διαδικασία οφείλεται είτε στην ταλάντωση της γλωττίδας ή στην κατάλληλη τοποθέτηση των μερών της στοματικής κοιλότητας, η οποία προκαλεί μια μεταβολή της κινητικότητας των μορίων του αέρα (εναλλαγή πύκνωσης - αραίωσης) στο σημείο αυτό. Η διατάραξη που ξεκινά στη γλωττίδα διαδίδεται ως κύμα, καθώς τα κινούμενα μόρια του αέρα ασκούν δυνάμεις στα γειτονικά τους, σε ολόκληρο το υπόλοιπο σύστημα παραγωγής ομιλίας του ανθρώπου και ύστερα από τις κατάλληλες αντανακλάσεις του στη στοματική και στη ρινική κοιλότητα, διαφεύγει από τα χείλη και τη μύτη σχηματίζοντας το τελικό ηχητικό αποτέλεσμα. Ο ήχος αυτός με τον ίδιο τρόπο διάδοσης, προκαλώντας διαταραχή στον αέρα του περιβάλλοντος, ταξιδεύει μέχρι τον δέκτη του μηνύματος. Κατά τη διάδοση υφίσταται διαρκώς εξασθένηση μέχρι που παύει να γίνεται αντιληπτός. Μπορεί να διαδοθεί σε κάθε μέσο στο οποίο υπάρχει ύλη; στα υγρά και στα στερεά διαδίδεται, αλλά και εξασθενεί, ταχύτερα λόγω της ισχυρότερης σύνδεσης των μορίων τους Ακουστότητα του Ήχου {3} Ένα ηχητικό κύμα γίνεται ακουστό όταν η διαδιδόμενη εναλλαγή πύκνωσης-αραίωσης του αέρα έρχεται σε επαφή με την τυμπανική μεμβράνη του ανθρωπίνου αυτιού και την εξαναγκάζει σε ταλάντωση με την ίδια συχνότητα. Ωστόσο, το ανθρώπινο αυτί έχει την ικανότητα να αντιλαμβάνεται ήχους μόνο σε μία συγκεκριμένη περιοχή συχνοτήτων και εντάσεων όπως φαίνεται στην Εικόνα 1.5. Η διαφορά της ελάχιστης της μέγιστης πίεσης του αέρα ονομάζεται πλάτος του ήχου. Η πιο διαδεδομένη μονάδα μέτρησης του πλάτους του ήχου είναι το decibel (db) καθώς επιτρέπει τη συμπίεση κλίμακας φυσικών μετρήσεων και βασίζεται σε λογαρίθμους. Το Βel (1/10 του decibel) ορίζεται ως εξής:, άρα το decibel όπου, και είναι οι ισχύεις δύο μεγεθών. Το ένα αποτελεί μία στάθμη αναφοράς που αντιστοιχεί σε ένα χαμηλό φυσικό μέγεθος και το άλλο την μετρούμενη τιμή ισχύος. 9

21 Εικόνα 1.5: Περιοχές ομιλίας, ακουστότητας και πόνου συναρτήσει της έντασης και της συχνότητας του ήχου Το πεδίο συχνοτήτων που μπορούμε να αντιληφθούμε είναι μεταξύ 20 και Ηz. Ήχοι με συχνότητα κάτω των 20 Hzονομάζονται υπόηχοι, ενώ άνω των Ηz, υπέρηχοι. Η περιοχή ομιλίας συνίσταται από ήχους στο πεδίο συχνοτήτων Ηz, όμως το αυτί παρουσιάζει ιδιαίτερη ευαισθησία σε συχνότητες μεταξύ Ηz. Τα όρια της ακουστότητας είναι γενικώς ασαφώς οριοθετημένα και τα εικονιζόμενα μπορούν να γίνουν αντιληπτά μόνο σε συνθήκες απόλυτης απουσίας θορύβων. Ένας ήχος θεωρείται πως μπορεί να ακουστεί καθαράκαι να προσδιοριστεί με αξιοπιστία σε ένταση 20 db Ο Ήχος της Ομιλίας {2},{3} Όπως όλοι οι φυσικοί ήχοι έτσι και ο ήχος της ομιλίας είναι ένας σύνθετος ήχος, ο οποίος παράγεται από το σύστημα ομιλίας όπως περιγράψαμε νωρίτερα. Οι ήχοι μπορούν να χαρακτηριστούν συναρτήσει της επαναλαμβανόμενης ή μη φύσης τους. Περιοδικός ονομάζεται ο ήχος που συνίσταται από την επανάληψη του ίδιου κυματισμού σε τακτά χρονικά διαστήματα. Σχεδόν περιοδικός είναι ο ήχος του οποίου τα κυματικά χαρακτηριστικά, όπως τοπλάτος και η περίοδος, μεταβάλλονται στον χώρο και στον χρόνο, όμως τα στοιχεία επανάληψης που φέρει είναι πολύ έντονα και προσεγγιστικά μπορεί να θεωρηθεί περιοδικός. Τέλος, έχουμε τον απεριοδικό ήχο όπου το κύμα του δεν είναι επαναλαμβανόμενης μορφής. Τέτοιοι ήχοι είναι οι θόρυβοι και ο πιο συνηθισμένος, ο λευκός θόρυβος. Το σύστημα ομιλίας του ανθρώπου μπορεί να παράγει περιοδικούς ήχους, που όπως θα δούμε είναι τα φωνήεντα, αλλά και απεριοδικούς που είναι τα σύμφωνα. 10

22 1.6 Μοντέλο Ομιλίας {2},{3},{4} Στη προσπάθεια παραμετροποίησης της ομιλίας θα πρέπει να αναζητήσουμε ένα μοντέλο που θα απλουστεύει την παρατήρηση των παραγόμενων ήχων. Αρχικά, τους σε χωρίζουμε σε τρεις βασικές κατηγορίες. Οι ηχηροί ήχοι παράγονται από την ταλάντωση της γλωττίδας, η οποία προκαλεί ένα σχεδόν περιοδικό ηχητικό κύμα. Η έντασή τους εξαρτάται από την υπογλωττιδική πίεση, δηλαδή την ορμή με την οποία θα προωθηθεί το ρεύμα αέρα από τους πνεύμονες ενώ η θεμελιώδης συχνότητά τους έχει να κάνει περισσότερο μετην μυϊκή επίδραση που ασκείται στις φωνητικές πτυχές (ωστόσο, εξαρτάται και από τη ροή του αέρα λόγω του φαινομένου Bernoulli). Οι τυρβώδεις ήχοιπαράγονται εξαναγκάζοντας τη διέλευση του αέρα μέσα από ένα στένεμα σε κάποιοτμήμα του ανώτερου μέρους του φωνητικού καναλιού, προκαλώντας έτσι στροβιλισμό που οδηγεί σε έναν ήχο με χαρακτηριστικά θορύβου. Οι εκρηκτικοί ήχοι απαιτούν το ολοκληρωτικό φράξιμο του φωνητικού καναλιού και ταυτόχρονα την αύξηση της πίεσης του αέρα στα τμήματα πίσω από το σημείο φραγής, με αποτέλεσμα την απότομη εκτόνωση της πίεσης. Συνήθως ακολουθούνται, δε, από μία μικρής διάρκειας διέγερση θορύβου. 11

23 Εικόνα 1.6: To πραγματικό σύστημα ομιλίας Στο πρώτο επίπεδο του βασικού μοντέλου που θεωρούμε οι παραπάνω ήχοι μπορούν σχηματιστούν από τη συμβολή δύο πηγών. Μία περιοδική και μία απεριοδική (λευκού θορύβου). Οι δύο πηγές είναι ανεξάρτητες του τελικού ήχου (φθόγγου) που θα σχηματιστεί στην υπεργλωττιδική φωνητική κοιλότητα. Η περιοδική αντιστοιχίζεται στην ταλάντωση των φωνητικών πτυχών, δηλαδή στην παραγωγή φωνηέντων, και μπορεί να μεταβάλλεται μόνο η συχνότητά της. Η απεριοδική παίρνει το ρόλο τωνσταθερών ή μεταβατικώνεμποδίωνστη ροή του αέρα, δηλαδή των συμφώνων, χωρίς να έχει καμία μεταβαλλόμενη παράμετρο. Αυτό σημαίνει πως κάθε φορά που ενεργοποιείται παράγει ακριβώς το ίδιο είδος θορύβου. 12

24 Στο δεύτερο επίπεδο, αναπαριστώντας το υπεργλωττιδικό τμήμα του μηχανισμού ομιλίας, θα θεωρήσουμε την ύπαρξη ενός φίλτρου το οποίο διαμορφώνει τον ήχο που παραλαμβάνει από τις δύο πηγές. Το φίλτρο αντιστοιχεί σε όλες τις καταστάσεις που μπορεί να περιέλθουν η στοματική και η ρινική κοιλότητα ώστε να σχηματίσουν τους ήχους του κάθε φθόγγου. Οι μεταβολές του σχήματος της φωνητικής διόδου σε αυτό το επίπεδο γίνονται σχετικά αργά στο χρόνο, για το λόγο αυτό θεωρούμε ως ένα αργά μεταβαλλόμενο φίλτρο το οποίο επιβάλλει τις ιδιότητες της απόκρισης συχνότητάς του στο φάσμα της διέγερσης. Με την υπόθεση πως η διέγερση και το φωνητικό κανάλι είναι ανεξάρτητα μεταξύ τους, αναπαριστούμε τη δειγματοληπτούμενη κυματομορφή της ομιλίας με ένα μοντέλο διακριτού χρόνου. Τα δείγματα του σήματος ομιλίας θεωρούνται ως η έξοδος ενός χρονικά μεταβαλλόμενου συστήματος, διακριτού χρόνου, το οποίο αναπαριστά τους συντονισμούς του συστήματος του φωνητικού καναλιού. Το είδος της διέγερσης του συστήματος αλλάζει μεταξύ περιοδικών παλμών και τυχαίου θορύβου, ανάλογα με τον τύπο του ήχου που παράγεται. Εικόνα 1.7: Μοντελοποιημένο σύστημα ομιλίας (Η περίοδος pitchαντιστοιχεί στην θεμελιώδη συχνότητα ) Όπως φαίνεται στην Eικόνα 1.7 ο τελικός παραγόμενος ήχος εξαρτάται από τρεις παράγοντες. 1) την απόφαση μεταξύ ηχηρού ή άηχου ήχου, 2) την θεμελιώδη συχνότητα, 3) τις παραμέτρους του φίλτρου (το σχήμα τις φωνητικής κοιλότητας). 13

25 Η γενική εξίσωση του φίλτρου έχει ως εξής: (1.1) Στην περίπτωση μικρής διάρκειας κομματιών ομιλίας συνηθίζεται να χρησιμοποιείται το γραμμικό φίλτρο με τη συνάρτηση μόνο πόλων. (1.2) Toοποίο περιγράφει το χρονικώς μεταβαλλόμενο σύστημα της φωνητικής κοιλότητας, το οποίο οδηγεί στο σήμα εξόδου: (1.3) Όπου το είναι η διέγερση (ηχηρή ή άηχη) και οι παράμετροι και μπορούν να υπολογιστούν αποδοτικά από το σήμα εισόδου χρησιμοποιώντας γραμμική ανάλυση πρόγνωσης (linearpredictiveanalysis). Εικόνα 1.8: Το γραμμικό μοντέλο συστήματος ομιλίας 14

26 H συνάρτηση μεταφοράς της γεννήτριας κρουστικών παλμών δίνεται από τη σχέση: (1.4) όπου είναι η περίοδος δειγματοληψίας του διακριτού σήματος, η περίοδος τηςσχεδόν περιοδικής διέγερσης (ηχηρή διέγερση) που παριστάνει το ύψος της φωνής (pitch), με αντίστοιχη συχνότητα, δηλαδή τη θεμελιώδη συχνότητα. Τον ηχηρό κλάδο ακολουθεί το μοντέλο της γλωττίδας. Αποτελεί ένα φίλτρο δεύτερης τάξης με συνάρτηση μεταφοράς τη σχέση: (1.5) Η συχνότητα αποκοπής του φίλτρου υπολογίζεται στα 100 Hz περίπου. Ο όρος γενικά πολύ μικρότερος της μονάδας. θεωρείται Οι εντάσεις των ηχηρών και άηχων ήχων ελέγχονται από τους ενισχυτές Αν και Au. Ο διακόπτης ηχηρής - άηχης διέγερσης συνδέει τις εισόδους με το μοντέλο της φωνητικής κοιλότητας. Η φωνητική κοιλότητα παριστάνεται σαν ένα k-πολικό φίλτρο χωρίς μηδενικά (φίλτρο μόνο πόλων) και αποτελεί μια πολύ καλή προσέγγιση για τους περισσότερους ήχους. Η συνάρτηση μεταφοράς του φωνητικής κοιλότητας δίνεται με τη σχέση: (1.6) Oι k πόλοι της αποτελούν τους συντονισμούς της φωνητικής κοιλότητας (formants), με συχνότητες και εύρη ζωνών που δίνονται με τις σχέσεις: και 15

27 (1.7), (1.8) αντίστοιχα. Το πλήθος των συντονισμών σε μια φωνητική κοιλότητα ξεπερνά τους έξι, το μεγαλύτερο ενδιαφέρον το συγκεντρώνουν οι τρεις πρώτοι συντονισμοί. Τέλος το μοντέλο που εξομοιώνει την επίδραση της ακτινοβολίας των χειλιών και δίνει έμφαση στις υψηλότερες συχνότητες, μπορεί να προσεγγιστεί από ένα φίλτρο με συνάρτηση μεταφοράς ενός μηδενικού, (1.9) Να σημειωθεί ότι το γραμμικό μοντέλο δεν καλύπτει ειδικές περιπτώσεις ήχων, όπως της μικτής διέγερσης (ηχηρή και άηχη) ή της σύζευξης με τη ρινική κοιλότητα. Για τους ένρινους ήχους είναι απαραίτητο η συνάρτηση μεταφοράς να περιέχει εκτός των πόλων και μηδενικά. Πάντως οι περισσότερες περιπτώσεις ήχων καλύπτονται, αφού ανήκουν στις υπόλοιπες δύο κατηγορίες. Η συνάρτηση μεταφοράς του μοντέλου στο σύνολό του, περιγράφεται από τη σχέση: (1.10) 1.7 'Αρθρωση {2} Με τον όρο άρθρωση εννοούμε τη θέση και την κίνηση των μερών της φωνητικής κοιλότητας, δηλαδή των αρθρωτών, για τη διαμόρφωση των ήχων της ομιλίας, δηλαδή των φθόγγων. Από την έννοια της άρθρωσης εξαιρείται η παραγωγή της φώνησης στο λάρυγγα. Φωνητική οδός ονομάζεται ο δίαυλος διέλευσης του αέρα από το λάρυγγα (γλωττίδα) προς το εξωτερικό περιβάλλον διαμέσου του στόματος και της μύτης, ενώ αρθρωτές ονομάζονται τα μέρη της φωνητικής οδού που με τη θέση ή την κίνησή τους μεταβάλλουν τη ροή του αέρα και συμβάλλουν έτσι στη διαμόρφωση των ήχων. 16

28 1.7.1 Αρθρωτές και Σημεία Άρθρωσης {2} Οι αρθρωτές είναι τα φωνητικά όργανα που συμμετέχουν στην πραγματοποίηση της άρθρωσης, δηλαδή τα χείλη, τα δόντια, τα φατνία, ο ουρανίσκος (ή σκληρή υπερώα), η (μαλακή) υπερώα, η σταφυλή, ο φάρυγγας, η γλώσσα, και η γλωσσίδα (ή λάρυγγας). Από αυτούς, ενεργητικοί αρθρωτές είναι όσοι κινούνται για την παραγωγή των φθόγγων, δηλαδή το κάτω χείλος, η γλώσσα, η μαλακή υπερώα, η σταφυλή, η γλώσσα και η γλωσσίδα. Αντίθετα, όσοι δεν κινούνται ονομάζονται παθητικοί αρθρωτές. Από τους αρθρωτές τη μεγαλύτερη ευκινησία, και το μεγαλύτερο εύρος κινήσεων, διαθέτει η γλώσσα, τα μέρη της οποίας μπορούν να κινούνται σχετικά ανεξάρτητα το ένα από το άλλο. Για τη συμμετοχή της γλώσσας στην άρθρωση διακρίνουμε τα εξής μέρη της: άκρη, προράχη, ράχη, πίσω μέρος και ρίζα. Δεν είναι δυνατόν βεβαίως να κινηθεί προς τα μπρος η άκρη της γλώσσας και συγχρόνως προς τα πίσω η ράχη της. 'Ομως η άκρη της γλώσσας μπορεί να ανασηκωθεί ανεξάρτητα από τη θέση της ράχης ή της ρίζας της γλώσσας. Τα χείλη διαθέτουν επίσης σημαντικό ρεπερτόριο κινήσεων ειδικά αν συμπεριλάβουμε και τις θέσεις που μπορούν να πάρουν χάρη σε κινήσεις της κάτω σιαγόνας. Εκτός από τις μεταθέσεις τους κατά το διαμήκη άξονα της φωνητικής οδού (δηλαδή μπρος-πίσω), τα χείλη μπορούν να λάβουν διάφορα λιγότερο ή περισσότερο ανοικτά ή κλειστά καθώς και στρογγυλά σχήματα. Η μαλακή υπερώα και η σταφυλή κινούνται μεταξύ χαμηλωμένης και υψωμένης θέσης ελέγχοντας την επικοινωνία μεταξύ στοματικής και ρινικής κοιλότητας. 'Οσο για τη γλωττίδα, αυτή είναι απαραίτητη όχι μόνο στην παραγωγή φωνής, αλλά συμμετέχει και στην άρθρωση ορισμένων φθόγγων, όπως εξηγείται παρακάτω Τόπος και Τρόπος Άρθρωσης Συμφώνων {2},{3} Οι φθόγγοι διακρίνονται σε φωνήεντα και σύμφωνα. Για τα φωνήεντα η ροή του αέρα διαμέσου της φωνητικής οδού είναι ομαλή, χωρίς εμπόδια, ενώ για τα σύμφωνα δημιουργείται κάποιο εμπόδιο στη ροή του αέρα μέσα στη φωνητική οδό από τους αρθρωτές. Τα φωνήεντα μπορούν να περιγραφούν προσεγγιστικά βάσει της θέσης των αρθρωτών κατά την παραγωγή τους. Η άρθρωση των συμφώνων όμως μπορεί να περιγραφεί με πολύ μεγαλύτερη ακρίβεια εξαιτίας της ύπαρξης του εμποδίου, διότι όταν υπάρχει εμπόδιο στη ροή του αέρα αυτό σχηματίζεται αναγκαστικά σε κάποιο συγκεκριμένο σημείο της φωνητικής οδού και επηρεάζει τη ροή με κάποιο συγκεκριμένο τρόπο. 'Ετσι, όταν υπάρχει εμπόδιο, δηλαδή σύμφωνο, αυτό μπορεί πάντα να 17

29 χαρακτηριστεί από έναν τόπο άρθρωσης και έναν τρόπο άρθρωσης. Ο τόπος άρθρωσης είναι το σημείο εκείνο της φωνητικής οδού όπου σχηματίζεται το εμπόδιο στη ροή του αέρα. Ο τρόπος άρθρωσης είναι το είδος του εμποδίου στη ροή του αέρα, που εξαρτάται από τη θέση ή την κίνηση των αρθρωτών που δημιουργούν το εμπόδιο. Οι τόποι άρθρωσης ονοματίζονται από τους αρθρωτές που σχηματίζουν το εμπόδιο. Αρχίζοντας από τα χείλη και προχωρώντας προς τα πίσω κατά μήκος της φωνητικής οδού, είναι οι εξής: Χειλικός ή διχειλικός, όταν το εμπόδιο παράγεται από τα δύο χείλη. Χειλοδοντικός, μεταξύ του κάτω χείλους και της άνω οδοντοστοιχίας. Μεσοδοντικός ή ενδοδοντικός, όταν το εμπόδιο σχηματίζεται με την άκρη της γλώσσας ανάμεσα από τα δόντια. Οδοντικός, μεταξύ της άκρης της γλώσσας και της πίσω πλευράς της άνω οδοντοστοιχίας. Φατνιακός, μεταξύ της άκρης της γλώσσας και των άνω φατνίων, της ρίζας δηλαδή της άνω οδοντοστοιχίας στην πρόσθια άκρη του ουρανίσκου, ακριβώς πίσω από τα δόντια. Φατνοουρανικός, μεταξύ της προράχης της γλώσσας και του πρόσθιου τμήματος του ουρανίσκου. Ουρανικός, μεταξύ της ράχης της γλώσσας και του ουρανίσκου. Ανακεκαμένος ή κυρτός, μεταξύ της κάτω πλευράς της άκρης της γλώσσας και του ουρανίσκου (με κύρτωση της γλώσσας προς τα πάνω και πίσω). Υπερωικός, μεταξύ του πίσω μέρους της γλώσσας και της μαλακής υπερώας. Σταφυλικός, μεταξύ του πίσω μέρους της γλώσσας και της σταφυλής. 18

30 Φαρυγγικός, μεταξύ της ρίζας της γλώσσας και του ραχιαίου (οπίσθιου) τοιχώματος του φάρυγγα. Γλωττιδικός, μεταξύ των φωνητικών πτυχών. Στην ελληνική γλώσσα δεν χρησιμοποιούνται όλοι οι τρόποι αλλά μόνο ορισμένοι. Οι τρόποι άρθρωσης ονομάζονται από το είδος του εμποδίου που τίθεται στη ροή του αέρα. Το εμπόδιο μπορεί να είναι πλήρες, ανακόπτοντας εντελώς τη ροή του αέρα, ή μερικό, τροποποιώντας τη ροή και συμβάλλοντας στην παραγωγή ήχου με τη μορφή θορύβου. Αν ένας τρόπος άρθρωσης αντιστοιχεί σε μια σταθερή θέση των αρθρωτών τότε ο φθόγγος που παράγεται είναι εξακολουθητικός και η διάρκειά του μπορεί να ελέγχεται μέσα στα πλαίσια του ρυθμού της ομιλίας. Αν ο τρόπος άρθρωσης αντιστοιχεί σε μια κίνηση, ή αλληλουχία θέσεων των αρθρωτών, τότε ο φθόγγος που παράγεται είναι στιγμιαίος και η διάρκειά του περιορίζεται σε ένα στενό εύρος τιμών. Οι κύριοι τρόποι άρθρωσης είναι οι εξής: Κλειστός ή αποφρακτικός ή εκρηκτικός ή έκκροτος: Η ροή του αέρα ανακόπτεται εντελώς, αυξάνεται η πίεση στο εσωτερικό της φωνητικής οδού λόγω εκπνοής, και τέλος απελευθερώνεται απότομα η πίεση με απόσυρση του εμποδίου (άφεση) παράγοντας στιγμιαίο θόρυβο που ονομάζεται έκρηξη. Ο τρόπος αυτός είναι στιγμιαίος. Τριβόμενος ή συριστικός: Η ροή του αέρα δεν ανακόπτεται αλλά λόγω της πολύ μικρής απόστασης μεταξύ των αρθρωτών γίνεται τυρβώδης ροή με αποτέλεσμα να παράγεται ήχος (θόρυβος) στον τόπο άρθρωσης. Ο τρόπος αυτός είναι εξακολουθητικός. Προστριβόμενος: Πρόκειται για συνδυασμό κλειστού τρόπου που καταλήγει σε τριβόμενο, δηλαδή αρχικά ανακόπτεται η ροή του αέρα και η αυξανόμενη πίεση απελευθερώνεται απότομα, αντί όμως η άφεση να καταλήξει σε ελεύθερη ροή διατηρείται μερικώς το εμπόδιο στον ίδιο τόπο άρθρωσης και εξαιτίας της τυρβώδους ροής του αέρα παράγεται διαρκής ήχος (θόρυβος). 'Ενρινος η ρινικός: Η ροή του αέρα διαμέσου της στοματικής κοιλότητας ανακόπτεται εντελώς στον τόπο άρθρωσης αλλά χαμηλώνει η μαλακή υπερώα και επιτρέπει την ομαλή ροή του αέρα διαμέσου της ρινικής οδού. Πρόκειται για τρόπο 19

31 παρεμποδιστικό (εφόσον η φράσσεται πλήρως η στοματική οδός) αλλά εξακολουθητικό (εφόσον μπορεί να παράγεται διαρκώς). Πλάγιος: Η ροή του αέρα στο κέντρο της στοματικής κοιλότητας εμποδίζεται από τη γλώσσα στον τόπο άρθρωσης αλλά επιτρέπεται προς το πλάι λόγω ασύμμετρης θέσης και τάσης της γλώσσας. Παλλόμενος: Η ροή του αέρα διακόπτεται και αποκαθίσταται περιοδικά με παλμική (παλινδρομική) αρθρωτική κίνηση. Στην κατηγορία αυτή μπορούμε να κατατάξουμε και την ειδική περίπτωση του ενός μοναδικού παλμού, δηλαδή μια στιγμιαία διακοπή στη ροή του αέρα από παροδικό εμπόδιο στον τόπο άρθρωσης. Ημιφωνικός ή υγρός: Ο τρόπος αυτός είναι ενδιάμεσος μεταξύ καθαρού συμφώνου και καθαρού φωνήεντος. Μοιάζει με σύμφωνο κυρίως ως προς τον σαφώς προσδιορισμένο τόπο άρθρωσης, την ύπαρξη δηλαδή σημείου κατά μήκος της φωνητικής οδού όπου δημιουργείται στένωση στη ροή του αέρα. Μοιάζει με φωνήεν όσον αφορά στη ροή του αέρα διότι αυτή παραμένει σχεδόν ομαλή. Στην περίπτωση δεν δημιουργείται θόρυβος στον τόπο άρθρωσης Φωνήεντα {2} Τα φωνήεντα δεν διακρίνονται μεταξύ τους από τόπο άρθρωσης, διότι δεν υπάρχει εμπόδιο στη ροή του αέρα, ώστε το σημείο του εμποδίου να προσδιορίσει την άρθρωση. Επίσης δεν διακρίνονται από τρόπο άρθρωσης διότι όλα αρθρώνονται με τον ίδιο τρόπο, δηλαδή χωρίς εμπόδιο στη ροή του αέρα. Αρθρωτικά τα φωνήεντα διακρίνονται από τις διαφορές στο σχήμα που παίρνει η φωνητική οδός κατά την παραγωγή τους. Για τη συστηματική ταξινόμηση των φωνηέντων ορίζουμε τρεις διαστάσεις στις οποίες διαφοροποιούνται, διαστάσεις οι οποίες αντιστοιχούν σε διαφορές στη φωνητική οδό. Η πρώτη διάσταση που διακρίνει φωνήεντα είναι το ύψος. Υπάρχουν φωνήεντα ψηλά, μεσαία, και χαμηλά. Η διάσταση αυτή αναφέρεται προσεγγιστικά στη θέση της γλώσσας μέσα στη φωνητική οδό. 'Οταν η γλώσσα βρίσκεται σχετικά ψηλά, δηλαδή πιο κοντά στον ουρανίσκο, τότε παράγονται ψηλά φωνήεντα, όπως το ι και το ου. 'Οταν η γλώσσα βρίσκεται χαμηλά, πιεσμένη στο έδαφος της φωνητικής οδού, τότε παράγονται χαμηλά φωνήεντα, όπως το α. Σε ενδιάμεσες θέσεις ύψους παράγονται τα μεσαία φωνήεντα ε και ο. Η διάσταση αυτή συναντάται συχνά με διαφορετική ονομασία που προέρχεται από το μέγεθος του ανοίγματος του στόματος με το οποίο παράγεται κάθε φωνήεν. 'Ετσι τα ψηλά φωνήεντα, επειδή παράγονται με πιο κλειστό στόμα, ονομάζονται κλειστά, ενώ τα χαμηλά φωνήεντα, επειδή παράγονται με πιο ανοικτό στόμα, ονομάζονται ανοικτά. Η αναφορά 20

32 ανοικτό στόμα δεν αντιστοιχεί στο άνοιγμα των χειλιών αλλά στη θέση της κάτω σιαγόνας. Η δεύτερη διάσταση είναι κατά το διαμήκη άξονα της φωνητικής οδού, διακρίνοντας τα φωνήεντα σε πρόσθια, κεντρικά και οπίσθια. Και αυτή η διάσταση αναφέρεται προσεγγιστικά στη θέση της γλώσσας μέσα στη φωνητική οδό. 'Οταν η γλώσσα βρίσκεται σχετικά μπροστά, δηλαδή λίγο πίσω από τα δόντια, τότε παράγονται πρόσθια φωνήεντα όπως το ι και το ε. 'Οταν η γλώσσα βρίσκεται πίσω, απομακρυσμένη όσο γίνεται από τα δόντια, τότε παράγονται οπίσθια φωνήεντα όπως το ο και το ου. Σε ενδιάμεσες θέσεις παράγονται τα κεντρικά φωνήεντα όπως το α. Τέλος η τρίτη διάσταση είναι η στρογγυλότητα, η οποία αναφέρεται στο σχήμα των χειλιών. 'Ετσι τα φωνήεντα διακρίνονται σε στρογγυλά και αστρόγγυλα. 'Οταν τα χείλη σουφρώνουν σχηματίζοντας στρογγυλό σχήμα τότε παράγονται στρογγυλά φωνήεντα όπως το ο και το ου. 'Οταν τα χείλη είναι ελεύθερα σχηματίζοντας πεπλατυσμένο σχήμα τότε παράγονται αστρόγγυλα φωνήεντα όπως τα ι, ε και α. Στην ελληνική γλώσσα υπάρχουν μόνο οπίσθια στρογγυλά φωνήεντα, και μόνο πρόσθια και κεντρικά αστρόγγυλα. 'Ετσι η διάσταση της στρογγυλότητας δε διακρίνει μεταξύ των φωνηέντων στην ταξινόμηση περισσότερο από όσο οι δύο πρώτες διαστάσεις μόνες τους. Η στρογγυλότητα είναι όμως σημαντικό χαρακτηριστικό για τον πλήρη προσδιορισμό των φωνηέντων. Σε άλλες γλώσσες, με περισσότερα φωνήεντα, υπάρχουν πολύ περισσότεροι συνδυασμοί στις τρεις διαστάσεις. Για παράδειγμα, στα γαλλικά υπάρχει το στρογγυλό αντίστοιχο του ι, που γράφεται συνήθως με το γράμμα u, το στρογγυλό αντίστοιχο του ε, που γράφεται συνήθως με το δίψηφο oe και άλλα. 1.8 Το Διεθνές Φωνητικό Αλφάβητο {16} Το διεθνές φωνητικό αλφάβητο (International Phonetic Alphabet ή απλά IPA) δημοσιεύεται από τη διεθνή φωνητική ένωση (International Phonetic Association).Η βασική αρχή του IPAείναι να παρέχει ένα γράμμα για κάθε χαρακτηριστικό ήχο (κομμάτι ομιλίας). Δεν χρησιμοποιεί συνδυασμούς γραμμάτων για την περιγραφή ένος ήχου, όπως για παράδειγμα γίνεται στην ελληνική γλώσσα (<τσ>,<γκ>,<γγ>,κ.α.) και δεν υπάρχουν γράμματα των οποίων ο ήχος εξαρτάται από τη χρήση τους μέσα σε μία λέξη όπως στα ελληνικά για παράδειγμα διαφέρει η χρήση του γράμματος <α> στην λέξη <μπάνιο> και στη λέξη <παίρνω>. Η ακριβής ηχητική αξία κάθε φωνητικού συμβόλου μπορεί να διαφέρει από γλώσσα σε γλώσσα. Για παράδειγμα, το σύμβολο t (κλειστό άφωνο) αντιστοιχεί σε φατνιακό τόπο άρθρωσης στην αγγλική γλώσσα αλλά συνήθως σε οδοντικό στην ελληνική, ενώ το σύμβολο θ (τριβόμενο άφωνο) αντιστοιχεί σε οδοντικό τόπο άρθρωσης στην αγγλική αλλά σε 21

33 μεσοδοντικό στην ελληνική. Ανάλογα ισχύουν για τα ηχηρά d και δ. Το σύμβολο s χρησιμοποιείται στην ελληνική γλώσσα για φθόγγο που βρίσκεται ακουστικά (και αρθρωτικά) μεταξύ των αγγλικών φθόγγων που συμβολίζονται με s (το ίδιο σύμβολο) και J. Τέτοιες διαφορές υπάρχουν πάρα πολλές και είναι πολλών ειδών. Μια φωνητική μεταγραφή ισχύει για τη γλώσσα στην οποία πραγματοποιήθηκε και μόνο κατά προσέγγιση μπορεί να θεωρηθεί στο πλαίσιο άλλων γλωσσών. Εικόνα 1.9: Οι συμφωνικοί φθόγγοι της ελληνικής γλώσσας, φωνούμενοι (Φ), άφωνοι (Α), σύμφωνα με το σύστημα συμβολισμού του διεθνούς φωνητικού αλφαβήτου. 22

34 Κεφάλαιο 2 Προεπεξεργασία Σήματος Ομιλίας 2.1 Aναλογική Προεπεξεργασία Μικρόφωνο {13} Το μικρόφωνο είναι μια συσκευή η οποία δέχεται ηχητικά κύματακαι μέσω ενός μηχανισμού παράγει ηλεκτρικές ταλαντώσεις οι οποίες αντιστοιχούν στο ηχητικό σήμα εισόδου. Δέχεται διαρκώς ηλεκτρικό σήμα το οποίο διαμορφώνει, ανάλογα με την επίδραση των ηχητικών κυμάτων. Οι διαμορφωμένες ηλεκτρικές ταλαντώσεις μπορούν να μεταφερθούνενσύρματα ή ασύρματασε μονάδες παραγωγής ήχου από ηλεκτρικό σήμα (ηχεία) συνήθως αφού προηγηθεί κάποια επεξεργασία (πχ. ενίσχυση). Τα πιο γνωστά είδη μικροφώνων είναι τα εξής: Μικρόφωνο Άνθρακα: το μικρόφωνο άνθρακα αποτελείται από ένα μεταλλικό σώμα μέσα στο οποίο υπάρχει ένα μικρό δοχείο, το οποίο περιέχει κόκκους άνθρακα. Με έναν αγωγό εισόδου εφαρμόζεται στο δοχείο σταθερή ηλεκτρική τάση. Όταν ηχητικά κύματα φτάσουν στο διάφραγμα του δοχείου μεταβάλλουν την πίεση στην οποία βρίσκονται οι κόκκοι άνθρακα και συνεπώς την ηλεκτρική αντίσταση που συνδέει τον αγωγό εισόδου με αυτόν της εξόδου. Η μεταβολή της τάσης στην έξοδο δίνει την αντίστοιχη ηλεκτρική ταλάντωση. Εικόνα 2.1: Λειτουργία μικροφώνου άνθρακα 23

35 Μικρόφωνο Ταινίας: το μικρόφωνο ταινίας αποτελείται από μια λεπτή πτυχωτή ταινία, συνήθως από ντουραλουμίνιο, η οποία μπορεί και πάλλεται ελεύθερα από την πρόσκρουση ηχητικών κυμάτων μέσα στο ηλεκτρικό πεδίο που δημιουργεί ένας ισχυρός μαγνήτης. Η κίνηση αυτή επάγει τάση στα άκρα της. Το μικρόφωνο αυτό έχει κατευθυνόμενη λήψη από δύο αντίθετες κατευθύνσεις και χρησιμοποιείται για ταυτόχρονη εξυπηρέτηση δύο ομιλητών, λόγω της καλής του απόκρισης. Χρησιμοποιείται κυρίως για μουσικές μεταδόσεις και το χαρακτηρίζει υψηλή πιστότητα. Εικόνα 2.2: Λειτουργία μικροφώνου ταινίας Πιεζοηλεκτρικό ή κρυσταλλικό μικρόφωνο:το ηλεκτρικό του σύστημα αποτελείται από έναν πιεζοηλεκτρικό κρύσταλλο, που παραμορφώνεται από την πρόσκρουση των ηχητικών κυμάτων και έτσι σχηματίζονται επιφάνειες ηλεκτρικών φορτίων. Έχει υψηλή ευαισθησία και καμπύλη απόκρισης οριζόντια σχεδόν μέχρι τα 5000 Ηz και χρησιμοποιείται στις μουσικές μεταδόσεις και στους μετρητές της ηχητικής στάθμης. Εικόνα 2.3: Λειτουργία κρυσταλλικού μικροφώνου 24

36 Μικρόφωνο Laser:τομικρόφωνοlaserαποτελείταιαπόμιαδέσμηlaserηοποίαανακλάταιπάνωσεμιαεπιφάν ειαπουπάλλεται. Η δέσμη laserμετρά την απόσταση της επιφάνειας από κάποιο σταθερό σημείο. Μικρές μεταβολές αυτής της απόστασης μετατρέπονται σε ηλεκτρικό ρεύμα. Εικόνα 2.4: Λειτουργία μικροφώνου Laser ΜικρόφωνοΟπτικήςΊνας:τομικρόφωνοοπτικήςίναςμετατρέπειηχητικάκύματασεηλεκτρικάσ ήματαελέγχονταςαλλαγέςστηνέντασητουφωτός, αντίαλλαγέςτης χωρητικότητας ή μαγνητικού πεδίου όπως τα συμβατικά μικρόφωνα.οι μεταβολές της πίεσης που προκαλούνται από τα ηχητικά σήματα στο διάφραγμα διαμορφώνουν την πυκνότητα της δέσμης φωτός που εκπέμπει το laserμέσω οπτικής ίνας και που ανακλάται από την επιφάνεια του διαφράγματος. Αυτό το διαμορφωμένο οπτικό σήμα μεταφέρεται με δεύτερη οπτική ίνα σε έναν φωρατή (detector)ο οποίος το μετασχηματίζει σε αναλογικό ή ψηφιακό ακουστικό σήμα. Εικόνα 2.5: Λειτουργία μικροφώνου οπτικής ίνας 25

37 Δυναμικό μικρόφωνο: το δυναμικό μικρόφωνο αποτελείται από έναν ισχυρό μόνιμο μαγνήτη και ένα πηνίο τοποθετημένο ανάμεσα στους πόλους του, ώστε να κινείται ελεύθερα. Η λειτουργία του βασίζεται στο φαινόμενο της επαγωγής: όταν ηχητικά κύματα πέφτουν στο διάφραγμα, το πηνίο πάλλεται στο πεδίο του μαγνήτη, τέμνονται οι μαγνητικές γραμμές κι εμφανίζεται στα άκρα του πηνίου επαγωγική τάση. Χρησιμοποιείται κυρίως σε μικροφωνικές εγκαταστάσεις που απαιτούν ιδιαίτερη πιστότητα. Εικόνα 2.6: Λειτουργία δυναμικού μικροφώνου Πυκνωτικό Μικρόφωνο: Η λειτουργία του στηρίζεται στις μεταβολές χωρητικότητας ενός ενσωματωμένου πυκνωτή, σύμφωνα με τις μεταβολές της πίεσης που προκαλούνται από τα ηχητικά κύματα. Είναι ο πλέον σύγχρονος και αποδοτικός, όσον αφορά την ποιότητα, τύπος μικροφώνου. Εικόνα 2.7: Λειτουργία πυκνωτικού μικροφώνου Το μικρόφωνο είναι η συσκευή η οποία μπορεί να εισάγει τις περισσότερες ανεπιθύμητες παραμορφώσεις κατά την αναλογική επεξεργασία. Για το λόγο αυτό είναι απαραίτητη η κατάλληλη επιλογή μικροφώνου, η οποία θα ελαχιστοποιεί τις αστάθμητες μεταβολές του σήματος ομιλίας. Σε περιβάλλον ηχογράφησης χαμηλής στάθμης θορύβου επιλέγεται μικρόφωνο χαμηλής ευαισθησίας και μέσης κατευθυντικότητας 26

38 2.1.2 Ενισχυτής {3} {14} Η ισχύς του ρεύματος που παράγει ως έξοδο το μικρόφωνο είναι πολύ χαμηλή για να χρησιμοποιηθεί πιστά ως είσοδος στην αναλογική επεξεργασία που ακολουθεί. Ο ενισχυτής λαμβάνει το ρόλο της ενίσχυσης του ρεύματος αυτού στη βέλτιστη στάθμη για την αποφυγή σημαντικής παραμόρφωσης εξαιτίας του προστιθέμενου ηλεκτρονικού θορύβου των αναλογικών διαδικασιών. Εικόνα 2.8: Κύκλωμα ενισχυτή πυκνωτικού μικροφώνου Κατωδιαβατό Φίλτρο {3},{15} Όπως αναφέρεται στην Παράγραφο το σημαντικότερο μέρος ακουστικής πληροφορίας της ομιλίας βρίσκεται σε συχνότητες μέχρι τα 4000 Hz, ανώτερες συχνότητες αφορούν την ακουστική ποιότητατης ομιλίας. Για τους σκοπούς της αναγνώρισης ομιλίας αρκεί δειγματοληψία συχνότητας ώστε να ικανοποιείται το θεώρημα δειγματοληψίας Nyquist. Για την αποφυγή του φαινομένου παραμόρφωσης φασματικής αναδίπλωσης (aliasing) πριν την δειγματοληψία του σήματος, είναι σκόπιμο να γίνει περιορισμός του φάσματος αναλογικού σήματος στην περιοχή συχνοτήτων κάτω από τη συχνότητα. Για τον λόγο αυτό εφαρμόζεται κατωδιαβατό φίλτρο με συχνότητα αποκοπής. Το ιδανικό κατωδιαβατό φίλτρο αποκόπτει πλήρως όλες τις συχνότητες πέραν της συχνότητας αποκοπής που έχει επιλεχθεί. Στην πραγματικότητα το ιδανικό φίλτρο δεν μπορεί να υλοποιηθεί. 27

39 Εικόνα 2.9: Χαρακτηριστική εξίσωση ιδανικού κατωδιαβατού φίλτρου Παθητικά Φίλτρα Ένα πραγματικό παθητικό κατωδιαβατό φίλτρο στην πιο βασική του μορφή περιγράφεται στην Εικόνα 2.10.Ηαναλογία τάσης εξόδου προς την τάση εισόδου δίνεται από τη σχέση (2.1) Εικόνα 2.10: Κύκλωμα και χαρακτηριστική εξίσωση παθητικού κατωδιαβατού φίλτρου πρώτης τάξεως 28

40 Μια καλύτερη προσέγγιση μπορεί να επιτευχθεί με ένα κατωδιαβατό φίλτρο n-οστής τάξης της Εικόνας 2.11, καθώς οδηγούν σε πιο απότομη καμπύλη της περιοχής μετάβασης. Εικόνα 2.11: Κύκλωμα παθητικού κατωδιαβατού φίλτρου n-οστής τάξεως. Ωστόσο, παρόλο που δεν υπάρχει περιορισμός στην τάξη του φίλτρου που μπορεί να εφαρμοστεί, καθώς αυξάνεται η τάξη του φίλτρου, το κέρδος στην συχνότητα αποκοπής ( )ελαττώνεται κατά μια ποσότητα ανάλογη της τάξεως n, αλλά και η τελική συχνότητα αποκοπής μετατοπίζεται προς τα κάτω.hελάττωση του κέρδους στην συχνότητα αποκοπής ορίζεται και η τελική συχνότητα αποκοπής γίνεται. Εικόνα 2.12: Διαφορά χαρακτηριστικής φίλτρων 1 ης και 2 ης τάξης Μια λύση στο παραπάνω πρόβλημα είναι η λήψη περισσότερων δειγμάτων από όσων χρειαζόμαστε, αποσκοπώντας να καταλήξουμε στην επιθυμητή συχνότητα αποκοπής μετά την εφαρμογή n-τάξεως κατάλληλου φίλτρου. Στην κατηγορία των παθητικών φίλτρων υπάρχουν διάφορες υλοποιήσεις με διαφορετικές ιδιότητες η κάθε μία. Οι πιο γνωστές απεικονίζονται στην Εικόνα

41 Εικόνα 2.13: Χαρακτηριστικές των τεσσάρων βασικών ειδών παθητικών φίλτρων Ωστόσο, η σειριακή τοποθέτηση RC φίλτρων είναι δύσκολα υλοποιήσιμη καθώς η δυναμική εμπέδηση του κάθε RC κυκλώματος επηρεάζει το γειτονικό κύκλωμα. Πιο αποδοτικά φίλτρα είναι τα λεγόμενα ενεργά φίλτρα. Ενεργά Φίλτρα Τα σημαντικότερα μειονεκτήματα στη χρήση παθητικών φίλτρων είναι ότι το πλάτος του σήματος εξόδου είναι μικρότερο από αυτό του σήματος εισόδου (το κέρδος δεν είναι ποτέ περισσότερο από μονάδα) και η εμπέδηση του φορτίου επηρεάζει τη συμπεριφορά του φίλτρου. Επίσης, η χρήση διαδοχικών κυκλωμάτων σε στάδια, προκαλεί ελάττωση στη συχνότητα αποκοπής. Τα ενεργά φίλτρα προσφέρουν έναν τρόπο ανάκτησης και ελέγχου των απωλειών του σήματος χρησιμοποιώντας ενίσχυση. Περιέχουν ενεργά στοιχεία όπως τελεστικούς ενισχυτές και τρανσίστορ. Λαμβάνουν ενέργεια από εξωτερική πηγή ώστε να ενισχύσουν το σήμα εξόδου. Η ενίσχυση αυτή μπορεί να διαμορφώσει την απόκριση συχνότητας του φίλτρου. Εικόνα 2.14: Κατωδιαβατό φίλτρο τελεστικού ενισχυτή (op-amp) 30

42 (2.2) Η μέγιστη απόκριση συχνότητας του ενεργού φίλτρου περιορίζεται στο κέρδος ανοιχτού βρόχου (Κέρδος/Εύρος Ζώνης) του τελεστικού ενισχυτή, αντίθετα με ένα παθητικό κατωδιαβατό φίλτρο το οποίο θεωρητικά έχει άπειρη απόκριση χαμηλής συχνότητας,. Τα ενεργά φίλτρα είναι ευκολότερα υλοποιήσιμα, έχουν καλύτερα χαρακτηριστικά απόδοσης και πολύ καλή ακρίβεια με απότομη περιοχή μετάβασης και χαμηλό θόρυβο Μετατροπή Σήματος από Αναλογικό σε Ψηφιακό {3},{2} Δειγματοληψία Το σήμα ομιλίας μετά την αναλογική επεξεργασία, θα φτάσει στην μονάδα ψηφιακής επεξεργασίας και πιο συγκεκριμένα στον ADC (analogtodigitalconverter). Η μονάδα αυτή λαμβάνει περιοδικά δείγματα της τάσεως του σήματος στη συχνότητα που έχει οριστεί (συχνότητα δειγματοληψίας), τα οποία αποθηκεύονται στην μνήμη. Έστω το αρχικό αναλογικό σήμα. Με δειγματοληψία συχνότητας μετατρέπεται στο ψηφιακό σήμα όπου. Κβαντοποίηση Οι τιμές τάσης αντιστοιχίζονται σε διακριτές ψηφιακές τιμές (bits) κατάλληλες για ψηφιακή επεξεργασία. Το σύνηθες μέγεθος ενός καταχωρητή ADCείναι 12 bits, το οποίο επιτρέπει μέγιστη κβαντοποίηση σε 4096 τιμές. 2.2 Ψηφιακή Προεπεξεργασία Βραχύχρονη Ανάλυση {3},{4} Ο ρυθμός μεταβολής του σχήματος της φωνητικής κοιλότητας είναι πολύ αργός σχετικά με το ρυθμό μεταβολής του παραγώμενου σήματος ομιλίας. Για τον λόγο αυτόν, η φωνητική κοιλότητα είναι δυνατόν να θεωρηθεί σταθερή για διαστήματα των ms. Βάσει αυτής της παρατήρησης γίνεται κατανοητό πως η κυματομορφή του σήματος ομιλίας μπορεί να χωριστεί σε κομμάτια που αντιστοιχούν στο παραπάνω χρονικό διάστημα, τα οποία θα επεξεργαστούν αλλεπάλληλα. 31

43 2.2.2 Προέμφαση {3} Στην προσπάθεια εκτίμησης των παραμέτρων της φωνητικής κοιλότητας θα πρέπει να απομονώσουμε την συνάρτηση μεταφοράς της φωνητικής κοιλότητας από τις συναρτήσεις μεταφοράς της διέγερσης του υπογλωττιδικού συστήματος, της επίδρασης της γλωττίδας και της ακτινοβολίας των χειλιών. Η επίδραση της ακτινοβολίας των χειλιών (1.9) θεωρείται πως αναιρείται με έναν από τους δύο πόλους της συνάρτησης μεταφοράς της γλωττίδας (1.5), καθώς ο εκθέτης είναι πολύ μικρότερος της μονάδας. Με τη διαδικασία της προέμφασης επιτυγχάνεται η εξασθένιση της επίδρασης του δεύτερου πόλου της εξίσωσης 1.5 (σ.15). Η υλοποίησή της απαιτεί την εφαρμογή, στο σήμα, ενός φίλτρου ενός μηδενικού της μορφής (2.3) Στο πεδίο του χρόνου η προέμφαση περιγράφεται ως (2.4) όπου το μ μπορεί να εκτιμηθεί πειραματικά από τον λόγο του πρώτου προς τον μηδενικό συντελεστή αυτοσυσχέτισης του σήματος (2.4) 32

44 Κεφάλαιο 3 Τεχνικές Ανάλυσης του Μηχανισμού Ομιλίας 3.1 Θεμελιώδης Συχνότητα - Συντονισμοί Φωνητικού Καναλιού (Formants){5},{3} Όπως έχουμε αναφέρει ο αέρας μεταβαίνει από τους πνεύμονες στον λάρυγγα και προκαλεί την ταλάντωση των φωνητικών πτυχών. Ο ρυθμός αυτής της ταλάντωσης εξαρτάται από το μέγεθος των φωνητικών πτυχών και τη μυϊκή τάση που τους ασκείται. Στους ενήλικους άνδρες οι φωνητικές πτυχές είναι μακρύτερες και πιο ογκώδεις από ότι αυτές των παιδιών, ενώ στις γυναίκες έχουν μέτρια χαρακτηριστικά. Όπως όταν τραβήξουμε ένα μακρύ τεντωμένο σχοινί αυτό θα ταλαντωθεί με μικρότερη συχνότητα από ένα μικρότερο, έτσι οι άνδρες παράγουν χαμηλότερης συχνότητας ταλάντωση στις φωνητικές πτυχές. Το ακουστικό αποτέλεσμα του φαινομένου αυτού είναι χαμηλότερο ύψος φωνής (pitch).hσυχνότητα ταλάντωσης των φωνητικών πτυχών ονομάζεται θεμελιώδης συχνότητα και συνήθως συμβολίζεται ως.oμέσος ενήλικος άνδρας έχει θεμελιώδη συχνότητα μεταξύ Ηz, η μέση γυναίκα μεταξύ Hzκαι τα παιδιά Ηz αν και σε μερικές περιπτώσεις ξεπερνούν και τα 1000 Hz. Όταν μιλάμε, η θεμελιώδης συχνότητα κυμαίνεται σε ένα εύρος συχνοτήτων ανάλογα με την προσωδία (τονισμό, ύφος, ρυθμό, μελωδία) που επιθυμούμε να δώσουμε στον λόγο μας. Σύμφωνα με τον Gunnar Fant (1960) Οι φασματικές κορυφές του ηχητικού φάσματος ονομάζονται formants. Επίσης, κατά τον Arthur H. Benade (1976) Οι κορυφές που παρατηρούνται στην φασματική περιβάλλουσα ονομάζονται formants. Κατά τον Fantοι συχνότητες συντονισμού της φωνητικής κοιλότητας ορίζονται βάση της συνάρτησης κέρδους της φωνητικής κοιλότητας Hπεριοχή συχνότητας ενός μεγίστου στην, δηλαδή η συχνότητα συντονισμού, βρίσκεται πολύ κοντά στο αντίστοιχο μέγιστο στο φάσμα του τελικού ήχου. Συνεχίζοντας αναφέρει Εννοιολογικά θα πρέπει να θεωρούνται διαφορετικές όμως στις περισσότερες περιπτώσεις η συχνότητα συντονισμού και η συχνότητα formantμπορούν να χρησιμοποιούνται συνώνυμα. Τέλος υπάρχει και ένας τρίτος ορισμός, ο οποίος εισάγει την έννοια του formantστο μαθηματικό μοντέλο πηγής φίλτρου (Atal και Hanauer, 1971). Οι συχνότητες των πόλων του φίλτρου του μοντέλου προσεγγίζουν αυτές των formants(εμείς έχουμε ορίσειτην συνάρτηση μεταφοράς της φωνητικής κοιλότητας ως ). Επομένως, ο όρος formantχρησιμοποιείται ως μέγιστο του φάσματος (ιδιότητα του ήχου της φωνής), ως συντονισμός της φωνητικής κοιλότητας (ιδιότητα του σχήματος της φωνητικής κοιλότητας) και ως πόλος στο μαθηματικό μοντέλο του φίλτρου (ιδιότητα του μοντέλου). Αν και οι τρεις παραπάνω έννοιες σε ορισμένες περιπτώσεις είναι δυνατόν να αντιστοιχούν σε διαφορετικές τιμές συχνοτήτων, στα πλαίσια αυτής της διπλωματικής θα θεωρήσουμε ότι αναφερόμαστε στην ίδια συχνότητα. (πχ. Έστω μια φωνητική κοιλότητα με συντονισμό στα 500Hz, η οποία διεγείρεται από τον λάρυγγα 33

45 παράγοντας θεμελιώδη συχνότητα 1kHz. Παρατηρούμε πως δεν υπάρχει φασματικό μέγιστο στα 500 Hz.) Για κάθε formantθεωρούμε πως αποτελείται από μία τιμή της συχνότητας, ένα εύρος ζώνης και ένα πλάτος. Από πειραματικά δεδομένα προκύπτουν οι ακόλουθες περιοχές συχνοτήτων για την ανδρική φωνή. Η περιοχή του πρώτου formant( )είναι Ηz, του δεύτερου ( ) είναι Hzενώ του τρίτου ( ) επικαλύπτεται αμοιβαία με του δεύτερου στο διάστημα Hz. Για γυναικείες και παιδικές φωνές το εύρος συχνοτήτων είναι Ηz. Eικόνα 3.1:Συχνότητες συντονισμού των φωνηέντων της αγγλικής γλώσσας Οι συχνότητες των τεσσάρων πρώτων formants(χαρακτηριζόμενοι ως ) περιέχουν επαρκή πληροφορία για την αναγνώριση φωνηέντων αλλά και άλλων ηχηρών ήχων. Επίσης, οι μετακινήσεις των formantsστο πέρασμα του χρόνου έχουν σημαντικό ρόλο στην αντίληψη των συμφώνων. Για την καταγραφή των formants έχουν δοκιμαστεί πολλές προσεγγίσεις όπως η χρήση γενικευμένων κεντροειδών, κρυφών μοντέλων Markov κ.α.. Οι μέθοδοι βασισμένες στην Cepstral ανάλυση και στη γραμμική πρόγνωση κατέχουν τα πρωτεία στις επιστημονικές δοκιμές. 34

46 3.1.1 Βραχύχρονη Ανάλυση Fourier {4} H αναπαράσταση σημάτων στη μορφή αθροίσματος ημιτόνων ή μιγαδικών εκθετών που επιτυγχάνεται με το μετασχηματισμό Fourier προσφέρει ευκολότερες λύσεις υπολογιστικών προβλημάτων αλλά και, πολλές φορές, καλύτερη κατανόηση των φυσικών φαινομένων.oμικρής χρονικής περιόδου μετασχηματισμός Fourierχρησιμοποιείται στα σήματα ομιλίας καθώς οι ήχοι που παράγονται από την φωνητική κοιλότητα θεωρούμε πως είναι σταθερής κατάστασης για ένα μικρό χρονικό διάστημα (10-20 msec)εφόσον η μετάβαση από ένα φώνημα στο επόμενο είναι σχετικά αργή. Επίσης τα σήματα ομιλίας παράγονται κατά προσέγγιση από ένα γραμμικό σύστημα, επομένως το φάσμα της ομιλίας είναι το γινόμενο του φάσματος διέγερσης και της απόκρισης της φωνητικής κοιλότητας. Έστω το ημιτονοειδές σήμα όπου η συχνότητα του σήματος. Ο μετασχηματισμός Fourier διακριτού χρόνου (DTFT)ορίζεται ως (3.1) (3.2) όπου και. Ενώ ο διακριτός μετασχηματισμόςfourier (DFT)είναι το αποτέλεσμα του δειγματοληπτούμενου μετασχηματισμού Fourierδιακριτού χρόνου σε διακριτές συχνότητες, (3.3) (3.4) 35

47 Ένας χρήσιμος ορισμός του μετασχηματισμού Fourier για την επεξεργασία σημάτων ομιλίας, περιλαμβάνει την εφαρμογή μιας ακολουθίας παραθύρων, η οποία καθορίζει το τμήμα του εισαγόμενου σήματος που δίνεται έμφαση κάθε χρονική στιγμή. (3.5) Ο παραπάνω μετασχηματισμός είναι συνάρτηση δύο μεταβλητών, του χρόνουn, που είναι διακριτός, και της συχνότητας ω, που είναι συνεχής. Εαν θεωρήσουμε τοnσταθερό τότε το είναι ο χρονικώς εξαρτώμενος μετασχηματισμός Fourier της ακολουθίας, και έχει τις ίδιες ιδιότητες με τον μετασχηματισμό Fourier. Ωστόσο, εαν θεωρήσουμε σταθερή την συχνότητα ω, τότε το παίρνει τη μορφή συνέλιξης του σήματος με το παράθυρο, οδηγώντας στο γραμμικό φιλτράρισμα του διαμορφωμένου κατά τη συχνότητα σήματος από το παράθυρο. Με την πρώτη θεώρηση που αναφέραμε το παράθυρο προχωράει μαζί με την ακολουθία και ορίζει ένα νέο μετασχηματισμό Fourier για κάθε τιμή τουn. Για να ορίζεται ο STFT θα πρέπει η ακολουθία να είναι απολύτως αθροίσιμη για όλες τις τιμές τουn, (,, διάρκεια παραθύρου πεπερασμένη) Eικόνα 3.2: Το και το για διάφορες τιμές του. Ο STFT είναι περιοδικός στην γωνιακή συχνότητα με περίοδο 2π, δηλαδή (3.6) Η γωνιακή συχνότητα μπορεί να αναπαρασταθεί με διάφορες μεταβλητές συχνότητας όπως: όπου είναι η περίοδος δειγματοληψίας του και η αναλογική γωνιακή συχνότητα και 36

48 ή όπου η κανονικοποιημένη συχνότητα και η αναλογική συχνότητα. Mία ακόμα έκφραση του STFT είναι στη μιγαδική μορφή: (3.7) Όπου το είναι το αρνητικό φανταστικό μέρος του. Έστω ότι οι παρακάτω εκφράσεις ορίζουν τον μετασχηματισμό Fourierτου του : και (3.8) Και (3.9) (3.10) Επομένως ο μετασχηματισμός της ακολουθίας των επιμέρους μετασχηματισμών. εκφράζεται ως η συνέλιξη (3.11) Αυστηρά μιλώντας ο μετασχηματισμός Fourier του σήματος ομιλίας δεν υπολογίζεται. Ωστόσο, σε αυτόν εφαρμόζεται το παράθυρο με σκοπό να δωθεί έμφαση σε ένα πεπερασμένο κομμάτι της κυματομορφής της ομιλίας στην περιοχή του δείγματος. Πράγματι, οι περισσότερες ακολουθίες παραθύρων μηδενίζονται σε 37

49 πεπερασμένο εύρος από τo. Ομοίως μπορούμε να θεωρήσουμε πως το σήμα είναι μηδέν εκτός του παραθύρου. Aξίζει να εξεταστεί η επιρροή που ασκεί το παράθυρο στο σήμα, πέρα από την προφανή χρήση του για την επιλογή του κομματιού της ακολουθίας για ανάλυση. Ορθογώνια παράθυρα προσφέρουν καλή ανάλυση συχνότητας η οποία οδηγεί σε οξείες κορυφές στο φάσμα της συχνότητας αλλά καταλήγουν σε ένα θορυβώδες σήμα εξαιτίας των σχετικά μεγάλων πλαϊνών λοβών του παραθύρου οι οποίοι μπορεί να προκαλέσουν διαρροή ενέργειας σε γειτονικές συχνότητες δυσχεραίνοντας την αναγνώριση των φασματικών ιδιοτήτων της συχνότητας όπως τη θεμελιώδη συχνότητα και τις συχνότητες συντονισμού. Αντίθετα παράθυρα τύπου Hammingπροσφέρουν μικρότερη, αλλά ικανοποιητική, ανάλυση συχνότητας καθώς και μια πιο εξομαλυμένη μορφή του φάσματος της συχνότητας αποφεύγοντας σε μεγαλύτερο βαθμό τις ανεπιθύμητες επιδράσεις της διάχυσης ενέργειας. Επίσης, παρατηρείται πως τα μικρής διάρκειας παράθυρα παρέχουν καλύτερη ανάλυση στο φάσμα του χρόνου ενώ η καλή ανάλυση συχνότητας απαιτεί μεγαλύτερα παράθυρα. Mία σημαντική παράμετρος της βραχυχρόνιας ανάλυσης Fourier είναι ο ρυθμός με τον οποίο το θα πρέπει να δειγματοληπτείται στο πεδίο του χρόνου αλλά και της συχνότητας ώστε να μην παρουσιάζει παραμόρφωση φασματικής αναδίπλωσης (aliasing) επιτρέποντας την ανάκτηση του. Ο ρυθμός δειγματοληψίας στο πεδίο του χρόνου ισούται με, όπου είναι το εύρος ζώνης του χρησιμοποιούμενου παραθύρου και δίνεται από τον τύπο: (3.12) Όπου η συχνότητα δειγματοληψίας του, σταθερά παίρνει διαφορετικές τιμές ανάλογα με το παράθυρο (για το παράθυρο Hamming,, για το ορθογώνιο παράθυρο ) Ενώ ο ελάχιστος αριθμός δειγμάτων στο πεδίο της συχνότητας είναι, που είναι το χρονικό εύρος του παραθύρου και ο πεπερασμένος αριθμός συχνοτήτων στις οποίες το θα πρέπει να έχει ορισμένη τιμή ώστε να είναι δυνατή η ανάκτηση του. Οι συχνότητες αυτές δίνονται από τον τύπο: (3.13) Τέλος ο συνολικός ρυθμός δειγματοληψίας είναι: 38

50 (3.14) Ωστόσο υπάρχουν τεχνικές οι οποίες δύνανται να ανακτήσουν πλήρως το αρχικό σήμα με ρυθμούς δειγματοληψίας μικρότερους από τους θεωρητικούς. Επίσης, ανάλογα με την εφαρμογή, υπάρχουν περιπτώσεις στις οποίες επιθυμούμε να παραλείψουμε ορισμένα μέρη του φάσματος της συχνότητας καθώς δεν μας ενδιαφέρουν κατά την ανάλυση Υπολογισμός με τον Γρήγορο Μετασχηματισμό Fourier (FFT) {10},{11} Εάν επιλέξουμε πεπερασμένης διάρκειας ο χρονικώς εξαρτώμενος μετασχηματισμός Fourierμπορεί να γραφεί σε μορφή τέτοια ώστε ο υπολογισμός του να ανατεθεί σε έναν αλγόριθμο Γρήγορου Μετασχηματισμού Fourier. (3.15) Κάνοντας αλλαγή μεταβλητής έχουμε (3.16) όπου, δηλαδή πλέον θεωρούμε πως το παράθυρο μένει σταθερό ενώ το σήμα κυλάει ανάποδα στον άξονα του χρόνου επίσης αλλάζοντας τη μεταβλητή, και έχουμε (3.17) 39

51 ορίζοντας να είναι σειρά πεπερασμένου μεγέθους (3.18) Βλέπουμε πως το γινόμενο επί τον -δειγμάτων DFTτης σειράς μας δίνει το ή διαφορετικά το είναι ο -δειγμάτων DFTτης σειράς μετά από την κυκλική μετατόπιση modulo (3.19) Σε αυτή τη μορφή είναι δυνατόν να γίνει η χρήση ενός FFTαλγορίθμου. Όσον αφορά το υπολογιστικό κέρδος, ο ευθύς υπολογισμός του DFT, για ανάλυση σε συχνότητες με εφαρμογή παραθύρου μήκους, απαιτεί πραγματικούς πολλαπλασιασμούς και πραγματικές προσθέσεις. Αντίθετα, ένας FFT αλγόριθμος, σήματος δειγμάτων, όπου το είναι δύναμη του 2, χρειάζεται πραγματικούς πολλαπλασιασμούςκαι πραγματικές προσθέσεις. Επομένως ο FFTχρειάζεται λιγότερες πράξεις με την προϋπόθεση πως πρακτικές εφαρμογές. Ορίζοντας τον παράγοντα αναστροφής, που ισχύει στις περισσότερες (3.20) γράφουμε τον FFT ως (3.21α) 40

52 (3.21β) Ο αλγόριθμος DFT: 1. Υπολογίζουμε μία φορά το (3.22) 2. Μετά υπολογίζουμε για κάθε το (3.23) Για κάθε χρειάζονται μιγαδικοί πολλαπλασιασμοί και μιγαδικές προσθέσεις, δηλαδή συνολικά για ολόκληρο το μετασχηματισμό απαιτούνται μιγαδικοί πολλαπλασιασμοί και μιγαδικές προσθέσεις. Και σε μορφή πινάκων: (3.24) 41

53 (3.25) Ο αλγόριθμος του ΙDFT περιγράφεται ως εξής: 1. Παίρνουμε ένα διάνυσμα ημιτονοειδών γεννητριών. 2. Θέτουμε την συχνότητα της -ης γεννήτριας σε. 3. Θέτουμε το πλάτος της -ης γεννήτριας σε, δηλαδή όσο το μέτρο του -ου συντελεστή του DFT. 4. Θέτουμε τη φάση της -ης γεννήτριας σε, δηλαδή όσο η φάση του -ου συντελεστή του DFT. 5. Τέλος εκκινώντας τις γεννήτριες ταυτόχρονα και παίρνουμε το άθροισμά τους. Οι πρώτες έξοδοι του παραπάνω συστήματοςμας δίνουν το σήμα. Και σε μορφή πινάκων: (3.26) (3.27) Το μας δείχνει «πόση» ταλάντωση περιέχει το σήμα στην συχνότητα και το τετράγωνο του μέτρου αυτής της ποσότητας μας δίνει την ενέργεια του σήματος (υπό κλίμακα ) στη συχνότητα. Επομένως οι συντελεστές μας δείχνουν πως ακριβώς κατανέμεται η συνολική ενέργεια του σήματος στο πεδίο της συχνότητας.η φάσητου κάθεσυντελεστήfourier,που υποδεικνύεται απότο,προσδιορίζειτην αρχική φάσητου κάθεταλαντωτήγιατον τύποτης ανασυγκρότησης, δηλαδή η σχετική ευθυγράμμισηκάθεμιγαδικού εκθέτηκατά την έναρξητου σήματος. Αν και αυτόδεν επηρεάζειτην κατανομήτης ενέργειαςστη συχνότητα, έχει σημαντικήεπίδραση στοσχήμα 42

54 τουσήματος στοπεδίο του διακριτού χρόνου. OFFT ή FastFourierTransformαποτελεί έναν αποδοτικό αλγόριθμο για τον υπολογισμό του του DFTκάνοντας χρήση των ιδιοτήτων του τελεστή.ο DFT μπορεί να εκφραστεί και με τη μορφή πολλαπλασιασμού διανυσμάτων ως, ορίζοντας ένας τετραγωνικό πίνακα. Για τον ευθύ υπολογισμό του DFT για κάθε χρειάζονται μιγαδικοί πολλαπλασιασμοί και μιγαδικές προσθέσεις, δηλαδή συνολικά για ολόκληρο το μετασχηματισμό απαιτούνται μιγαδικοί πολλαπλασιασμοί και μιγαδικές προσθέσεις. Ο αριθμός το πράξεων μπορεί να μειωθεί σημαντικά με τη χρήση του FFT, ο οποίος εκμεταλλεύεται τη συμμετρία και την περιοδικότητα του DFT. Για τη μιγαδική συζυγή συμμετρία ισχύει: (3.28) Kαι για την περιοδικότητα: (3.29) Βάση των παραπάνω ιδιοτήτων αναπτύχθηκε το 1965 από τους J.W.Cooley και J.Tukeyμια σειρά από πολύ αποδοτικούςαλγορίθμους που ονομάζουμε Γρήγορους Μετασχηματισμούς Fourier (FFT). Επιτυγχάνεται μέσω του αποδεκατισμού στοχρόνο αλλά και στη συχνότητα και έχει βέλτιστα αποτελέσματα όταν ο αριθμός τον δειγμάτων είναι δύναμη το 2. Ο αλγόριθμος του αποδεκατισμού στον χρόνο διαχωρίζει την εξίσωση του DFTσε δύο αθροίσματα: των άρτιων και των περιττών δειγμάτων. (3.30) Με την παρατήρηση ότι έχουμε (3.31) 43

55 Αν θεωρήσουμε τις εξόδους του άρτιου DFTως και του περιττού ως ο αλγόριθμος μπορεί να αναπαρασταθεί γραφικά ως: Εικόνα 3.3: Αποδεκατισμός στο χρόνο του DFT μεγέθους σε δύο DFT μεγέθους ακολουθούμενος από το στάδιο συνδιασμού. Το κόστος υπολογισμού μετά τον αποδεκατισμό βλέπουμε πως είναι μιγαδικούς πολλαπλασιασμούς και μιγαδικές προσθέσεις ενώ ο ευθύς υπολογισμός του DFT απαιτούσε μιγαδικούς πολλαπλασιασμούς και μιγαδικές προσθέσεις. Επομένως βλέπουμε πως οι πράξεις μειώθηκαν σχεδόν στο μισό. Η υλοποίηση του παραπάνω σχεδίου γίνεται με τη χρήση ενός συστήματος δύο εισόδων και δύο εξόδων το οποίο ονομάζεται σύστημα πεταλούδας. Εικόνα 3.4: Βάση-2 DIT (Αποδεκατισμός στο χρόνο) απλοποίηση πεταλούδας 44

56 Συνεχίζοντας τον αποδεκατισμό διαιρούμε τους DFTμεγέθους σε δύο μεγέθους. (3.32) (3.33) (3.34) (3.35) Όπου και για. Οαποδεκατισμόςτης ακολουθίαςδεδομένωνμπορεί να επαναληφθείξανά καιξανά έως ότουοι προκύπτουσεςακολουθίεςμειωθούν σε ακολουθίεςενόςσημείου.για, αυτός οαποδεκατισμόςμπορεί να πραγματοποιηθεί φορές. Έτσι,ο συνολικός αριθμός τωνμιγαδικών πολλαπλασιασμώνμειώνεται σε και ο αριθμόςτων μιγαδικών προσθέσεων σε. 45

57 Εικόνα 3.5: Βάση-2 Αλγόριθμος FFT αποδεκατισμού στο χρόνο σήματος μεγέθους 8 δειγμάτων. Μία σημαντική παρατήρηση είναι πως η σειρά εισαγωγής των δειγμάτων του σήματος μετά τον αποδεκατισμό αλλάζει, ωστόσο, ακολουθεί έναν απλό κανόνα. Η αντιστροφή των bitsμας δίνει τη σωστή σειρά. Εικόνα 3.6: Αναστροφή bit. 46

58 Εικόνα 3.7: Ανακατανομή δειγμάτων για τη μέθοδο FFT αποδεκατισμού στο χρόνο. Μία άλλη προσέγγιση που δεν απαιτεί ανακατανομή των δειγμάτων εισόδου είναι ο αποδεκατισμός στη συχνότητα. Περιγράφεται από τις εξισώσεις: (3.36) (3.37) Παρόλο που δεν απαιτείται ανακατανομή στην είσοδο, στην έξοδο τα δείγματα της συχνότητας είναι ανακατανέμονται με αντίστοιχο τρόπο. 47

59 Εικόνα 3.8: Βάση-2 Αλγόριθμος FFT αποδεκατισμού στη συχνότητα σήματος μεγέθους 8 δειγμάτων Φασματογράφημα Το φασματογράφημα αποτελεί μία από τις πρώτες υλοποιήσεις των τεχνικών του χρονικώς εξαρτώμενου μετασχηματισμού Fourier. Η πιο κοινή μορφή είναι ένα γράφημα δύο διαστάσεων με οριζόντιο άξονα που αναπαριστά τη συχνότητα και κατακόρυφο τον χρόνο. Μία τρίτη διάσταση που αντιπροσωπεύει το πλάτος μιας συγκεκριμένης συχνότητας σε μια συγκεκριμένη χρονική στιγμή εμφανίζεται στο γράφημα με τη μορφήεντάσεως ή χρώματος.υπάρχουν πολλές παραλλαγές στην μορφή του διαγράμματος, όπως εμφάνιση σε τρεις διαστάσεις. Σε εφαρμογές επεξεργασίας ομιλίας η κλίμακα του πλάτους είναι συνήθως λογαριθμική και μετριέται σε decibel. Tα φασματογραφήματασυνήθωςδημιουργούνται μεέναν από τους παρακάτω τρόπους:κατά προσέγγισηως μιατράπεζα φίλτρωνπου προκύπτειαπό μια σειράζωνοπερατών φίλτρων(αυτόςήταν ο μόνος τρόποςπριν από την έλευσητης σύγχρονης ψηφιακήςεπεξεργασίας σήματος), ή υπολογιζόμενααπό το χρονικό σήμαχρησιμοποιώντας τοβραχυχρόνιομετασχηματισμό Fourier(STFT). Αυτές οι δύο μέθοδοιαποτελούνστην πραγματικότητα δύοδιαφορετικές κατανομέςχρόνου-συχνότητας, αλλάείναι ισοδύναμεςυπό ορισμένεςσυνθήκες. Ημέθοδοςμε τα ζωνοπερατά φίλτρασυνήθιζε να χρησιμοποιείται στην 48

60 αναλογικήεπεξεργασίαγια να διαιρέσειτο σήμα εισόδου σεζώνες συχνοτήτων.το μέγεθοςτηςεξόδουκάθεφίλτρουελέγχει έναμετατροπέαπου καταγράφειτο φασματογράφοωςεικόνασε έντυπη μορφή. Πλέον η δημιουργία του φασματογραφήματος γίνεται με την βοήθεια ηλεκτρονικού υπολογιστή επομένως χρησιμοποιούμε το μετασχηματισμό ο οποίος είναι μια μιγαδική αναπαράσταση δύο διαστάσεων του σήματος ομιλίας το οποίο είναι διακριτό στο χρόνο και στη συχνότητα και επίσης είναι περιοδικό στη διάσταση της συχνότητας. Για την εμφάνιση της πληροφορίας αρκεί μόνο η απόλυτη τιμή στο. και μάλιστα καθώς το είναι άρτιο και περιοδικόστο με περίοδο το πεδίο τιμών περιορίζεται Εικόνα 3.9: Φασματογράφημα όπου οι συντονισμοί (formants) αντιστοιχούν στις χρωματιστές γραμμές Υπάρχουν δύο κύρια είδη φωνητικής ανάλυσης που εκτελείται από τον φασματογράφο, ευρείας ζώνης (με ένα εύρος ζώνης των Ηz) και στενής ζώνης (με ένα εύρος ζώνης των Ηz). Τα φασματογραφήματαευρείας ζώνης(γνωστά και ως«ευρυζωνικά»), όταν χρησιμοποιούνταιγια την κανονικήομιλίαμεμια θεμελιώδη συχνότητατης τάξης των hz, λαμβάνουνενέργεια απόδιάφορεςαρμονικέςταυτόχρονακαι θα τις προσθέτουνόπως φαίνεταιπαρακάτω.η (θεμελιώδης συχνότητα) μπορεί να προσδιοριστεί από το γράφημαμετρώντας τον αριθμότων επιμέρουςκάθετων γραμμώνανά μονάδα χρόνου.επίσης, οισυχνότητες των δύο πρώτωνformants( και ) είναι ορατέςως σκοτεινές, μάλλονθολέςσυγκεντρώσειςενέργειας. 49

61 Εικόνα 3.10: Κυματομορφή στο χρόνο και φασματογράφημα ευρείας ζώνης των φωνηέντων [i ε α ou]. Τομεγάλο εύρος ζώνηςσε αυτό το είδοςτηςανάλυσηςεπιτρέπει την άριστηανάλυση χρόνου. Μπορούμε να δούμε τις κορυφέςενέργειας απόκάθεδόνηση τωνφωνητικών πτυχώνστο γράφημα. Ωστόσο, τομεγάλο εύρος ζώνηςσημαίνει επίσηςότι οι επιμέρουςαρμονικέςδεν μπορούν ναδιαχωριστούναπό αυτό το είδοςφασματογραφήματος. Αυτό σημαίνειότι για τονευρείας ζώνηςφασματογράφο, οισυνιστώσες συχνότηταςμέσα σε έναεύρος ζώνης hz δεν διακρίνονται εύκολα. Τοφασματογράφημα στενής ζώνηςέχει διαφορετικά πλεονεκτήματα. Είναισε θέση να ξεχωρίσεικάθεεπιμέρουςαρμονική, σε αντίθεση με το ευρείας ζώνηςφασματογράφημααλλά ηχρονική ανάλυσήτου δενείναιαρκετά καλή για νααπομονώσεικάθε επιμέρουςκύκλοτων δονήσεων,καιηδομή των formantτου ήχουδεναποδίδεται το ίδιο ξεκάθαρα με μίαανάλυσηευρείας ζώνης.οι σκούρες οριζόντιεςρίγες, στοπαρακάτω γράφημα,αντιπροσωπεύουν την κάθεαρμονική. Επίσης, δεν εμφανίζονται οιμεγάλες ομάδεςενέργειαςτων formantπουφαίνονταιστοφασματογράφημαευρείας ζώνης. 50

62 Εικόνα 3.11: Κυματομορφή στο χρόνο και φασματογράφημα στενής ζώνης των φωνηέντων [i ε α ou] Eξαγωγή Θεμελιώδους Συχνότητας (Pitch) Στην αναπαράσταση στενής ζώνης του χρονικώς εξαρτώμενου μετασχηματισμού Fourier, η διέγερση ηχηρής ομιλίας εμφανίζεται σε απότομες κορυφές που εμφανίζονται σε ακέραια πολλαπλάσια της θεμελιώδους συχνότητας. Μία προσέγγιση περιλαμβάνει τον υπολογισμό του φάσματοςγινομένου αρμονικών, το οποίο ορίζεται ως: (3.38) Και ο λογάριθμός του (3.39) 51

63 Η συνάρτηση είναι το άθροισμα αντιγράφων συμπιεσμένης συχνότητας του. Οι αρμονικές της θεμελιώδους συχνότητας των συμπιεσμένων αντιγράφων θα συμπίπτουν στην θεμελιώδη συχνότητα. Κάποιες αρμονικές θα συμπίπτουν και στα μεσοδιαστήματα, αλλά μόνο στη θεμελιώδη συχνότητα θα υπάρχει πάντα ενίσχυση. Εικόνα 3.12: Αναπαράσταση των όρων του φάσματος του λογαριθμικού γινομένου αρμονικών. Από το άθροισμα των παραπάνω όρων εμφανίζεται μια κορυφή στη συχνότητα, η οποία γίνεται περισσότερη έντονη καθώς αυξάνουμε τον δείκτη. Αυτή η τεχνική είναι πολύ ανθεκτική σε προστιθέμενο θόρυβο καθώς ο θόρυβος δεν έχει συγκεκριμένη δομή. Το ίδιο συμβαίνει και με την άηχη ομιλία στην περίπτωση της οποίας δεν εμφανίζεται κορυφή καθιστώντας τη μέθοδο αξιόπιστη για διαχωρισμό ηχηρής και άηχης ομιλίας. 52

64 3.1.5 Ανάλυση Μέσω Σύνθεσης Η βασική ιδέα της τεχνικής ανάλυσης μέσω σύνθεσης έχει ως εξής. Διαθέτουμε το σήμα προς ανάλυση σε μία αναπαράσταση της ομιλίας όπως χρονικώς εξαρτώμενη κυματομορφή. Επινοούμε ένα μοντέλο παραγωγής ομιλίας, του οποίου οι παράμετροι μπορούν να ρυθμιστούν για να παράγει τους διαφορετικούς ήχους της ομιλίας. Τότε μεταβάλλουμε τις παραμέτρους του μοντέλου με συστηματικό τρόπο μέχρις ότου προσεγγίσουμε την αρχική κυματομορφή με το ελάχιστο δυνατό σφάλμα. Όταν βρεθεί ικανοποιητική κυματομορφή θεωρούμε τις παραμέτρους της ως τις παραμέτρους του αρχικού σήματος Ανάλυση Φάσματος Σύγχρονης Θεμελιώδους Συχνότητας Σύμφωνα με το μοντέλο ηχηρής ομιλίας που έχουμε ορίσει, ένα μικρής διάρκειας κομμάτι ηχηρής ομιλίας είναι όμοιο με ένα ίδιας διάρκειας κομμάτι της περιοδικής ακολουθίας: (3.40) Όπου η συνέλιξη της κρουστικής απόκρισης της φωνητικής κοιλότητας με τον γλωττιδικό παλμό και την κρουστική απόκριση της ακτινοβολίας (3.41) είναι η θεμελιώδης περίοδος σε δείγματα. Οι μετασχηματισμοί z των παραπάνω συνελισσόμενων συναρτήσεων έχουν ως εξής: (3.42) (3.43) (3.44) 53

65 Όπου είναι μικρότερο του. Επομένως ο μετασχηματισμός-zτου είναι: (3.45) Και ο αντίστοιχος μετασχηματισμός Fourier: (3.46) Το περιοδικό σήμα μπορεί να υπολογιστεί ως σειρά Fourier της μορφής (3.47) Όπου (3.48) Όπως έχουμε δει η συμπεριφορά του χρονικώς εξαρτώμενου μετασχηματισμού Fourier εξαρτάται σε μεγάλο βαθμό από το χρησιμοποιούμενο παράθυρο και εγείρει το δίλημμα μεταξύ ανάλυσης στενής ζώνης (μακρύ παράθυρο), στην οποία η φασματική πληροφορίαγίνεται ασαφήςαπό την επιρροή των κορυφών της θεμελιώδους συχνότητας,και ευρείας ζώνης (μικρό παράθυρο), στην οποία δυσχεραίνεται ο εντοπισμός των κορυφών των formants. Η ανάλυση σύγχρονης θεμελιώδους συχνότητας στηρίζεται στο γεγονός ότι οι συντελεστές τις σειράς Fourier για ένα περιοδικό σήμα όπως το δίνονται από την εξίσωση (3.48) και μπορούν να υπολογιστούν άμεσα από μία περίοδο του. (3.49) Απομονώνοντας μία περίοδο του περιοδικού σήματος μπορούμε να υπολογίσουμε δείγματα του σε ισαπέχουσες τιμές. Αυτή προσέγγιση ακολουθεί τη βασική λογική του χρονικώς εξαρτώμενου μετασχηματισμού Fourier με κάποιες μικρές μετατροπές. Οι χρόνοι στους οποίους υπολογίζεται το εξαρτώνται από την θεμελιώδη περίοδο, η οποία είναι μεταβλητή 54

66 στο χρόνο, άρα απαιτείται και μεταβαλλόμενος τρόπος δειγματοληψίας στο πεδίο του χρόνου. Το παράθυρο που χρησιμοποιείται συνήθως σε αυτήν την περίπτωση είναι το ορθογώνιο. Τα οφέλη της προσέγγισης αυτής είναι η αποφυγή τηςασάφειας της ανάλυσης στενής ζώνης στο πεδίο του χρόνου και της δυσδιάκριτης εμφάνισης των κορυφών της ανάλυσης ευρείας ζώνης στο πεδίο της συχνότητας Ανάλυση Πόλων και Μηδενικών {4} Η εκτίμηση των παραμέτρων της μπορεί να επιτευχθεί μέσω μιας επαναληπτικής μεθόδου. Γίνεται πρώτα μια επιλογή παραμέτρων στις συχνότητες και ύστερα αξιολογούνται μέσω μιας εξίσωσης σφάλματος της μορφής: (3.50) Όπου είναι μία συνάρτηση βάρους στο φάσμα και το φάσμα σύγχρονης θεμελιώδους συχνότητας του σήματος ομιλίας. Όταν το σφάλμα ελαχιστοποιείται οι τιμές των των πόλων του λαμβάνονται ως εκτιμήσεις των συχνοτήτων formant. 3.2 Cepstral ανάλυση {4} Η Έννοια της Ομομορφικής Συνέλιξης HCepstral ανάλυση βασίζεται στο γεγονός ότι: (3.51) Και υπολογίζοντας τον λογάριθμο (3.52) 55

67 Αν για τον μιγαδικόλογάριθμο εξασφαλίζεται η μοναδικότητα και ο μετασχηματισμός ορίζεται, τότε εφαρμόζοντας τον αντίστροφο μετασχηματισμό ( ) έχουμε: (3.53) Τα δύο συνελισσόμενα σήματα είναι τώρα προστιθέμενα. Το νέο αυτό πεδίο χρόνου δεν είναι το ίδιο με αυτό του αρχικού σήματος, αλλά αποτελεί ένα μέτρο του ρυθμού αλλαγής των φασματικών μεγεθών. Το πεδίο αυτό καλείται Cepstrumκαι ο άξονας του χρόνου quefrency. Επίσης θα συμβολίζουμε το σύστημα που μετατρέπει την συνέλιξη δύο σημάτων σε πρόσθεση ως. (3.54) Εικόνα 3.13: Αναπαράσταση του χαρακτηριστικού συστήματος για ομομορφική αποσυνέλιξη. (3.55) Εικόνα 3.14: Αναπαράσταση του αντίστροφου του χαρακτηριστικού συστήματος για ομομορφική αποσυνέλιξη. 56

68 Αν θεωρήσουμε τώρα πως περιορίζουμε το σήμα μας μόνο στο μοναδιαίο κύκλο, δηλαδή: να έχει πόλους και μηδενικά (3.56) ο ο το (3.57) τ (3.58) (3.59) Ο Ορισμός του Cepstrum Toπραγματικό cepstrumορίζεται ως: (3.60) Το μέτρο του είναι πραγματικό και μη-αρνητικό Και το μιγαδικό cepstrum είναι: (3.61) Όπου το arg{} αναπαριστά τη φάση. Αποκαλείται μιγαδικό cepstrumεπειδή χρησιμοποιεί τον μιγαδικό λογάριθμο, όχι λόγω της ακολουθίας, η οποία μπορεί να είναι επίσης πραγματική. Στην πράξη, το μιγαδικό cepstrumμιας πραγματικής ακολουθίας είναι πραγματικό. Μπορεί να δειχθεί πως το πραγματικό cepstrumείναι το άρτιο μέρος του μιγαδικού. 57

69 (3.63) Στην επεξεργασία ομιλίας συνήθως χρησιμοποιείται το πραγματικό cepstrum, το οποίο λαμβάνεται εφαρμόζοντας αντίστροφο μετασχηματισμό Fourierτου λογαριθμικού φάσματος του σήματος. Αξίζει να αναφερθεί πως η ονομασία cepstrumπροέρχεται από τον αναγραμματισμό του όρου spectrum και η μεταβλητή n στο ονομάζεται quefrency, από τη λέξη frequency αντίστοιχα Οι Ιδιότητες του Cepstrum Το μιγαδικό cepstrum μπορεί να γραφεί υπό την μορφή (3.64) Όπου τα μέτρα των,, και είναι μικρότερα της μονάδας σε μέτρο και τα, αντιπροσωπεύουν τα μηδενικά και τους πόλους εντός του μοναδιαίου κύκλου και τα, τα μηδενικά και τους πόλους εκτός του μοναδιαίου κύκλου ενώ το Α εξαρτάται από την περιοχή της συνάρτησης. 1) το μιγαδικό cepstrum φθίνει τουλάχιστον όσο και το 2) έχει άπειρη διάρκεια, ακόμα και αν το έχει πεπερασμένη διάρκεια 3) είναι πραγματικό αν το είναι πραγματικό (οι πόλοι και τα μηδενικά είναι μιγαδικά συζυγή ζευγάρια) 58

70 Από τα (2) και (3) γίνεται κατανοητός ο λόγος για τον οποίο χρησιμοποιούμε πεπερασμένο πλήθος cepstrum, στην επεξεργασία ομιλίας αρκούν 12-20, καθώς τα cepstrum πολύ υψηλής τάξης έχουν πολύ χαμηλές τιμές. Στα ψηφιακά σήματα αντικαθιστούμε τον μετασχηματισμό Fourierμε τον διακριτό μετασχηματισμό Fourier (DFT) και οι εκφράσεις αντικαθίστανται με τις παρακάτω: (3.65) (3.66) (3.67) (3.68) Το πρόθεμα τοποθετείται για να υποδεικνύει πως το cepstrumδεν είναι ακριβώς ίσο με το cepstrumπου ορίστηκε στις εξισώσεις (3.60),(3.61) λόγω του χρησιμοποιούμενου οποίο αποτελεί μία δεγματοληπτούμενη μορφή του. Για την ελαχιστοποίηση του φαινομένου παραμόρφωσης φασματικής αναδίπλωσης (aliasing)το (αριθμός δειγμάτων του πλαισίου ομιλίας(απομονωμένου πλαισίου)) θα πρέπει να έχει μεγάλη τιμή. Γενικά, όταν τ ο ο ο δεν υπάρχει πρόβλημα. το Η Εφαρμογή του Cepstrum στην Επεξεργασία Ομιλίας Επιθυμούμε τον διαχωρισμό της πηγής από το φίλτρο της φωνητικής κοιλότητας με τη χρήση ενός ομομορφικού μετασχηματισμού. Αυτό είναι δυνατόν καθώς οι παράμετροι του φίλτρου επιδρούν στις χαμηλότερες quefrencies, ενώ οι παράμετροι της πηγής έχουν υψηλότερες. Για ηχηρή ομιλία έχουμε (3.69) 59

71 Όπου είναι το περιοδικό τρένο κρουστικών με περίοδο δειγμάτων και η κρουστική απόκριση του γραμμικού συστήματος που συνδυάζει τις επιδράσεις του φίλτρου της γλωττίδας,, την κρουστική απόκριση της φωνητικής κοιλότητας,, και την κρουστική απόκριση εκπομπής,. Και συνάρτηση μεταφοράς. Ενώ για άηχη ομιλία: (3.70) όπου είναι μια γεννήτρια τυχαίου θορύβου και είναι η κρουστική απόκριση ενός συστήματος που αντιπροσωπεύει τις συνδυασμένες επιδράσεις της φωνητικής κοιλότητας και της εκπομπής. Και συνάρτηση μεταφοράς. Σύμφωνα με το παραπάνω μοντέλο οι επιδράσεις της φωνητικής κοιλότητας, του παλμού της γλωττίδας και της εκπομπής θα είναι γενικά σε μη μηδενική φάση, επομένως το μιγαδικό cepstrumθα έχει τιμές τόσο στο θετικό χρόνο όσο και στον αρνητικό.η συνεισφορά της περιοδικής διέγερσης στο μιγαδικό cepstrumθα εμφανίζεται σε ακέραια πολλαπλάσια της θεμελιώδους συχνότητας.oι κορυφές τόσο στο θετικό όσο και στο αρνητικό πεδίο του χρόνου είναι ίσες με τη θεμελιώδη περίοδο και τα φθίνοντα τοπικά μέγιστα αναπαριστούν την συνδυασμένη επίδραση των. Και το πραγματικό cepstrumπαρουσιάζει τις ίδιες γενικώς ιδιότητες με το μιγαδικό εφόσον αποτελεί το άρτιο μέρος του μιγαδικού. 60

72 Εικόνα 3.15: Oμομορφική ανάλυσης ηχηρής ομιλίας: (α) κυματομορφή ύστερα από την επιβολή παραθύρου Hamming, (β) εκτίμηση του μέτρου της cepstrum, (δ) το πραγματικό cepstrum., (γ) το μιγαδικό To κομμάτι της ομιλίας επιλέγεται με την εφαρμογή του παραθύρου, το αποτέλεσμα είναι το στο οπoίο εφαρμόζεται ομομορφική αποσυνέλιξη δίνοντάς μας το cepstrumαπό το οποίο μπορούμε να διαχωρίσουμε τη διέγερση από το φίλτρο όπως φαίνεται παρακάτω. Για την ανάκτηση της κρουστικής απόκρισης εφαρμόζουμε το ομομορφικό φίλτρο με τη μορφή: (3.71) ενώ για την ανάκτηση του σήματος διέγερσης: (Β) (3.72) 61

73 Το επιλέχθηκε να είναι μικρότερο του (pitchperiod). Τέλος εφαρμόζοντας την αντίστροφη αποσυνέλιξη παίρνουμε είτε το ανάλογα με το φίλτρο που επιλέξαμε. ή το Εικόνα 3.16: Εφαρμογή ενός συστήματος για ομομορφικόφιλτράρισμα της ομιλίας. Ωστόσο στις εφαρμογές που αφορούν την ανάλυση ομιλίας συνήθως η πλήρης αποσυνέλιξη της κυματομορφής της ομιλίας δεν είναι αναγκαία και το cepstrumείναι αρκετό για τις πληροφορίες που χρειαζόμαστε. Επομένως σε αυτές τις εφαρμογές γλιτώνουμε τον υπολογισμό της φάσης Eξαγωγή Θεμελιώδους Συχνότητας (Pitch) Από την παρακάτω εικόνα είναι εμφανές ότι το cepstrum της ηχηρής ομιλίας παρουσιάζει κορυφές στην θεμελιώδη περίοδο του σήματος εισόδου ενώ το cepstrum άηχης ομιλίας δεν εμφανίζονται αντίστοιχα μέγιστα. Υπολογίζοντας την μεταβατική συμπεριφορά της παραγωγής ενός φωνήματος παρατηρούμε πως η θεμελιώδης συχνότητα αυξάνεται στο πέρας του χρόνου (δηλαδή η θεμελιώδης συχνότητα φθίνει). Ωστόσο, έχει παρατηρηθεί πως η ύπαρξη ξεκάθαρης κορυφής στην περιοχή της θεμελιώδους περιόδου αποτελεί πολύ ισχυρή ένδειξη να πρόκειται για ηχηρό ήχο. Εικόνα 3.17: (α) Cepstrum ηχηρής ομιλίας, (β) Cepstrum άηχης ομιλίας 62

74 3.2.6 Εξαγωγή Συχνοτήτων Συντονισμού (Formants) Το χρονικά χαμηλό μέρος το cepstrum ανταποκρίνεται κυρίως στην επίδραση του φωνητικού φίλτρου ενώ το υψηλό σε αυτήν της διέγερσης. Στην Εικόνα 3.15β φαίνεται η κανονικοποιημένη(smoothed)μορφή του μέτρου του λογαρίθμου μετά την εφαρμογή του φίλτρου (Β). Αυτή η κυματομορφή απεικονίζει την δομή των συντονισμών της φωνητικής κοιλότητας που προκύπτουν από την δεδομένη διέγερση, δηλαδή τις συχνότητες των formants. Θεωρούμε ένα μοντέλο παραγωγής ομιλίας όπως φαίνεται στην Εικόνα Η αναπαράσταση ηχηρής ομιλίας γίνεται από την θεμελιώδη περίοδο, το πλάτος και τις τρεις χαμηλότερες συχνότητες συντονισμού. Οι παραπάνω παράμετροι αλλάζουν με την πάροδο του χρόνου, παραμένοντας σχεδόν ίδιες για ένα διάστημα που εκτιμάται στα ms. Επομένως είναι σκόπιμο στο ίδιο χρονικό διάστημα η κανονικοποιημένη κυματομορφή του λογαρίθμου να υπολογίζεται εκ νέου.η σταθερή φασματική αντιστάθμιση (fixedspectralcompensation)αναφέρεται στις υψηλής συχνότητας ιδιότητες της ομιλίας.από το cepstrumεντοπίζονται τα μέγιστα στο φάσμα του λογαρίθμου και φανερώνεται η φύση της ομιλίας, δηλαδή αν είναι ηχηρή ή άηχη. Αν το κομμάτι της ομιλίας είναι ηχηρό, η θεμελιώδης συχνότητα εκτιμάται από το cepstrumκαι οι τρεις πρώτες συχνότητες συντονισμού από τα ζευγάρια κορυφών στο φάσμα του λογαρίθμου. Στην περίπτωση άηχης ομιλίας, ο πόλος τίθεται στην μέγιστη κορυφή του φάσματος του λογαρίθμου και το μηδενικό τοποθετείται έτσι ώστε το σχετικό πλάτος(amplitude)μεταξύ χαμηλών και υψηλών συχνοτήτων να διατηρείται. Εικόνα 3.18: Ψηφιακό μοντέλο παραγωγής ομιλίας 63

75 Για ηχηρή ομιλία η συνάρτηση μεταφοράς σταθερής κατάστασης της φωνητικής κοιλότητας είναι: (2.73) Όπου, και οι τρεις πρώτοι συντονισμοί οι οποίοι μεταβάλλονται με το χρόνο ενώ ο τέταρτος συντονισμός σταθερός περίπου στα 4000Hz και Τ = sec(δηλαδή συχνότητα δειγματοληψίας 10kHz). Τα εύρη ζώνης είναι επίσης σταθερά σε μέσες τιμές για ομιλία. Η σταθερή φασματική αντιστάθμιση, η οποία προσομοιώνει τις συνεισφορές του γλωττιδικού παλμού και της εκπομπής είναι: (3.74) Όπου α και bδιαλέγονται έτσι ώστε να παρέχουν ένα καλό φασματικό ταίριασμα. Αντιπροσωπευτικές τιμές για τα α και b είναι 400π και 5000π αντίστοιχα. Πιο ακριβείς τιμές για τον κάθε ομιλητή μπορούν να καθοριστούν από ένα μακροπρόθεσμο φάσμα του συγκεκριμένου ομιλητή. Για ηχηρή ομιλία η συνάρτηση μεταφοράς σταθερής κατάστασης της φωνητικής κοιλότητας είναι: (3.75) Όπου το επιλέγεται ως το υψηλότερο μέγιστο του κανονικοποιημένου φάσματος λογαρίθμου που βρίσκεται μετά τα 1000Hzκαι το υπολογίζεται από τον εμπειρικό τύπο (3.76) Όπου (3.77) 64

76 ο οποίος εξασφαλίζει ότι διατηρείται η σχέση μεταξύ των επιμέρους πλατών των διαφορετικών συχνοτήτων. Το παραπάνω απλό μοντέλο διατηρεί τις βασικές φασματικές ιδιότητες της ομιλίας. Η Εικόνα 2.18απεικονίζει ένα παράδειγμα της χρήσης του μοντέλου σε σύγκριση με το πραγματικό φασματογράφημα. Εικόνα3.19: Ανάλυσητηςφράσης We were away a year ago. (a) θεμελιώδης περίοδος και οι 3 πρώτοι συγχρονισμοί της φωνητικής κοιλότητας, (β) wideband φασματογράφημα. 3.3 Ανάλυση Γραμμικής Προγνωστικής Κωδικοποίησης (LPC) {4} H βασική ιδέα της μεθόδου της γραμμικής προγνωστικής κωδικοποίησης (LPC) είναι πως ένα δείγμα ομιλίας μπορεί να προβλεφθεί ως ένας γραμμικός συνδυασμός των προηγούμενων δειγμάτων ομιλίας. Βασίζεται στο βασικό μοντέλο παραγωγής ομιλίας αναφέρθηκε στο Kεφάλαιο 1 κατά το οποίο η ομιλία μπορεί να μοντελοποιηθεί ως ένα γραμμικό, χρονικώς μεταβαλλόμενο σύστημα το οποίο διεγείρεται είτε από σχεδόν περιοδικούς παλμούς (κατά την ηχηρή ομιλία), είτε από τυχαίο θόρυβο (κατά την άηχη ομιλία). Η γραμμική πρόγνωση παρέχει μία στέρεη, αξιόπιστη και μεγάλης ακρίβειας μέθοδο για την εκτίμηση των παραμέτρων που χαρακτηρίζουν το γραμμικό, χρονικώς μεταβαλλόμενο μοντέλο ομιλίας. Οι βασικότερες παραλλαγές της μεθόδου είναι οι εξής: 1) Η μέθοδος αυτοσυσχέτισης (autocorrelationmethod) 2) Η μέθοδος συνδιασποράς (covariancemethod) 65

77 3) H μέθοδος δικτυώματος (latticemethod) Βασικές Αρχές τηςανάλυσης Γραμμικής Προγνωστικής Κωδικοποίησης Η κατάλληλη μορφή του μοντέλου ομιλίας για την ανάλυση γραμμικής προγνωστικής κωδικοποίησης περιγράφεται στην Εικόνα Εικόνα 3.20: Μπλοκ-διάγραμμα απλοποιημένου μοντέλου παραγωγής ομιλίας Σε αυτήν την περίπτωση, η σύνθετη φασματική επίδραση της ακτινοβολίας, της φωνητικής κοιλότητας και της γλωττιδικής διέγερσης αναπαρίσταται από ένα χρονικώς μεταβαλλόμενο ψηφιακό φίλτρο του οποίου η εξίσωση σταθερής κατάστασης παίρνει την παρακάτω μορφή. (3.78) Το σύστημα διεγείρεται από ένα τρένο κρουστικώνπαλμών για ηχηρή ομιλία ή από μία τυχαία ακολουθία θορύβου. Επομένως οι παράμετροι του μοντέλου είναι: (α) η κατηγοριοποίηση ηχηρής/άηχης ομιλίας,(β)η θεμελιώδης περίοδος για ηχηρή ομιλία, (γ) η παράμετρος κέρδους και (δ)οι συντελεστές του ψηφιακού φίλτρου. Αυτές οι παράμετροι αλλάζουν σχετικά αργά με την πάροδο του χρόνου. Η θεμελιώδης περίοδος και η κατηγοριοποίηση ηχηρής/άηχης ομιλίας μπορούν να εκτιμηθούν σύμφωνα με μεθόδους που έχουν ήδη αναφερθεί αλλά και με μεθόδους γραμμικής πρόγνωσης όπως θα δούμε. Το απλοποιημένο μοντέλο μόνο-πόλων αναπαριστά τους μη ένρινους ηχηρούς ήχους, αλλά για ένρινους και συριστικούς ήχους απιτούνται τόσο πόλοι όσο και μηδενικά στην συνάρτηση μεταφοράς της φωνητικής κοιλότητας.ωστόσο, 66

78 εάν η τάξη του είναι αρκετά υψηλή το μοντέλο μόνο-πόλων παρέχει μια καλή αναπαράσταση για σχεδόν όλα τα είδη ομιλίας. Για το σύστημα της Εικόνας 3.20, έστω τα δείγματα ομιλίας και η διέγερση, συνδέονται με την σχέση: (3.79) Ορίζουμε μία γραμμική πρόγνωση του σήματος με συντελεστές πρόγνωσης (3.80) Με μετασχηματισμό z (3.81) Σφάλμα πρόβλεψης: (3.82) Με μετασχηματισμό Z (3.83) Από τις εξισώσεις (2.82) και (2.79)πως εαν το σήμα ακολουθεί το μοντέλο της Εικόνας 2.20και εαν, τότε e Επομένως το σφάλμα του φίλτρου πρόγνωσης,, θα είναι αντίστροφο φίλτρο για το σύστημα, 67

79 (3.84) Toβασικό πρόβλημα της ανάλυσης γραμμικής πρόγνωσης είναι ο καθορισμός των προγνωστικών συντελεστών από το σήμα ομιλίας με τέτοιο τρόπο ώστε να λαμβάνουμε μια καλή εκτίμηση των φασματικών ιδιοτήτων του σήματος ομιλίας με τη χρήση της εξίσωσης (3.84). Εξαιτίας του χρονικώς μεταβαλλόμενου χαρακτήρα της ομιλίας οι συντελεστές πρέπει να υπολογίζονται σε μικρά κομμάτια του σήματος εισόδου. Η βασική προσέγγιση συνιστά τον υπολογισμό συντελεστών πρόγνωσης οι οποίοι ελαχιστοποιούν το μέσο τετραγωνικό σφάλμα πρόγνωσης σε ένα μικρό κομμάτι της κυματομορφής της ομιλίας και ύστερα τη χρήση αυτών των συντελεστών ως παραμέτρους της συνάρτησης του συστήματος, Η χρήση του μέσου τετραγωνικού σφάλματος πρόγνωσης για την εκτίμηση των παραμέτρων του μοντέλου οδηγεί σε ένα σετ γραμμικών εξισώσεων οι οποίες μπορούν να επιλυθούν αποδοτικά ώστε να εξαχθούν οι παράμετροι πρόγνωσης. Το μέσο σφάλμα βραχύχρονης πρόγνωσης ορίζεται ως: (3.85) (3.86) (3.87) όπου, δηλαδή: είναι ένα κομμάτι ομιλίας το οποίο έχει επιλεχθεί στην γειτονική περιοχή του (3.88) Το εύρος του αθροίσματος είναι πεπερασμένο και αφορά την έκταση της γειτονικής περιοχής του που θα εξετάσουμε. Ωστόσο αυτή η σταθερά δεν επηρεάζει τις γραμμικές εξισώσεις στις οποίες θα καταλήξουμε και επομένως παραλείπεται. Οι τιμές των που 68

80 ελαχιστοποιούν το, υπολογίζοντας το, Έτσι λαμβάνουμε τις εξισώσεις (3.89) όπου είναι οι τιμές των που ελαχιστοποιούν το, (από εδώ και στο εξής θα συμβολίζουμε τις τιμές που ελαχιστοποιούν το ). Εάν ορίσουμε (3.90) τότε και η εξίσωση 2.89μπορεί να γραφεί (3.91) Η παραπάνω εξίσωση περιγράφει ένα σύστημα εξισώσεων με αγνώστους, τους συντελεστές που ελαχιστοποιούν το μέσο τετραγωνικό σφάλμα πρόγνωσης για το κομμάτι σήματος ομιλίας. Το σφάλμα γράφεται πλέον ως: (3.92) και ως (3.93) Επομένως το συνολικό ελάχιστο σφάλμα συντελείται από ένα σταθερό μέρος και ένα μέρος εξαρτώμενο από τους συντελεστές πρόγνωσης. Για να λύσουμε ως προς τους βέλτιστους συντελεστές πρόγνωσης πρέπει πρώτα να υπολογίσουμε τις ποσότητες για 69

81 και λάβουμε τα.. Ύστερα μένει απλά να λύσουμε τις εξισώσεις (3.89)ώστε να Το εύρος αθροίσματος στο οποίο θα πρέπει να κυμαίνεται η μεταβλητή δύο διαφορετικές προσεγγίσεις. μας οδηγεί σε Η Μέθοδος Αυτοσυσχέτισης Μία προσέγγιση για τον καθορισμό τον ορίων του αθροίσματος είναι να θεωρήσουμε πως το κομμάτι της κυματομορφής,, είναι μηδέν εκτός του διαστήματος. Έτσι προκύπτει η έκφραση: (3.94) όπου είναι ένα παράθυρο πεπερασμένου μήκους (π.χ. παράθυρο Hamming) το οποίο μηδενίζεται εκτός του διαστήματος. Συνεπώς, το αντίστοιχο σφάλμα πρόγνωσης,, για πρόγνωση τάξεως θα είναι μη μηδενικό στο διάστημα. Η εξίσωση μέσου βραχύχρονου σφάλματος πρόγνωσης γίνεται: (3.95) Με αυτό το εύρος η εξίσωση 3.90γράφεται ως (3.96) όπου και. H τελευταία μορφή ισούται με τηβραχύχρονη εξίσωση αυτοσυσχέτισης όπου (3.97) (3.98) 70

82 Η είναι άρτια συνάρτηση, άρα (3.99) Επομένως (3.100) Και το ελάχιστο μέσο τετραγωνικό σφάλμα πρόβλεψης παίρνει τη μορφή (3.101) To σετ εξισώσεων που δίνεται από την (3.100)μπορεί να εκφραστεί σε μορφή πινάκων ως (3.102) O πίνακας της αυτοσυσχέτισης είναι πίνακας Toeplitz, δηλαδή συμμετρικός και όλα τα στοιχεία σε μία διαγώνιό του είναι ίσα. Η πιο αποδοτική μέθοδος επίλυσης συστημάτων, η οποία εκμεταλλεύεται τη φύση του πίνακα Toeplitz είναι η αναδρομική διαδικασία του Durbin: 1) Αρχικοποίηση (3.103) 2) Επανάληψη για. 71

83 (3.104) (3.105) (3.106) (3.107) 3) Η τελική λύση δίνεται ως (3.108) Επίσης εάν οι συντελεστές αυτοσυσχέτισης αντικατασταθούν από τους κανονικοποιημένους συντελεστές αυτοσυσχέτισης η λύση της εξίσωσης πινάκων παραμένει η ίδια. Ωστόσο το σφάλμα σφάλμα. Ονομάζουμε το κανονικοποιημένο σφάλμα θεωρείται τώρα ως κανονικοποιημένο έχουμε (3.109) όπου (3.110) Το κανονικοποιημένο σφάλμα για είναι (3.111) όπου για τους συντελεστές ισχύει (3.112) 72

84 Η τελευταία συνθήκη είναι ικανή και απαραίτητη ώστε όλες οι ρίζες του πολυωνύμου να να βρίσκονται μέσα στον μοναδιαίο κύκλο, παρέχοντας έτσι εγγύησηγια την ευστάθεια του συστήματος Η Μέθοδος Συνδιακύμανσης Η δεύτερη βασική προσέγγιση για τον καθορισμό ενός κομματιού ομιλίας και των ορίων αθροίσματος είναι ο καθορισμός ενός διαστήματος στο οποίο υπολογίζεται το μέσο τετραγωνικό σφάλμα και μετά λαμβάνεται υπόψιν η επιρροή του στον υπολογισμό του. Εαν ορίσουμε το σφάλμα (3.113) το θα γίνει (3.114) Με αλλαγή μεταβλητής στο δείκτη του αθροίσματος το μπορείνα γραφεί είτε ως (3.115) ή (3.116) Παρόλο που οι παραπάνω εξισώσεις μοιάζουν πολύ με αυτές της μεθόδου αυτοσυσχέτισης, διαφέρουν στα όρια της άθροισης. Οι εξισώσεις (3.96) ζητούν τιμές του εντός των ορίων ενώ στην(3.116) τα όρια είναι. Οι διαφορές μεταξύ 73

85 των(3.96) και (3.116) φαίνονται ελάχιστες υπολογιστικές λεπτομέρειες, ωστόσο το σετ εξισώσεων (3.117) Έχει σημαντικά διαφορετικές ιδιότητες οι οποίες επηρεάζουν σε μεγάλο βαθμό την μέθοδο επίλυσης και τις ιδιότητες των συντελεστών πρόγνωσης στους οποίους θα καταλήξουμε. Σε μορφή πινάκων οι εξισώσεις γράφονται ως (3.118) Σε αυτήν την περίπτωση, εφόσον, ο πίνακας είναι συμμετρικός αλλά όχι Toeplitz. Τα διαγώνια στοιχεία του συσχετίζονται με την εξίσωση (3.119) Η μέθοδος παίρνει το όνομά της από το γεγονός ότι ο πίνακας έχει τις ίδιες ιδιότητες με έναν πίνακα συνδιακύμανσης. Η πιο αποτελεσματική μέθοδος επίλυσης των εξισώσεων αυτής της μορφής είναι η ανάλυση Cholesky (μέθοδος τετραγώνων ριζών). Έστω έχουμε σε μορφή πινάκων την εξίσωση (3.120) όπου ο είναι συμμετρικός πίνακας ορισμένος θετικός γράφεται ως (3.121) όπου είναι ένας κάτω τριγωνικός πίνακας (τα διαγώνια στοιχεία του είναι ίσα με 1), ο ανάστροφός τουκαι ο είναι ένας διαγώνιος πίνακας. Τα α στοιχεία των πινάκων και καθορίζονται από την εξίσωση (3.121) λύνοντας ως προς το -οστό στοιχείο και στα δύο μέλη δίνοντας 74

86 (3.122) ή αλλιώς (3.123) και για τα διαγώνια στοιχεία (3.124) ή (3.125) με (3.126) Εφόσον υπολογιστούν οι πίνακες και το διάνυσμα υπολογίζεται με μία διαδικασία δύο βημάτων από τις (2.120)και(2.122)παίρνουμε το οποίο μπορεί να γραφεί ως (3.127) 75

87 (3.128) και (3.129) ή (3.130) Έτσι με δεδομένο τον πίνακα η εξίσωση (3.128)λύνεται για το διάνυσμα χρησιμοποιώντας την αναδρομική διαδικασία της μορφής (3.131) με αρχική συνθήκη (3.132) Παρομοίως έχοντας λύσει ως προς λύνουμε ως προς με τη σχέση (3.133) με αρχική συνθήκη (3.134) 76

88 ο δείκτης στην εξίσωση(2.133)προχωρά ανάποδα από μέχρι Η Μέθοδος Δικτυώματος Η μέθοδος συνδιακύμανσης και η μέθοδος αυτοσυσχέτισης υπολογίζουν πρώτα τον πίνακα τιμών συσχέτισης και μετά λύνουν το σύστημα γραμμικών εξισώσεων που προκύπτει. Στη μέθοδο δικτυώματος τα δύο αυτά βήματα συνδυάζονται σε έναν αναδρομικό αλγόριθμο για τον καθορισμό των γραμμικών παραμέτρων πρόγνωσης. Από τον αλγόριθμο Durbinέχουμε πως στο i-οστό στάδιό του υπολογίζεται το σύνολο των βέλτιστων συντελεστών πρόγνωσης i-οστής τάξεως. Ορίζουμε να είναι η συνάρτηση του συστήματος του i-οστού ανάστροφου φίλτρου (φίλτρο πρόγνωσης σφάλματος). (3.135) Εα εισάγουμε στο φίλτρο αυτό το σήμα σφάλμα πρόγνωσης, όπου, θα λάβουμε ως έξοδο το (3.136) Ο μετασχηματισμός είναι (3.137) Με αντικατάσταση της εξίσωσης(3.106)στην(3.135)λαμβάνουμε τον αναδρομικό τύπο για το (3.138) 77

89 Με αντικατάσταση της εξίσωσης(3.138)στην(3.137)λαμβάνουμε τον μετασχηματισμό του σφάλματος πρόγνωσης -οστής τάξεως. (3.139) Ορίζοντας (3.140) Με αντίστροφο μετασχηματισμό (3.141) Το ονομάζεται ακολουθία ανάποδης κατεύθυνσης του σφάλματος πρόγνωσης καθώς για την πρόγνωση του χρησιμοποιούνται τα δείγματα τα οποία ακολουθούν το. Εικόνα 3.21: Απεικόνιση ευθείας και ανάποδης πρόγνωσης με τη χρήση i δειγμάτων 78

90 Στην Εικόνα 3.21φαίνεται πως το υπολογίστηκε με τα ίδια δείγματα που χρησιμοποιήθηκαν και στην εξίσωση (3.136) για τον υπολογισμό του. Από την εξίσωση (3.139) μπορούμε να εκφράσουμε την ακολουθία του σφάλματος πρόγνωσης ως (3.142) Αντικαθιστώντας την εξίσωση(3.138) στην (3.140) λαμβάνουμε (3.143) ή αλλιώς (3.143) Επομένως το -οστό στάδιο του σφάλματος πρόγνωσης ανάποδης κατεύθυνσης είναι (3.144) Με τις εξισώσεις (3.144)και (3.142)τα σφάλματα πρόγνωσης ανάποδης και ευθείας κατεύθυνσης -οστής τάξεως ορίζονται σε συνάρτηση του αντίστοιχου σφάλματος - οστής τάξεως. Από τις δύο αυτές εξισώσεις προκύπτει το δίκτυο που απεικονίζεται στην Εικόνα

91 Εικόνα 3.22: Μπλόκ Διάγραμμα πραγματοποιήσιμης εφαρμογής της μεθόδου δικτυώματος Οι παράμετροι μπορούν να υπολογιστούν όπως στον αλγόριθμο Durbin, ωστόσο, έχει δειχθεί πως εκφράζονται και συναρτήσει των σφαλμάτων ευθείας και ανάποδης πρόγνωσης με τη σχέση (3.145) Οι παράμετροι ονομάζονται μερικοί συντελεστές συσχέτισης (PARCOR). Επομένως η ανάλυση PARCORμπορεί να χρησιμοποιηθεί ως εναλλακτική της αναστροφής πίνακα που επιβάλλει ο αλγόριθμος Durbinστην μορφή που περιγράφηκε πριν δίνοντας τα ίδια αποτελέσματα με τη μέθοδο αυτοσυσχέτισης. Μία διαδικασία βασισμένη στην ελαχιστοποίηση του αθροίσματος του μέσου τετραγωνικού σφάλματος ευθείας και ανάποδης πρόγνωσης (μέθοδος Burg)περιγράφεται παρακάτω (3.146) 80

92 Αντικαθιστώντας τις εξισώσεις(2.144)και (2.142)στην εξίσωση (2.146)παραγωγίζοντας ως προς, έχουμε (3.147) όπου Τα της μεθόδου Burgδιαφέρουν από αυτά της μεθόδου αυτοσυσχέτισης. (3.148) Εξαγωγή Συχνοτήτων Συντονισμού (Formants) με Χρήση των Παραμέτρων Γραμμικής Πρόγνωσης Οι συχνότητες συντονισμού είναι δυνατόν να υπολογιστούν χρησιμοποιώντας τις παραμέτρους πρόγνωσης με δύο τρόπους. Ο πιο άμεσος τρόπος είναι η παραγώγιση του πολυωνύμου πρόγνωσης και από τις ρίζες που λαμβάνονται ως αποτέλεσμα η προσπάθεια καθορισμού των ριζών που αντιστοιχούν σε συχνότητες συντονισμού και αυτές που αντιστοιχούν σε πόλους φασματικής διαμόρφωσης. Εναλλακτικά, μπορούν να εμφανίσουμε το φάσμα και να διαλέξουμε τις συχνότητες συντονισμού μέσω μιας μεθόδου επιλογής κορυφών. 3.4 Σύγκριση των Μεθόδων Ανάλυσης του ΦάσματοςΣυχνοτήτων Μετά την παρουσίαση των βασικών μεθόδων ανάλυσης του σήματος ομιλίας στο φάσμα της συχνότητας είναι σκόπιμο να γίνει σύγκριση των χαρακτηριστικών τους.στην παρακάτω εικόνα παρουσιάζονται τα αποτελέσματα τεσσάρων υλοποιήσεων βασισμένων στις τεχνικές που αναλύθηκαν στις προηγούμενες παραγράφους. 81

93 Εικόνα 3.23: Φάσματα του συνθετικού φωνήεντος /α/ Η πρώτη υλοποίηση είναι μία βραχύχρονη ανάλυση Fourierστα 10 khzμε χρήση παραθύρου Hanning 512 δειγμάτωνκαι FFT μετασχηματισμό 512 σημείων. Όπως φαίνεται στην Εικόνα 3.22 αποτελεί μια ανάλυση στενής ζώνης στην οποία οι αρμονικές του σήματος είναι ευδιάκριτες χάρις τη σχετικά μεγάλη διάρκεια του παραθύρου, ωστόσο οι συντονισμοί της φωνητικής κοιλότητας (formants) είναι δύσκολο να εντοπιστούν με ακρίβεια. Η δεύτερη υλοποίηση είναι πάλι βραχύχρονη ανάλυση Fourierστα 10 khzμε χρήση παραθύρου Hanning128 δειγμάτωνκαι FFT μετασχηματισμό 128 σημείων. Σε αυτήν την περίπτωση έχουμε ανάλυση ευρείας ζώνης κατά την οποία χάνεται μεγάλο μέρος της πληροφορίας των αρμονικών, όμως έχουμε μία καλύτερη εκτίμηση της περιβάλλουσας του φάσματος συχνοτήτων, η οποία μας φέρνει πιο κοντά στον προσδιορισμό των συχνοτήτων 82

94 συντονισμού. Παρά τη βελτίωση για τον σωστό εντοπισμό των formantsθα πρέπει να εφαρμοστεί κάποια αποδοτική τεχνική επιλογής κορυφών. Η τρίτη υλοποίηση είναι μια παρόμοια βραχυχρόνια ανάλυση Fourierπαραθύρου 300 δειγμάτων στην οποία εφαρμόστηκε ομομορφική εξομάλυνση του φάσματος (γραμμική εξομάλυνση του λογαριθμικού φάσματος). Όπως φαίνεται οι συχνότητες συντονισμού είναι αρκετά καλά καθορισμένες, ωστόσο το εύρος ζώνης τους έχει διευρυνθεί και δεν είναι εύκολο να εντοπιστεί με ακρίβεια. Η τέταρτη υλοποίηση είναι μια ανάλυση γραμμικής πρόγνωσης σε ένα παράθυρο 128 δειγμάτων με. Συγκρίνοντας με τις παραπάνω υλοποιήσεις παρατηρούμε πως με τη γραμμική πρόγνωση λαμβάνουμε την καλύτερη ανάλυση όσον αφορά τους συντονισμούς της φωνητικής κοιλότητας, χωρίς να εμφανίζεται καμία παραπάνω κορυφή από όσες αναζητούσαμε (για μπορούσαν να εμφανιστούν το πολύ 6 συντονισμοί) και το εύρος ζώνης είναι καθορισμένο με μεγαλύτερη ακρίβεια. 83

95 Κεφάλαιο 4 Περιγραφή του Μικροελεγκτή 4.1 Ο ΠυρήναςCortex-M3 {12} Η οικογένεια επεξεργαστών STM32 είναι βασισμένη στον πυρήνα ARMCortex-M3, ο οποίος αναπτύχθηκε ειδικά για να εξυπηρετήσει εφαρμογές με ενσωματωμένα συστήματα, τα οποία απαιτούν ένα συνδυασμό χαρακτηριστικών όπως: υψηλή απόδοση, χαμηλό κόστος λειτουργίας, και χαμηλή κατανάλωση. Οι διαδικασίες επιταχύνονται αρκετά σε σχέση με παλαιότερες αρχιτεκτονικές ARM. Εν αντιθέσει, δηλαδή, με τον πυρήνα ARM7, ο οποίος χρησιμοποιούταν τα τελευταία χρόνια, ο πυρήνας Cortexέχει πολλαπλούς διαύλους επικοινωνίας, κάνοντας έτσι δυνατή την παράλληλη εκτέλεση λειτουργιών, αυξάνοντας κατά πολύ τη συνολική απόδοση του συστήματος. Όσον αφορά τον πυρήνα Cortex-M3, ο λόγος που καθιστά εφικτή την υψηλή του απόδοση, είναι κυρίως χάρις στην αρχιτεκτονική Harvardστην οποία στηρίζεται. Η αρχιτεκτονική αυτή επιτρέπει το διαχωρισμό της μνήμης εντολών από τη μνήμη δεδομένων, καθιστώντας δυνατή την ανεξάρτητη και παράλληλη πρόσβαση στις δύο αυτές μνήμες μέσω διαφορετικών διαύλων επικοινωνίας. Ο πυρήνας Cortexείναι συνδεδεμένος απευθείας με τη μνήμη Flash(εκεί όπου αποθηκεύονται οι εντολές) μέσω του Διαύλου των Εντολών(Instructionbus). Εδώ γίνεται το prefetchingτων εντολών, το οποίο είναι μία διαδικασία που επιταχύνει τη λειτουργία του συστήματος. Ταυτόχρονα ο επεξεργαστής είναι συνδεδεμένος με το υπόλοιπο σύστημα μέσω του Δίαυλου Δεδομένων(Databus),ο οποίος συνδέεται στο Δίαυλο Υψηλής Ταχύτητας(AdvancedHighSpeedBus - AHSB). Τα περιφερειακά εξυπηρετούνται από δύο αφιερωμένους σε αυτά διαύλους που ονομάζονται Προηγμένοι Δίαυλοι Περιφερειακών(AdvancedPeripheralBus- APB),που συνδέονται και αυτοί στο Δίκτυο των Δίαυλων(BusMatrix). Οι δύο δίαυλοι επικοινωνίας που εξυπηρετούν τα περιφερειακά (APB1 και APB2) είναι ανενεργοί μετά από κάθε resetπου γίνεται στο σύστημα και έτσι για τη χρήση ενός περιφερειακού πρέπει πρώτα να ενεργοποιηθεί το ρολόι του. Επίσης οι APB1 και APB2 διαφέρουν στη μέγιστη συχνότητα λειτουργίας, αφού ο πρώτος δίαυλος μπορεί 84

96 να λειτουργήσει με συχνότητα τριάντα έξι (36) MHz, ενώ ο δεύτερος μπορεί να φτάσει σε συχνότητα εβδομήντα δύο (72) MHz. Όσον αφορά τη συχνότητα λειτουργίας του δικτύου διαύλων υψηλής ταχύτητας (AHB), αυτή ακολουθεί συνήθως τη συχνότητα του πυρήνα Cortexεκτός από περιπτώσεις όπου προγραμματίζεται να λειτουργεί σε χαμηλότερες συχνότητες ώστε να εξοικονομείται ενέργεια. Είναι αξιοσημείωτο το γεγονός ότι αν ζητηθεί πρόσβαση εύρους δεκαέξι (16) ή οχτώ (8) bitsσε έναν επεξεργαστή του APB, τότε αυτή η πρόσβαση μετατρέπεται αυτόματα σε 32-bitεπαναλαμβάνοντας τη ζητούμενη πληροφορία τόσες φορές ώστε το μέγεθος των μεταφερόμενων δεδομένων να είναι τριάντα δύο (32) bits. ΟΔίαυλος Συστήματος(systembus)συνδέει τον πυρήνα Cortexκαι τον ελεγκτή DMAμε το Δίκτυο Διαύλων(BusMatrix). Το BusMatrix,είναι υπεύθυνο για την ανάθεση του ελέγχου των διαύλων σε μία από τις δύο προαναφερθείσες συσκευές. Η ανάθεση αυτή γίνεται κυκλικά ανάλογα με τις ανάγκες κάθε μίας συσκευής για χρησιμοποίηση των διαθέσιμων διαύλων. Η βασική λειτουργία του πυρήνα περιγράφεται στηνεικόνα που ακολουθεί: Εικόνα 4.1: Η αρχιτεκτονική του επεξεργαστή Cortex-M3 O πυρήνας Cortexσυνδέεται απευθείας στην εσωτερική μνήμη Flashμέσω τουδιαύλου Εντολών(InstructionBus). Ο δίαυλος αυτός έχει συχνότητα ίδια με τη συχνότητα της CPU, δηλαδή φθάνει μέχρι και τα 72MHz. Σε αυτή τη συχνότητα κάθε ενάμισι (1,5) περίπου νάνο-δευτερόλεπτο, ζητούνται δεδομένα από τη μνήμη, κάτι που δε θα έπρεπε να γίνεται διότι ο χρόνος προσπέλασης αυτού του τύπου μνήμης είναι πολύ μεγαλύτερος. (περίπου 35 νανοδευτερόλεπτα). Το γεγονός αυτό αποτελεί τροχοπέδη στη μεγιστοποίηση της συνολικής απόδοσης του συστήματος. Η λύση σε αυτό το πρόβλημα, ώστε να μπορεί να λειτουργήσει η CPUστην υψηλότερη ταχύτητα, δίνεται μέσω μίας μεθόδου που ονομάζεται prefetching. Η μέθοδος αυτή προϋποθέτει την ύπαρξη της μονάδας Prefetchστη μνήμη Flash, η οποία ουσιαστικά αποτελείται από δύο καταχωρητές εύρους εξήντα-τεσσάρων (64) bit. Οι δύο αυτοί καταχωρητές διαβάζουν από τη μνήμη εξήντα τέσσερα (64) bitsτη φορά και δίνουν, όποτε τους ζητηθεί, την 16-bitή 32-bitεντολή στη CPUγια εκτέλεση. Έτσι 85

97 εκμεταλλευόμενη το σετ εντολών Thumb2, που περιγράφεται παρακάτω, και τον χρόνο που χρειάζεται η εκτέλεση των εντολών, η τεχνική αυτή με τους δύο 64-bitκαταχωρητές συμβάλει στη μεγιστοποίηση της συνολικής απόδοσης του συστήματος. 4.2 Διαχείριση μνήμης {12} Όσον αφορά στη διαχείριση της μνήμης, ο επεξεργαστής Cortex-M3, παρά την ύπαρξη διαφορετικών και ανεξάρτητων διαύλων, χρησιμοποιεί ένα γραμμικό μοντέλο μνήμης, μεγέθους τεσσάρων GigaBytes. Μέσα σε αυτά τα GBytes, προσδιορίζονται οι περιοχές μνήμης όπου γράφεται ο κώδικας, η περιοχή της μνήμης SRAM, οι θέσεις μνήμης που αφορούν στις περιφερειακές συσκευές, καθώς και οι καταχωρητές του συστήματος. Εικόνα 4.2: Χάρτης μνήμης του Cortex-M3 86

98 Η κωδικοποίηση των Bytesείναι σε μορφή LittleEndian, δηλαδή το σημαντικότερο bitμίας λέξης βρίσκεται στην αριστερή πλευρά της. Στην Εικόνα 4.2δίδεται ο χάρτης μνήμης. Συγκεκριμένα, στο πρώτο GByteτης μνήμης περιλαμβάνονται δύο ξεχωριστές περιοχές: η περιοχή για τον κώδικα και η περιοχή SRAM. Ο χώρος που καταλαμβάνουν οι δύο αυτές περιοχές είναι ίδιος, όπως άλλωστε φαίνεται και στη σχετική εικόνα. Τα επόμενα πεντακόσια MBytesμνήμης είναι αφιερωμένα στα διαθέσιμα περιφερειακά που βρίσκονται πάνω στο chip. Στη συνέχεια, τα επόμενα δύο GBytesδιατίθενται στην εξωτερική SRAMκαι στα περιφερειακά. Τέλος, τα τελευταία πεντακόσια MBytesμνήμης είναι αφιερωμένα στα εσωτερικά περιφερειακά του πυρήνα Cortex. Αξίζει να αναφερθεί ότι όλα τα συστήματα που είναι βασισμένα στον Cortexέχουν συγκεκριμένες διευθύνσεις για τους καταχωρητές τους, δίνοντας έτσι τη δυνατότητα εύκολης μετάβασης από έναν Cortexεπεξεργαστή σε άλλον. Επίσης, εκτός από την κύρια μνήμη Flash(η διαδικασία που εκτελείται κατά την εκκίνηση του συστήματος που έχει ως αποτέλεσμα τη φόρτωση των απαραίτητων διαδικασιών ώστε να λειτουργεί το STM32 σε κανονική λειτουργία), το σύστημα μπορεί να εκκινήσει είτε από τη μνήμη του συστήματος είτε από την ενσωματωμένη SRAM. Η διαδικασία που περιγράφηκε παραπάνω είναι πιο γνωστή με τον αγγλικό όρο booting. Ένα άλλο σημαντικό χαρακτηριστικό του επεξεργαστή Cortexπου αφορά τη διαχείριση της μνήμης του, είναι η δυνατότητα που έχει να προσπελαύνει τη μνήμη με μη-ευθύγραμμο τρόπο (unalignedmemoryaccess). Οι παλιότεροι ARMεπεξεργαστές είχαν το χαρακτηριστικό η εγγραφή και η ανάγνωση προς και από την μνήμη να γίνεται με κομμάτια μήκους μίας λέξης (word) δηλαδή τριάντα-δύο (32) bitsή με κομμάτια μήκους μισής λέξης (half-word) δηλαδή δεκαέξι (16) bits. Επίσης, τα δεδομένα εγγράφονταν σε θέσεις μνήμης με διεύθυνση κάποιο πολλαπλάσιο του μήκους μίας λέξης. Παρότι αυτό συμβάλλει στην αύξηση της απόδοσης του συστήματος, εισάγει ένα σημαντικό μειονέκτημα: στην περίπτωση που το μέγεθος κάποιων δεδομένων είναι μικρότερο από το μήκος μίας λέξης, ο χώρος μεταξύ του τέλους των δεδομένων αυτών και της αρχής των επόμενων δεδομένων μένει κενός. Αυτό γίνεται πιο κατανοητό με τη βοήθεια του παρακάτω σχήματος το οποίο απεικονίζει τη χρήση της μνήμης σε ένα σύστημα που χρησιμοποιεί ευθύγραμμη προσπέλαση μνήμης. 87

99 Εικόνα 4.3: Αχρησιμοποίητος χώρος μνήμης εξαιτίας του γραμμικού τρόπου αποθήκευσης Ο επεξεργαστής Cortexδεν χρησιμοποιεί τον ευθύγραμμο τρόπο προσπέλασης μνήμης και αυτό σημαίνει ότι τα δεδομένα του προγράμματος στην SRAMμπορούν να διατάσσονται με οποιονδήποτε τρόπο μέσα σε αυτήν. 4.3 Ενσωματωμένος Ελεγκτής Διακοπών (NVIC) {12} Βασικό κομμάτι του πυρήνα Cortex-M3, είναι ένας Ενσωματωμένος Ελεγκτής Διακοπών(NestedVectorInterruptController - NVIC), ο οποίος είναι σχεδιασμένος για ταχύτατο χειρισμό των διακοπών που φθάνουν στον επεξεργαστή. Ο Ελεγκτής αυτός δίνει τη δυνατότητα εξυπηρέτησης μέχρι και διακοσίων σαράντα (240) διακοπών από συνδεδεμένα περιφερειακά δίνοντας και την δυνατότητα ορισμού της επιθυμητής προτεραιότητας διαλέγοντας ανάμεσα από δεκαέξι (16) διαφορετικά επίπεδα. Η ταχύτητα εξυπηρέτησης είναι υψηλή, αφού μεσολαβούν μόλις δώδεκα (12) κύκλοι μηχανής από την αναγνώριση της διακοπής μέχρι την έναρξη εξυπηρέτησής της. Η μεγάλη ταχύτητα εξυπηρέτησης διακοπών πηγάζει αφενός από τον ίδιο τον Ελεγκτή, αφετέρου από την τεχνολογία Thumb2 την οποία υποστηρίζει πλήρως. Οι καθυστερήσεις που εμφανίζονται εδώ είναι ντετερμινιστικές, δηλαδή μπορούν να προσδιοριστούν με σχετική ακρίβεια, πράγμα που σημαίνει ότι μπορεί να χρησιμοποιηθεί και σε εφαρμογές πραγματικού χρόνου. Επίσης, εμφανίζεται χαμηλή καθυστέρηση κατά τη μετάβαση από λειτουργία χαμηλής κατανάλωσης σε πλήρη λειτουργία μέσω μίας διακοπής. Εκτός, όμως, από την ταχύτατη εξυπηρέτηση μίας διακοπής ο Ενσωματωμένος Ελεγκτής Διακοπών είναι εξίσου αποδοτικός και στην εξυπηρέτηση πολλαπλών διακοπών μέσω διαφόρων μεθόδων που εξασφαλίζουν ότι η διακοπή με τη μεγαλύτερη προτεραιότητα θα εξυπηρετηθεί πρώτη με ελάχιστη καθυστέρηση: 88

100 Για παράδειγμα, στην περίπτωση που εκτελείται μία ρουτίνα εξυπηρέτησης μίας διακοπής Α και έρθει στον NVICμία αίτηση διακοπής Β με μεγαλύτερη προτεραιότητα, η εκτελούμενη ρουτίνα διακόπτεται και ξεκινάει η εκτέλεση της ρουτίνας εξυπηρέτησης της διακοπής Β (που έχει μεγαλύτερη προτεραιότητα). Γι αυτή τη μετάβαση απαιτούνται μόνο δώδεκα (12) κύκλοι μηχανής. Μετά την εξυπηρέτηση της διακοπής Β, συνεχίζει η εξυπηρέτηση της διακοπής Α από το σημείο που σταμάτησε.σε μία άλλη περίπτωση όπου εκτελείται η ρουτίνα εξυπηρέτησης μίας διακοπής και φτάσει στον NVICμία αίτηση διακοπής με προτεραιότητα μικρότερη αυτής που εξυπηρετείται, τότε μετά την εξυπηρέτηση της αρχικής διακοπής, ξεκινά η εξυπηρέτηση της άλλης διακοπής με μόλις έξι (6) κύκλους μηχανής καθυστέρηση, και όχι δώδεκα (12) όπως πριν. 4.4 Καταστάσεις Λειτουργίας του Πυρήνα Cortex {12} Όσον αφορά στις διαφορετικές καταστάσεις λειτουργίας που μπορεί να εισέλθει ο πυρήνας Cortex, αυτές είναι τρεις (3) και διαφέρουν από τις διαφορετικές καταστάσεις που μπορεί να εισέλθει το σύστημα STM32. Σε κάθε μία από αυτές, εμφανίζεται και διαφορετική κατανάλωση ενέργειας. Πρώτη, έχουμε την κατάσταση πλήρους λειτουργίας, όπου ο πυρήνας εκτελεί κανονικά τον κώδικα του προγράμματος. Στην κατάσταση αυτή, η κατανάλωση ενέργειας από τον πυρήνα είναι η φυσιολογική. Δεύτερη, έχουμε τη λειτουργία sleep, στην οποία εισέρχεται ο πυρήνας όταν εκτελέσουμε συγκεκριμένες εντολές, δηλαδή εισέρχεται μέσω κατάλληλου προγραμματισμού. Κατά τη διάρκεια της λειτουργίας αυτής, ο πυρήνας καταναλώνει λίγη ενέργεια, κυρίως μέσω επιβράδυνσης των εσωτερικών του διαύλων. Για να βγει από τη λειτουργία αυτή ο πυρήνας, πρέπει να εμφανιστεί μία αίτηση διακοπής από κάποια συσκευή. Όταν φθάσει αυτή η αίτηση, ο πυρήνας ξεκινά να εκτελεί τη ρουτίνα εξυπηρέτησης της διακοπής αυτής και μετά το τέλος της ρουτίνας εξυπηρέτησης, υπάρχουν δύο επιλογές: Είτε ο πυρήνας να ξαναμπεί στην κατάσταση αναμονής περιμένοντας την επόμενη αίτηση διακοπής, είτε να συνεχίσει στην κατάσταση πλήρους λειτουργίας και στην εκτέλεση του κώδικα. Η επιλογή ανάμεσα στις δύο περιπτώσεις που γίνεται από τον προγραμματιστή, ανάλογα με την εφαρμογή στην οποία θα χρησιμοποιηθεί το σύστημα. Τέλος, η τρίτη κατάσταση λειτουργίας του πυρήνα Cortexείναι η αδρανοποίηση, κατά τη διάρκεια της οποίας η κατανάλωση ενέργειας είναι η ελάχιστη. Το σήμα αδρανοποίησης που παράγεται από τον πυρήνα, μπορεί να φθάσει σε όλο το σύστημα προκαλώντας την 89

101 αδρανοποίηση και άλλων συσκευών ώστε η κατανάλωση ενέργειας σε όλο το STM32 σύστημα να είναι η μικρότερη δυνατή. 4.5 Άμεση Προσπέλαση Μνήμης (DMA) {12} Μια επιπλέον δυνατότητα που προσφέρεται από το STM32 είναι η δυνατότητα ΆμεσηςΠροσπέλασης Μνήμης(DirectMemoryAccess- DMA). Παρότι μπορεί να χρησιμοποιηθεί η CPUγια την ανταλλαγή δεδομένων μεταξύ των περιφερειακών και της εσωτερικής SRAM, αυτή η διαδικασία μπορεί να επιταχυνθεί μέσω της άμεσης προσπέλασης της μνήμης. Υπεύθυνη για αυτές τις ανταλλαγές δεδομένων είναι η μονάδα DMA, η οποία μοιράζεται το δίαυλο του συστήματος με τον επεξεργαστή και περιλαμβάνει συνολικά δώδεκα (12) κανάλια που έχουν τη δυνατότητα να εκτελούν αυτόνομες μεταφορές δεδομένων από μία θέση μνήμης σε μία άλλη θέση μνήμης, από κάποια περιφερειακή συσκευή προς την μνήμη, από μνήμη προς κάποια περιφερειακή συσκευή και, τέλος, από κάποια περιφερειακή συσκευή προς κάποια άλλη περιφερειακή συσκευή. Η ταχύτητα μεταφοράς των δεδομένων όταν η μεταφορά γίνεται από μία θέση μνήμης σε κάποια άλλη θέση εξαρτάται από την ταχύτητα του καναλιού DMA. Όταν η μεταφορά δεδομένων περιλαμβάνει κάποια περιφερειακή συσκευή, τότε είναι αυτονόητο ότι ο ρυθμός μεταφοράς υπαγορεύεται από τα χαρακτηριστικά της συσκευής αυτή. Τέλος, η μονάδα DMAχρησιμοποιείται κατά κύριο λόγο για την ανταλλαγή δεδομένων μεταξύ καταχωρητών της SRAMκαι περιφερειακών, παρά για την ανταλλαγή δεδομένων μεταξύ περιφερειακών συσκευών. Κάθε DMAμεταφορά δεδομένων αποτελείται από τέσσερις (4) φάσεις. Η πρώτη φάση είναι η φάση της δειγματοληψίας, όπου εξετάζεται από τη μονάδα DMAαν υπάρχει κάποια αίτηση για άμεση προσπέλαση μνήμης. Η δεύτερη φάση αφορά στον υπολογισμό των διευθύνσεων λήψης και αποστολής, ενώ στην τρίτη φάση έχουμε την πρόσβαση στο δίαυλο. Τέλος, είναι η φάση της τελικής επιβεβαίωσης. Κάθε μία από τις φάσεις που διαρκούν έναν κύκλο ρολογιού, εκτός από την τρίτη φάση όπου εκεί έχουμε ουσιαστικά τη μεταφορά των δεδομένων. Η διάρκεια της τρίτης φάσης είναι πέντε (5) κύκλοι μηχανής για κάθε λέξη (word) που μεταφέρεται. Η μονάδα DMAμπορεί να εκτελεί την πρώτη ή τη δεύτερη φάση ακόμα και κατά τη διάρκεια που εξυπηρετείται μία άλλη μεταφορά δεδομένων. Αυτό είναι εφικτό διότι ο δίαυλος χρησιμοποιείται από τη μονάδα DMAμόνο κατά την τρίτη φάση, τη φάση της ουσιαστικής μεταφοράς. Έτσι, μόλις γίνει η επιβεβαίωση για την επιτυχή μεταφορά των δεδομένων και ολοκληρωθεί μία μεταφορά από ένα κανάλι, είναι ήδη έτοιμο ένα άλλο κανάλι να εκτελέσει μία άλλη μεταφορά. 90

102 Επιπλέον, για μεταφορά δεδομένων από μνήμη σε μνήμη παρατηρείται η εξής συμπεριφορά: Κατά τη διάρκεια της φάσης της προσπέλασης του διαύλου που έχει διάρκεια πέντε (5) κύκλους ρολογιού, λαμβάνει μέρος η ανάγνωση (1 κύκλος ρολογιού) και η εγγραφή (1 κύκλος ρολογιού) των δεδομένων πλαισιωμένες από τρεις (3) κύκλους ρολογιού όπου ο δίαυλος παραμένει ανενεργός. Κατά τη διάρκεια των τριών (3) κύκλων ρολογιού που παραμένει ανενεργός από το DMA, ο δίαυλος μπορεί να χρησιμοποιηθεί από τον επεξεργαστή, συμβάλλοντας έτσι στη μεγιστοποίηση της απόδοσης. Με αυτό τον τρόπο, είναι δυνατό ακόμα και με συνεχόμενες DMAμεταφορές ο επεξεργαστής να έχει διαθέσιμο το 60% του δίαυλου. Λαμβάνοντας υπόψη τα παραπάνω και το γεγονός ότι οι εντολές που θα εκτελεστούν έχουν δικό τους δίαυλο για να μεταφέρονται από τη μνήμη στη CPU, συμπεραίνουμε ότι με το σωστό προγραμματισμό του συστήματος μπορεί να επιτευχθεί μέγιστη απόδοση των συνιστωσών. Εδώ, αξίζει να αναφερθούμε στα διαφορετικά επίπεδα προτεραιότητας που μπορεί να δοθούν στα κανάλια της μονάδας DMA, εξυπηρετώντας έτσι διαφορετικές αιτήσεις για άμεση προσπέλαση μνήμης με την επιθυμητή σειρά που καθορίζεται κατά τον προγραμματισμό. Σε κάθε ένα από ταδώδεκα (12) κανάλια του DMAδίδεται (από τον προγραμματισμό) ένα από τα τέσσερα (4) διαθέσιμα επίπεδα προτεραιότητας, ώστε να εξομαλυνθεί το πρόβλημα που προκύπτει αν δύο αιτήσεις για DMAφθάσουν ταυτόχρονα στη μονάδα DMA. Έτσι, αν όντως φθάσουν δύο αιτήσεις για DMAταυτόχρονα, εξυπηρετείται πρώτα η αίτηση που της έχει αποδοθεί από τον προγραμματισμό μεγαλύτερη προτεραιότητα. Τέλος, στην περίπτωση που δύο DMAμονάδες έχουν από μία αίτηση που εκκρεμεί και έχουν και το ίδιο επίπεδο προτεραιότητας, τότε επιλέγεται για εξυπηρέτηση η μονάδα με το μικρότερο αριθμό καναλιού. Παρότι η DMAμεταφορά από μία θέση μνήμης σε μία άλλη θέση μνήμης της SRAMείναι χρήσιμη για αρχικοποίηση περιοχών μνήμης και για μεταφορά μπλοκ δεδομένων, τις περισσότερες φορές οι DMAμεταφορές χρησιμοποιούνται για την ανταλλαγή δεδομένων μεταξύ της κύριας μνήμης του συστήματος και των διάφορων περιφερειακών συσκευών. Σε αυτή την περίπτωση ανατίθεται σε κάποιο από τα κανάλια του DMAη εξυπηρέτηση των περιφερειακών αυτών. Για παράδειγμα σε περίπτωση που μία εφαρμογή υπαγορεύει την ύπαρξη Αναλογικού σε Ψηφιακό μετατροπέα(adcconverter) θα πρέπει αφού αρχικοποιηθεί το περιφερειακό αυτό, να ενεργοποιηθεί η DMAλειτουργία που υποστηρίζει και να ρυθμιστεί κατάλληλα το κανάλι που θα αφιερωθεί στις DMAμεταφορές από και προς το περιφερειακό αυτό. Έστω τώρα ότι εκτελείται η παραπάνω διαδικασία και ο ADCμετατροπέας αρχίσει να λειτουργεί. Στο τέλος κάθε μετατροπής που πραγματοποιεί, το αποτέλεσμα μπορεί να μεταφέρεται απευθείας στην SRAMμέσω αποστολής αιτήσεων στο αφιερωμένο DMAκανάλι και έτσι δε θα χρειάζεται να χάνεται πολύτιμος χρόνος για να γίνει η προαναφερθείσα μεταφορά με πόρους της CPU. 91

103 4.6 Λειτουργία Thumb-2 {12} Ένα βασικό χαρακτηριστικό των επεξεργαστών STM 32 είναι η Thumb2 λειτουργία. Η λειτουργία αυτή αφορά στο σετ των εντολών που εκτελούνται από τον επεξεργαστή και είναι η εξέλιξη της λειτουργίας Thumb. Στη Thumb λειτουργία οι εντολές που εκτελούνται παρότι έχουν μέγεθος δεκαέξι (16) bits, είναι σχεδόν ισοδύναμες με ARM 32-bit εντολές. Αυτό, είναι εφικτό μέσω ενός ενσωματωμένου αποκωδικοποιητή εντολών, ο οποίος είναι επιφορτισμένος με το έργο της μετατροπής αυτής. Το πρόβλημα εδώ, είναι ότι παρότι οι εντολές είναι μικρότερες σε μέγεθος, έχουν περιορισμένη λειτουργικότητα και απόδοση σε σχέση με τις 32-bit ARM εντολές. Έτσι, εμφανίστηκε το σετ εντολών Thumb2, το οποίο συνδυάζει την λειτουργία Thumb με τον 32-bit ARM κώδικα, ώστε να επιτευχθεί πυκνότητα κώδικα ανάλογη του Thumb συνδυασμένη με την πλήρη λειτουργικότητα του 32-bit ARM κώδικα. Όπως γίνεται αντιληπτό, τα οφέλη από τη λειτουργία Thumb2 είναι πολλαπλά και αφορούν κυρίως στην εξοικονόμηση μνήμης και ενέργειας. Συγκεκριμένα, στην τεχνολογία Thumb2 χρησιμοποιείται μέχρι και τριάντα τοις εκατό (30%) λιγότερη μνήμη απ ότι στην τεχνολογία ARM, εμφανίζοντας την ίδια στιγμή μέχρι και τριάντα οχτώ τοις εκατό (38%) καλύτερη απόδοση από την τεχνολογία Thumb. Από τα παραπάνω γίνεται σαφές ότι ο πυρήνας Cortex είναι ιδανικός για ενσωματωμένα συστήματα όπου η διαθέσιμη ισχύς είναι κατά κανόνα περιορισμένη. 4.7 Μετατροπέας Αναλογικού Σήματος σε Ψηφιακό (ADC) {12} Η επόμενη γενικού σκοπού περιφερειακή συσκευή αφορά την μετατροπή αναλογικού σήματος σε ψηφιακό σήμα. Το STM32 περιλαμβάνει μέχρι δύο τέτοιες συσκευές ανάλογα με τις διαφορετικές παραλλαγές που υπάρχουν. Η ύπαρξη δύο τέτοιων περιφερειακών προσφέρει προηγμένες δυνατότητες στον προγραμματιστή. Η τροφοδοσία του ADCείναι ανεξάρτητη, ενώ η τάση αναφοράς είναι εσωτερικά συνδεδεμένη στην τροφοδοσία ή δίνεται η δυνατότητα εξωτερικής ρύθμισης από συγκεκριμένο pin. Η ψηφιακή έξοδος του μετατροπέα είναι μεγέθους δώδεκα (12) bitκαι η συχνότητα δειγματοληψίας φθάνει μέχρι το 1 MHz, δηλαδή ένα εκατομμύριο μετατροπές το δευτερόλεπτο. Τα κανάλια της συσκευής είναι δεκαοχτώ (18) στο σύνολο. Από τα κανάλια αυτά, τα δεκαέξι (16) είναι διαθέσιμα για τη μέτρηση εξωτερικών σημάτων, ένα άλλο είναι συνδεδεμένο στον εσωτερικό αισθητήρα θερμοκρασίας και το άλλο είναι συνδεδεμένο σε μία εσωτερική τάση αναφοράς. Παρακάτω δίδεται το σχηματικό διάγραμμα του A/Dμετατροπέα: 92

104 Εικόνα4.4: Σχηματικό διάγραμμα του μετατροπέα αναλογικoύ σήματος σε ψηφιακό (ADC) Μία πολύ σημαντική ιδιότητα που δίδεται από τον A/D μετατροπέα είναι το γεγονός ότι είναι δυνατό να προγραμματιστεί η συχνότητα δειγματοληψίας ξεχωριστά για κάθε κανάλι. Έτσι, υπάρχουν οχτώ (8) διαφορετικές τιμές χρόνου δειγματοληψίας στο διάστημα από ενάμιση (1.5) κύκλο ρολογιού μέχρι διακόσους τριάντα εννιά και μισό (239.5) κύκλους ρολογιού. Συνεχίζοντας την ανάλυση του ADC, θα αναφερθούμε στους δύο (2) βασικούς τρόπους που μπορεί αυτό το περιφερειακό να λειτουργήσει: Από την μία είναι η κανονική λειτουργία και η άλλη είναι η λειτουργία με παρεμβολή (injected). Στην κανονική λειτουργία δίνεται η δυνατότητα στον προγραμματιστή να καθορίσει ένα κανάλι ή μία ομάδα καναλιών τα δεδομένα των οποίων θα μετατρέπονται συνεχώς το ένα μετά το άλλο σε σχήμα κύκλου. Στην ομάδα αυτή των καναλιών μπορεί να ανήκουν μέχρι και δεκαέξι (16) διαφορετικά κανάλια. Αφού καθοριστεί η επιθυμητή σειρά με την οποία θα γίνονται οι μετατροπές από τη συσκευή μένει η σηματοδότηση της έναρξης λειτουργίας της συσκευής ώστε να ξεκινήσουν οι μετατροπές. Το έναυσμα μπορεί να δοθεί μέσω του προγράμματος (software), μέσω του υλικού (hardware), μέσω σήματος από χρονιστή ή από τη γραμμή νούμερο ένα (1) της Συσκευής Εξωτερικών Διακοπών (EXTI). Έτσι, μόλις κάποιο από τα προαναφερθέντα εναύσματα δοθεί, ξεκινάει η συσκευή να κάνει μετατροπές συνέχεια. Εναλλακτικά, υπάρχει και η δυνατότητα ασυνεχούς λειτουργίας στην οποία εμφανίζεται η εξής συμπεριφορά: Αφού δοθεί το έναυσμα και ξεκινήσουν οι μετατροπές, 93

105 μόλις τελειώσει η μετατροπή των δεδομένων όλων των καναλιών από μία φορά, ο ADC σταματάει και δεν θα ξανά ξεκινήσει μέχρις ότου δοθεί ένα νέο έναυσμα. Κάθε φορά που πραγματοποιείται μία κανονική μετατροπή, το αποτέλεσμα αποθηκεύεται σε ένα καταχωρητή και είναι δυνατό να παράγεται ταυτόχρονα μία αίτηση διακοπής ώστε να μπορεί να γίνει άμεσα η επεξεργασία των δεδομένων. Ο καταχωρητής αυτός έχει μέγεθος δεκαέξι (16) bits και τα δεδομένα προγραμματίζεται να στοιχηθούν δεξιά ή αριστερά, όπως φαίνεται στο παρακάτω σχήμα: Σχήμα 4.5: Τρόποι στοίχισης δεδομένων σε καταχωρητή 16 bits Τελειώνοντας με την κανονική λειτουργία, ο μετατροπέας ADCέχει ένα αφιερωμένο DMAκανάλι το οποίο μπορεί να χρησιμοποιηθεί για τη μεταφορά ακόμα και πολλών διαδοχικών αποτελεσμάτων μετατροπών σε διαδοχικές θέσεις στην κύρια μνήμη του συστήματος, ώστε να μπορούν να χρησιμοποιηθούν άμεσα από τον επεξεργαστή. Με αυτό τον τρόπο οι διαδικασίες επιταχύνονται αρκετά. Όσον αφορά την injectedλειτουργία, αυτή περιλαμβάνει μία ομάδα μέχρι τεσσάρων (4) καναλιών τα οποία μετατρέπονται από τον ADCμετά από σχετικό έναυσμα μέσω του προγράμματος ή του υλικού. Η διαφορά με πριν είναι ότι η injectedομάδα καναλιών έχει μεγαλύτερη προτεραιότητα στη μετατροπή, σχετικά με την κανονική ομάδα καναλιών. Με άλλα λόγια, αν εκτελούνται μετατροπές μίας κανονικής ομάδας και δοθεί το έναυσμα για έναρξη μετατροπών μίας injectedομάδας, τότε σταματάει η εξυπηρέτηση του κανονικού γκρουπ καναλιών και αρχίζει η μετατροπή των δεδομένων των καναλιών που ανήκουν στο injectedγκρουπ. Όταν τελειώσουν αυτές οι injectedμετατροπές, τότε συνεχίζει ο ADCτη μετατροπή των δεδομένων της ομάδας των κανονικών καναλιών. Όσον αφορά τους καταχωρητές που αφορούν στην injectedλειτουργία, αυτοί διαφέρουν από τους καταχωρητές που αφορούν στην κανονική λειτουργία, αφού σε κάθε κανάλι αντιστοιχεί ένας καταχωρητής δεδομένων και ένας καταχωρητής απόκλισης (offset). Στον καταχωρητή δεδομένων αποθηκεύεται το αποτέλεσμα της injectedμετατροπής, ενώ στον καταχωρητή απόκλισης αποθηκεύεται από τον προγραμματιστή μία τιμή η οποία αφαιρείται αυτόματα από το αποτέλεσμα της ADCμετατροπής δίνοντας έτσι τη δυνατότητα στο αποτέλεσμα να είναι αρνητικός αριθμός.όπως και στην κανονική λειτουργία, η στοίχιση των δεδομένων στον καταχωρητή όπου αποθηκεύονται μπορεί να είναι αριστερή ή δεξιά. 94

106 Εκτός από τους δύο περιγραφέντες διαφορετικούς τρόπους λειτουργίας, ένα άλλο στοιχείο άξιο αναφοράς είναι ο Αναλογικός Επιτηρητής(AnalogWatchdog) τάσης, του οποίου ο λόγος ύπαρξης είναι να προειδοποιεί για την υπερβολικά μεγάλη ή μικρή τάση στις ακίδες του ADCμετατροπέα, παράγοντας μία αίτηση διακοπής. Το ποια κανάλια θα είναι υπό επιτήρηση τάσης εξαρτάται από τον προγραμματισμό του Επιτηρητή, αλλά είναι δυνατό να είναι υπό επιτήρηση οι τάσεις μερικών ή και όλων των κανονικών ή injectedκαναλιών. Ο καθορισμός των δύο κατωφλίων, του άνω και του κάτω, γίνεται μέσω δύο συγκεκριμένων καταχωρητών στους οποίους ο προγραμματιστής αποθηκεύει την ανώτατη και την κατώτατη επιθυμητή τιμή τάσης. Εκτός των ορίων αυτών, ο επιτηρητής τάσης παράγει μία αίτηση διακοπής προς τη CPUγια να ληφθούν τα απαραίτητα μέτρα. Οι καταχωρητές που περιλαμβάνονται σε αυτή τη γενικού σκοπού περιφερειακή συσκευή χωρίζονται σε έξι (6) βασικές κατηγορίες: καταχωρητές ελέγχου και κατάστασης, καταχωρητές ελέγχου δειγματοληψίας, καταχωρητές ρύθμισης της απόκλισης, καταχωρητές ρύθμισης κατωφλίων για τον Επιτηρητή, καταχωρητές ρύθμισης αλληλουχίας μετατροπών και τέλος, καταχωρητές που αποθηκεύουν τα αποτελέσματα των μετατροπών. 4.8 Το Ολοκληρωμένο STM32F103RB {12} Η υψηλών αποδόσεων (performance line) οικογένεια ολοκληρωμένων κυκλωμάτων μεσαίας πυκνότητας STM32F103xx ενσωματώνει τον υψηλής απόδοσης πυρήνα ARM Cortex -M3 32-bit RISC που δουλεύει σε συχνότητα 72 MHz, υψηλής ταχύτητας ενσωματωμένες μνήμες (μνήμη Flash εώς 128 Kbytes και SRAM εώς 20 Kbytes), και ένα μεγάλο εύρος από βελτιωμένες συσκευές εισόδου/εξόδου και περιφερειακά συνδεδεμένα σε 2 APB διαύλους. Όλες οι συσκευές προσφέρουν δύο 12-bit ADCs, τρείς 16-bit χρονιστές γενικού σκοπού και ένα χρονιστή PWM, καθώς και συνήθεις αλλά και προηγμένες διεπαφές επικοινωνίας: έως δύο I2Cs και SPIs, τρία USARTs, μία USB και ένα CAN. Οι συσκευές δουλεύουν με τροφοδοσία από 2.0 εώς 3.6 V. Είναι διαθέσιμες και στο εύρος θερμοκρασίας από -40 εώς +85 C αλλά και στο διευρυμένο εύρος -40 εώς +105 C. Μια συλλογή από καταστάσεις λειτουργίας ελάχιστης κατανάλωσης ενέργειας επιτρέπουν το σχεδιασμό εφαρμογών χαμηλής κατανάλωσης. Η performance line οικογένεια ολοκληρωμένων κυκλωμάτων μεσαίας πυκνότητας STM32F103xx περιλαμβάνει συσκευές σε έξι διαφορετικούς τύπους πακέτων: από 36 pins εώς 100 pins. Ανάλογα με ποια συσκευή διαλέγουμε, περιλαμβάνονται διαφορετικά σετ από περιφερειακά. Εδώ παρατίθενται ορισμένα διαγράμματα που περιγράφουν πλήρως τη δομή και τις δυνατότητες της οικογένειας STM32F103xx. 95

107 Εικόνα 4.6: Χαρακτηριστικά και αριθμός περιφερειακών του μικροελεγκτή STM32F103RB 96

108 Εικόνα4.7: Το δομικό διάγραμμα του μικροελεγκτή STM32F103RB 97

109 Εικόνα4.8: Το δέντρο των ρολογιών του μικροελεγκτή STM32F103RB 98

110 Κεφάλαιο 5 Εργαλεία Ανάπτυξης Ενσωματωμένων Εφαρμογών 5.1 Εισαγωγικά Στοιχεία Η ευρύτατη χρήση στο παρελθόν των μικροεπεξεργαστών ARM7 και ARM9 έχει προκαλέσει την ύπαρξη ενός μεγάλου αριθμού από εργαλεία ανάπτυξης κώδικα που στοχεύουν στην τεχνολογία ARM. Έτσι, οι περισσότεροι φορείς που ανέπτυσσαν compilers, φρόντισαν να αναπτύξουν έναν compiler συμβατό με τα προϊόντα ARM. Εδώ είναι απαραίτητο να γίνει μία αναφορά στην έννοια του compiler, ο οποίος είναι κατά βάση ένα πρόγραμμα υπολογιστή, το οποίο χρησιμοποιείται για να μεταφράζει μία σειρά από εντολές που γράφονται σε κάποια γλώσσα προγραμματισμού σε μία άλλη γλώσσα αντιληπτή από κάποιον επεξεργαστή. Συνήθως, η γλώσσα προγραμματισμού που χρησιμοποιείται για τον προγραμματισμό ενός microcontroller είναι η C/C++ και αυτή μεταφράζεται από τον compiler σε μία γλώσσα που είναι αντιληπτή από τον επεξεργαστή που στοχεύει (π.χ. compiler για Cortex-M3). Όμως, όπως γράφηκε παραπάνω, ο επεξεργαστής Cortex- M3 που περιλαμβάνεται στο STM 32, υποστηρίζει μία νέα λειτουργία Thumb2, η οποία δεν υποστηριζόταν από τις προηγούμενες εκδόσεις των επεξεργαστών ARM. Αυτό σημαίνει ότι οι παλιότεροι compilers μπορεί να μην είναι απόλυτα συμβατοί με αυτή τη λειτουργία και έτσι υπάρχει η πιθανότητα μερικής (και όχι ολικής) εκμετάλλευσης των δυνατοτήτων του STM 32. Γι αυτό το λόγο έχουν βγει διάφορες επεκτάσεις στις παλιότερες εκδόσεις των compilers, ώστε να υποστηρίζουν πλήρως τον πυρήνα Cortex. Οι διάφοροι ARM compilers που συναντώνται είναι πολλοί. Μεταξύ τους, υπάρχουν αρκετές διαφορές δίνοντας έτσι τη δυνατότητα στους προγραμματιστές να επιλέξουν μεταξύ μίας ευρείας γκάμας προγραμμάτων ανάπτυξης κώδικα. Η κύρια διαφορά εντοπίζεται στη διεπαφή με το χρήστη, η οποία σε κάθε πρόγραμμα είναι πλήρως ικανοποιητική. Παρά τις διαφορές που εμφανίζονται από πρόγραμμα σε πρόγραμμα, οι εργασίες που επιτελούνται με αυτά καθώς και οι δυνατότητες που προσφέρονται είναι σε μεγάλο βαθμό ίδιες. Έτσι, υπάρχουν διαθέσιμοι compilers που διατίθενται από την IAR, την ARM και την Keil. Επίσης υπάρχουν και compilers που δεν έχουν εμπορική χρήση, δηλαδή διατίθενται δωρεάν και αυτοί είναι από την GCC/GNU και από την Eclipse. Στην συνέχεια, γίνεται μία μικρή περιγραφή των compilers που προαναφέρθηκαν. 99

111 5.1 Η Σουίτα Εφαρμογών μvision της Keil {17} Στην συνέχεια, γίνεται εκτενής αναφορά στο δημοφιλέστερο πακέτο ανάπτυξης ενσωματωμένων εφαρμογών, το Keil μvision IDE. Ο compiler που προσφερόταν από την ARM για τη μετάφραση κώδικα σε γλώσσα C για microcontrollers είναι ο ARM C Compiler (armcc), ο οποίος ήταν ενσωματωμένος στη σουίτα εφαρμογών ARM Real-View toolset. Μέσω αυτού είναι δυνατό να γραφούν εφαρμογές ARM σε γλώσσα C ή C++, οι οποίες όταν μεταφραστούν από τον compiler, θα έχουν την αποδοτικότητα και την ταχύτητα της γλώσσας μηχανής. Συγκεκριμένα, το σύνολο των προγραμμάτων που προσφέρονται από την ARM για τις εφαρμογές ARM καταφέρνουν να επιτύχουν την καλύτερη απόδοση από όλους τους άλλους compilers που στοχεύουν στην τεχνολογία ARM. Αυτό γίνεται εφικτό μέσω της υψηλής πυκνότητας κώδικα που καταλήγει σε παραγωγή μικρού μεγέθους εκτελέσιμου κώδικα. Αυτό συντελεί στη μειωμένη χρήση μνήμης και άλλα γνωστά πλεονεκτήματα που αυτό προσφέρει. Ο κώδικας που παράγεται από τον compiler είναι συμβατός και με τα τρία (3) σετ εντολών: ARM (32bit), Thumb (16bit), και Thumb2 (32/16 bit). Συγκεκριμένα είναι δυνατό να αναμιχθεί το ARM και το Thumb σετ εντολών ώστε να γίνει χρήση των πλεονεκτημάτων που προσφέρει το κάθε σετ εντολών, δηλαδή γρηγορότερη εκτέλεση του κώδικα και μικρότερο μέγεθος κώδικα κατ αντιστοιχία. Αρχικά, o compiler της ARM ήταν μέρος του πακέτου εφαρμογών ARM Real- View toolset, όμως στην συνέχεια ενσωματώθηκε στην σουίτα εφαρμογών Keil Microcontroller Development Kit (MDK-ARM) ή Keil μvision. Όπως γίνεται αντιληπτό το μvision στοχεύει κυρίως τις εφαρμογές ARM και λόγω των ιδιαίτερων χαρακτηριστικών που αναφέρθηκαν παραπάνω είναι μεταξύ των δημοφιλέστερων. Όπως αναφέρθηκε παραπάνω, στο πακέτο εφαρμογών Keil μvision IDE περιλαμβάνεται και ο compiler που αρχικά είχε αναπτυχθεί από την ίδια την ARM και στόχευε την ανάπτυξη ενσωματωμένων εφαρμογών με βάση τους επεξεργαστές της. Όμως, στη σουίτα αυτή περιλαμβάνονται και άλλα προγράμματα εκτός από τον compiler που μοναδικό έργο του είναι η μετάφραση του προγράμματος που αναπτύσσει ο προγραμματιστής σε κώδικα για να εκτελεστεί από τον επεξεργαστή. Έτσι, περιλαμβάνονται προγράμματα που δίνουν τη δυνατότητα επεξεργασίας του κώδικα που αναπτύσσεται και debugging του κώδικα αυτού μέσω και της προσομοίωσης της λειτουργίας πολλών περιφερειακών. Η διεπαφή με τον χρήστη παρουσιάζεται παρακάτω: 100

112 Σχήμα5.1: Στιγμιότυπο από το περιβάλλον του KeilμVision Βασικός άξονας λειτουργίας του ολοκληρωμένου αυτού περιβάλλοντος της Keil είναι τα project, τα οποία είναι ουσιαστικά μία σειρά από αρχεία και ρυθμίσεις που απαιτούνται για τη μετάφραση και την εκτέλεση ενός προγράμματος. Έτσι, κατά την εκκίνηση ανάπτυξης κάποιας εφαρμογής απαιτείται η δημιουργία ενός project. Η επιλογή του επεξεργαστή για τον οποίο προορίζεται ο κώδικας που θα γραφεί είναι το επόμενο βήμα και εκεί δίνεται μία ευρεία γκάμα από μικροεπεξεργαστές μέσα από την οποία επιλέγεται ο επιθυμητός. Η επιλογή αυτή γίνεται ώστε να ρυθμιστούν αυτόματα κάποιες παράμετροι σχετικές με τη μετάφραση του κώδικα. Αφού επιλεγεί ο επιθυμητός επεξεργαστής στη συνέχεια παράγεται αυτόματα ο Startup Code, δηλαδή ο κώδικας που εκτελείται μόλις ο επεξεργαστής ξεκινήσει τη λειτουργία του. Ο κώδικας αυτός εισάγεται απευθείας στο project, ενώ είναι δυνατόν για πιο πεπειραμένους χρήστες να αλλάξουν αυτόν τον κώδικα μέσω μίας ειδικής διεπαφής. Εκτός από τις ρυθμίσεις κατά την εκκίνηση ενός νέου project δίνεται η δυνατότητα μέσω του μvision να ρυθμιστούν διάφορες επιλογές, από τη συχνότητα του εξωτερικού ρολογιού που εξομοιώνεται ή το είδος των αρχείων που παράγονται, μέχρι τη συσκευή με την οποία θα γίνει το debugging. Οι επιλογές αυτές ρυθμίζονται μέσω του παρακάτω παραθύρου επιλογών, το οποίο όπως φαίνεται περιλαμβάνει διάφορες ετικέτες υπό τις οποίες βρίσκονται οι σχετικές ρυθμίσεις: 101

113 Εικόνα5.2: Ρυθμίσεις θέσεων μνήμης και ρολογιού στο μvision Έτσι, αφού γίνουν οι απαραίτητες ρυθμίσεις τότε το επόμενο βήμα είναι η δημιουργία αρχείων source που περιλαμβάνουν τον κώδικα που απαιτείται να τρέξει στον επεξεργαστή στα πλαίσια υλοποίησης μίας εφαρμογής. Η δημιουργία των αρχείων αυτών γίνεται μέσα από τον ενσωματωμένο επεξεργαστή κειμένου που έχει το μvision, ο οποίος βοηθά στην εύκολη ανάγνωση του προγράμματος μέσω διαφόρων χαρακτηριστικών του, όπως τη χρήση κειμένου διαφορετικού χρώματος για διαφορετικούς τύπους δεδομένων. Παρακάτω δίνεται ένα στιγμιότυπο του επεξεργαστή κειμένου του μvision: Εικόνα5.3: Στιγμιότυπο του επεξεργαστή κειμένου του μvision 102

114 Ο κώδικας που γράφεται στον επεξεργαστή κειμένου είναι σε γλώσσα C/C++ και για να παραχθεί ο εκτελέσιμος κώδικας απαιτείται μετάφραση των source αρχείων καθώς και σύνδεσή τους. Όλα αυτά γίνονται απλά με το πάτημα ενός κουμπιού. Έτσι, μόλις πατηθεί το κουμπί Build ξεκινά η διαδικασία της μετάφρασης, ενώ υπάρχει και ειδικό παράθυρο όπου απεικονίζεται η πρόοδος της διαδικασίας αυτής. Το παράθυρο αυτό που τιτλοφορείται Build Output έχει την παρακάτω μορφή, ενώ δεν λείπουν οι ειδοποιήσεις για τυχόν λάθη στον κώδικα: Εικόνα5.4: Το παράθυρο buildoutput του μvision Μετά από επιτυχή παραγωγή του εκτελέσιμου κώδικα υπάρχουν δύο (2) τρόποι να γίνει το debugging : είτε να κατεβεί ο κώδικας στο microcontroller για το οποίο προορίζεται και μέσω κάποιου από τα ειδικά εργαλεία που υπάρχουν να γίνει το debugging, είτε να ξεκινήσει η προσομοίωση λειτουργίας του microcontroller, μέσω των αναρίθμητων διεπαφών που περιλαμβάνει το μvision και προσομοιώνουν τη λειτουργία του microcontroller αλλά και των περισσότερων περιφερειακών συσκευών του. Κατά τη διαδικασία του debugging, το περιβάλλον εργασίας αλλάζει όψη και εμφανίζονται στο χρήστη διάφορα παράθυρα με απαραίτητες πληροφορίες σχετικά με τη διόρθωση του κώδικα που έχει αναπτυχθεί. Έτσι, ένα από αυτά τα παράθυρα περιέχει το source κώδικα, στον οποίο φαίνεται το ποια εντολή εκτελείται καθώς και τυχόν σφάλματα κατά την εκτέλεση των εντολών. Επίσης, υπάρχει και ένα παράθυρο, το disassembly window, στο οποίο απεικονίζεται η αντιστοιχία των υψηλού επιπέδου εντολών που εκτελούνται, με εντολές της γλώσσας assembly. Εκτός από αυτό, είναι δυνατόν ο χρήστης να δει και να ελέγξει απευθείας το περιεχόμενο κάποιας θέσης μνήμης, μέσω του memory window. Επιπλέον, μέσω του παράθυρου εντολών (command window) είναι δυνατή η απευθείας πληκτρολόγηση και εκτέλεση εντολών σε γλώσσα C, σε πραγματικό χρόνο. Επιπλέον, κατά την διάρκεια του debugging, δίνεται η δυνατότητα παρακολούθησης των τιμών των καταχωρητών του πυρήνα, μέσω ενός ειδικού παραθύρου, στο οποίο μάλιστα είναι δυνατό να παρέμβει ο χρήστης και να αλλάξει την τιμή κάποιου καταχωρητή. Επίσης, υπάρχει δυνατότητα ο χρήστης να επιλέξει οποιαδήποτε μεταβλητή του προγράμματος ή αντικείμενο δεδομένων, ώστε να προστεθεί στο watch window, ώστε να παρακολουθούνται οι αλλαγές στην τιμή τους, ενώ και εδώ είναι δυνατή η παρέμβαση του χρήστη όπου μπορεί να αλλάξει οποιαδήποτε τιμή κατά το δοκούν. Τα παραπάνω 103

115 συνοψίζονται στο στιγμιότυπο που ακολουθεί, όπου φαίνονται τα διαφορετικά παράθυρα που περιγράφηκαν: Εικόνα5.5: Σημαντικά εργαλεία από τη διαδικασία του debugging στο μvision Όσον αφορά την εκτέλεση του κώδικα της ενσωματωμένης εφαρμογής, εδώ προσφέρονται προηγμένες δυνατότητες που αφορούν στην έναρξη, στην παύση και στη μερική εκτέλεση του κώδικα. Η έναρξη εκτέλεσης του κώδικα, αφορά την εκτέλεση όλων των εντολών, μέχρι να συναντηθεί κάποιο σημείο παύσης (breakpoint), τα οποία θα αναφερθούν αργότερα. Η μερική εκτέλεση του κώδικα περιλαμβάνει επιλογές, όπως την εκτέλεση μίας μόνο εντολής (step), όπου έτσι ο χρήστης μπορεί να εξετάσει το αποτέλεσμα της εκτέλεσης αυτής. Εκτός από την εκτέλεση μίας μόνο εντολής υπάρχει και η δυνατότητα εξόδου από μία ρουτίνα (step out) και επιστροφή στην εκτέλεση του κυρίως προγράμματος ή η εκτέλεση του προγράμματος μέχρι το σημείο που βρίσκεται ο κέρσορας (Run to Cursor Line). Επίσης, ο 104

116 χρήστης μπορεί να προκαλέσει με το πάτημα ενός κουμπιού reset στο microcontroller και να συνεχίσει να εκτελείται ο κώδικας με τις νέες ρυθμίσεις που επιβλήθηκαν μετά το reset. Εκτός από τις παραπάνω δυνατότητες, το περιβάλλον μvision περιλαμβάνει και άλλες που διευκολύνουν τη διαδικασία του debugging. Βασικός άξονας είναι τα σημεία παύσης (breakpoints) τα οποία δίνουν τη δυνατότητα στον προγραμματιστή να ελέγξει τη ροή του προγράμματος. Τα breakpoints χρησιμοποιούνται είτε για να σταματάνε την εκτέλεση του προγράμματος σε κάποιο σημείο, είτε για την εκτέλεση κάποιας συνάρτησης του debugger. Η εισαγωγή ή η διαγραφή από το πρόγραμμα κάποιου breakpoint είναι απλή και μπορεί να γίνει και κατά τη συγγραφή του source κώδικα και κατά τη διάρκεια του debugging, μέσω του επεξεργαστή κειμένου. Εκτός από την εισαγωγή ή τη διαγραφή ενός breakpoint, υπάρχει και η επιλογή της προσωρινής απενεργοποίησής του. Οι διάφορες αυτές επιλογές των breakpoints ρυθμίζονται από το παράθυρο διαλόγου των breakpoints, ενώ εξ ορισμού, τα breakpoints που δημιουργούνται, αποθηκεύονται και αποκαθίστανται στις επόμενες διαδικασίες debugging. Όπως αναφέρθηκε και παραπάνω, τα breakpoints εκτός από τη διακοπή εκτέλεσης του κώδικα, χρησιμοποιούνται και για την εκτέλεση συναρτήσεων του debugger. Οι συναρτήσεις αυτές κατασκευάζονται από το χρήστη και συνήθως αφορούν την προσομοίωση της συμπεριφοράς κάποιων εξωτερικών συσκευών που χρησιμοποιούνται ως είσοδοι στο σύστημα. Για παράδειγμα, υπάρχει η δυνατότητα να κατασκευαστεί μία συνάρτηση που να προσομοιώνει ένα ημιτονοειδές σήμα ως είσοδο στο μετατροπέα A/D. Τα παραπάνω χαρακτηριστικά του μvision debugger, περιλαμβάνονται στους περισσότερους debuggers. Αυτό που κάνει την πλατφόρμα ανάπτυξης ενσωματωμένων εφαρμογών μvision ξεχωριστή, είναι η σχεδόν ακριβής προσομοίωση που μπορεί να προσφέρει, βοηθώντας έτσι στο debugging ενός κώδικα και στην εξαγωγή χρήσιμων συμπερασμάτων σχετικά με τη λειτουργία ενός microcontroller, χωρίς να τρέξει ο κώδικας στον microcontroller. Έτσι, είναι δυνατή η προσομοίωση εκτέλεσης ενός κώδικα μίας εφαρμογής και παράλληλα ο έλεγχος των τιμών των καταχωρητών του πυρήνα, ώστε να μελετηθεί η συνολική λειτουργία του κώδικα. Εκτός από αυτό, προσομοιώνεται και η λειτουργία των διακοπών μέσω μίας ειδικής διεπαφής, με την οποία ο χρήστης μπορεί να ελέγξει την πρόκληση και την εξυπηρέτηση των διακοπών, όπως ακριβώς θα συνέβαινε στο πραγματικό σύστημα. Στην περίπτωση του STM 32, το μvision περιλαμβάνει μία διεπαφή που προσομοιώνει τη λειτουργία και τους καταχωρητές που περιλαμβάνονται στον ενσωματωμένο ελεγκτή διακοπών (NVIC), δίνοντας έτσι τη δυνατότητα διαδραστικής ενεργοποίησης και απενεργοποίησης διακοπών και αλλαγής της προτεραιότητας των διακοπών: 105

117 Εικόνα 5.6: Παράθυρο ρυθμίσεων στους καταχωρητές του NVIC στο μvision Όσον αφορά στην προσομοίωση περιφερειακών συσκευών, παρέχεται από το μvision μία πληθώρα από τέτοιες. Από τις γενικού σκοπού περιφερειακές συσκευές, υπάρχει η διεπαφή που προσομοιώνει τον A/D μετατροπέα με τους καταχωρητές και τις εισόδους του εμφανείς και με δυνατότητα αλλαγών σε πραγματικό χρόνο. Αλλαγές στους καταχωρητές και στις εισόδους της περιφερειακής αυτής συσκευής που προσομοιώνεται, γίνονται είτε μέσω της διαδραστικής διεπαφής, είτε μέσω του παραθύρου εντολών (command window). Οι ίδιες περίπου δυνατότητες ελέγχου και παρέμβασης στη λειτουργία του, δίδονται και από την διεπαφή που προσομοιώνει την περιφερειακή συσκευή του μετατροπέα D/A. Μία άλλη περιφερειακή συσκευή για την οποία το μvision περιλαμβάνει ειδική διεπαφή προσομοίωσης είναι οι θύρες εισόδου/ εξόδου γενικού σκοπού (GPIO). Για κάθε μία από τις πέντε (5)θύρες που περιλαμβάνει το STM 32 υπάρχει ένα παράθυρο διαλόγου, στο οποίο φαίνονται οι ρυθμίσεις που σχετίζονται με τη λειτουργία της θύρας αυτής, στις οποίες μπορεί να παρέμβει ο χρήστης σε πραγματικό χρόνο. Στη συνέχεια, δίδεται ένα στιγμιότυπο της διεπαφής που χρησιμοποιείται για την προσομοίωση μίας θύρας εισόδου/ εξόδου γενικού σκοπού: 106

118 Εικόνα 5.7: Παράθυρο ρυθμίσεων της θύρας GPIO στο μvision Εκτός από τους μετατροπείς A/D, D/A και τις θύρες GPIO, προσομοιώνεται και η λειτουργία των τεσσάρων (4) μονάδων χρονιστών (timers) του συστήματος. Για κάθε μία μονάδα, παρέχεται ειδικό παράθυρο διαλόγου στο οποίο φαίνονται οι ρυθμίσεις που έχουν γίνει και αφορούν στη συνολική λειτουργία του timer καθώς και η τιμή που έχει ο μετρητής του. Τα παραπάνω, μπορεί να αλλάξουν από το χρήστη σε πραγματικό χρόνο. Επιπλέον, υπάρχει και μία διεπαφή με την οποία προσομοιώνεται η λειτουργία του ανεξάρτητου επιτηρητή (IWDG) και του επιτηρητή παραθύρου (WWDG). Όσον αφορά στις επικοινωνιακού σκοπού περιφερειακές συσκευές, παρέχεται από το μvision, διεπαφή για την προσομοίωση της λειτουργίας τους και των καταχωρητών που περιλαμβάνονται στη θύρα USART. Εκτός, όμως από αυτό, υπάρχει και το serial window στο οποίο παρουσιάζεται η εικονική μετακίνηση των δεδομένων. Αυτό σημαίνει ότι αν μεταδοθεί από τον microcontroller εικονικά κάποιος χαρακτήρας μέσω της USART, αυτός ο χαρακτήρας θα εμφανιστεί στο serial window για να επιβεβαιωθεί έτσι η σωστή λειτουργία της θύρας. Αντίστροφα, μέσω του serial window είναι δυνατή η εικονική αποστολή κάποιου χαρακτήρα στο microcontroller μέσω της USART. Παρακάτω, φαίνεται ένα στιγμιότυπο της διεπαφής που αφορά σε μία θύρα USART του STM 32: 107

119 Εικόνα 5.8: Παράθυρο ρυθμίσεων της θύρας USART στο μvision Τέλος, εκτός από το περιφερειακό USART, το μvision παρέχει διεπαφές για την προσομοίωση των δύο (2) περιφερειακών SPI, τα οποία είναι δυνατό να προσομοιώσουν πλήρως αμφίπλευρη επικοινωνία μεταξύ ολοκληρωμένων κυκλωμάτων. Επίσης, προσομοιώνονται οι δύο (2) ελεγκτές CAN που περιέχει το STM 32, οι οποίοι είναι υπεύθυνοι για τη διεκπεραίωση της επικοινωνίας δύο (ή περισσότερων) microcontrollers καθώς και οι διεπαφές I2C μέσω των οποίων ρυθμίζεται η επικοινωνία του microcontroller με άλλα ολοκληρωμένα κυκλώματα. Εκτός από την παρακολούθηση της ροής του προγράμματος και τον έλεγχο της επιτυχούς εκτέλεσης των εντολών του κώδικα, το μvision της Keil περιλαμβάνει και εργαλεία για την παρακολούθηση της απόδοσης του κώδικα που εκτελείται, δίνοντας έτσι τη δυνατότητα στο χρήστη να βελτιστοποιήσει αυτή την απόδοση. Τα εργαλεία αυτά είναι η εικονική συσκευή ανάλυσης της απόδοσης (performance analyzer) και η εικονική συσκευή ανάλυσης της λογικής (logic analyzer). Ο performance analyzer χρησιμοποιείται για τη ρύθμιση ενός κώδικα ώστε να επιτευχθεί μέγιστη απόδοση. Έτσι, αφού καθοριστούν τα κομμάτια του κώδικα που χρίζουν ανάλυσης, η συσκευή ανάλυσης της απόδοσης συγκεντρώνει πληροφορίες σχετικές με τα κομμάτια αυτά και αφότου ολοκληρωθεί η εκτέλεση παρουσιάζει πληροφορίες σχετικές με την απόδοση, όπως π.χ. το χρόνο που δαπανήθηκε για την εκτέλεση του επιλεχθέντος κομματιού κώδικα ή το πόσες φορές εκτελέστηκε ένα κομμάτι κώδικα. Έτσι, με τα στοιχεία αυτά μπορεί ο χρήστης να επιλέξει μεταξύ δύο πιθανών υλοποιήσεων την αποδοτικότερη ή να διορθώσει τυχόν μη αποδοτικά κομμάτια κώδικα. 108

120 Εικόνα 5.9: Στιγμιότυπο του PerformanceAnalyzer στο μvision Ο logic analyzer χρησιμοποιείται ως μία γραφική μέθοδος απεικόνισης της τιμής κάποιων μεταβλητών. Έτσι, αφού επιλέξει ο χρήστης τις μεταβλητές που υφίστανται την παρακολούθηση,σχεδιάζεται για κάθε μία η γραφική παράσταση της τιμής της στο χρόνο. Επίσης, υπάρχει η δυνατότητα απευθείας σύνδεσης των γραφικών παραστάσεων με το πρόγραμμα, αφού με ειδική επιλογή μπορεί ο χρήστης να βλέπει ποια εντολή του προγράμματος ευθύνεται για την αλλαγή τιμής σε κάποια μεταβλητή. Τέλος, υπάρχει και η επιλογή αποθήκευσης της γραφικής παράστασης κάποιας μεταβλητής ώστε να εξαχθούν τα δεδομένα και έτσι να είναι δυνατή η ανάλυση από κάποιο άλλο εξωτερικό εργαλείο. Εικόνα 5.10: Στιγμιότυπο του LogicAnalyzer στο μvision 109

121 Κεφάλαιο 6 Υλοποίηση Συστήματος Αναγνώρισης Φωνηέντων 6.1 Στόχος τηςυλοποίησης Ο μικροεπεξεργαστής ο οποίος επιλέχθηκε για την ολοκλήρωση της εργασίας, ήταν ο μικροελεγκτής STM32F103RB της ST Microelectronics, ο οποίος πληρούσε όλες τις προδιαγραφές όπως υπολογιστική ισχύ, πληρότητα περιφερειακών αλλά και κόστος υλικών. Το λογισμικό που επιλέχθηκε ήταν η σουίτα εφαρμογών μvision της Keil και η γλώσσα προγραμματισμού ήταν η C. Ο στόχος είναι η υλοποίηση εφαρμογής η οποία θα δέχεται ως αναλογική είσοδο ηχητικό σήμα και θα προσδιορίζει τις τρεις πρώτες συχνότητες συντονισμού της φωνητικής κοιλότητας (F1, F2, F3). 6.2 Αλγόριθμος Υλοποίησης Συστήματος Εκτίμησης Συχνοτήτων Συντονισμού της Φωνητικής Κοιλότητας Ο αλγόριθμος της υλοποίησης που επιχειρείται σε αυτή την διπλωματική εργασία περιλαμβάνει έξι (6) στάδια τα οποία φαίνονται στην Εικόνα 6.1. Το πρώτο βήμα (1) είναι η επιλογή του σήματος εισόδου. Ως σήμα εισόδου δίνουμε τιμές σε μέσω αρχείου.iniστον debugger, οι οποίες έχουν προκύψει από δειγματοληψία σε σήμα ομιλίας τύπουαπό αρχεία τύπου.wav με τη βοήθεια της εφαρμογής Matlab και η εφαρμογή μας τα αντιμετωπίζει ως αναλογική είσοδο. Το δεύτερο βήμα (2)είναι μετατροπή της υποτιθέμενης αναλογικής εισόδου σε ψηφιακή μέσω της μονάδας Μετατροπής Αναλογικού Σήματος σε Ψηφιακό. Οι τιμές που λαμβάνουμε, ως έξοδο της μετατροπής είναι θετικοί ακέραιοι κβαντισμένοι αριθμοί, οι οποίοι αντιστοιχούν σε δεκαδικές τιμές της εισόδου. Το τρίτο βήμα (3)είναι η εφαρμογή παραθύρου στις τιμές που προέκυψαν από την μετατροπή του ADC, αφού αυτές πρώτα μετραπούν στις αντίστοιχες δεκαδικές τιμές της εισόδου. Τα παράθυρα που δοκιμάστηκαν είναι: ορθογώνιο παράθυρο(δηλαδή οι δεκαδικές τιμές χωρίς άλλη επεξεργασία) και παράθυρο Hanning. Το τέταρτο βήμα (4)είναι ο μετασχηματισμός Fourierτου παραθύρου του προηγούμενου βήματος, ο οποίος θα μας δώσει το φάσμα συχνοτήτων του παραθύρου. Οι αλγόριθμοι που χρησιμοποιήθηκαν είναι: μία απλή μορφή FFTχωρίς ιδιαίτερες βελτιστοποιήσεις και ο 110

122 αλγόριθμος FFTπου δίνεται από την DSP-LibraryCMSISτης ARM. Οι δύο αλγόριθμοι διαφέρουν πολύ σε ταχύτητα, επομένως παρουσιάζεται σύγκριση των χρόνων εκτέλεσής τους για διάφορα μεγέθη παραθύρων. Το πέμπτο βήμα (5)είναι η εφαρμογή κατωδιαβατού φίλτρου στο φάσμα συχνοτήτων το οποίο ελαττώνει την ανάλυση εμφάνισης των συχνοτήτων, ωστόσο, εξομαλύνει το φάσμα συχνοτήτων διευκολύνοντας την επιλογή των κορυφών, οι οποίες αντιστοιχούν στους συντονισμούς της φωνητικής κοιλότητας. Γίνεται εφαρμογή φίλτρωνπεπερασμένης κρουστικής απόκρισης τύπου παραθύρου Hamming διαφορετικών συχνοτήτων αποκοπής και διαφορετικής τάξεως των οποίων τα αποτελέσματα συγκρίνονται παρακάτω. Η υλοποίηση εφαρμογής του φίλτρου γίνεται με δύο τρόπους: με αλγόριθμο χωρίς ιδιαίτερες βελτιστοποιήσεις και με τον αλγόριθμο που δίνεται με από την DSP-LibraryCMSISτης ARM. Επίσης, έγινε υλοποίηση με εφαρμογή και δεύτερου κατωδιαβατού φίλτρου ίδιων συντελεστών σε αντίστροφη φορά για την αντιστάθμιση της χρονικής καθυστέρησης που εισάγει το φίλτρο. Το έκτο βήμα (6) είναι η εφαρμογή απλού αλγορίθμου επιλογής τριών κορυφών, οι οποίες αντιστοιχούν στους τρεις πρώτους συντονισμούς της φωνητικής κοιλότητας (F1, F2, F3), από το φάσμα συχνοτήτων σε αναμενόμενες περιοχές του φάσματος. Εικόνα 6.1: Αλγόριθμος υλοποίησης εύρεσης συχνοτήτων συντονισμού 6.3 Δοκιμαστικές Είσοδοι Σαν δοκιμαστικές είσοδοι κατασκευάστηκαναρχικά μία είσοδος τριγωνικής μορφής για τον έλεγχο σωστής ρύθμισης της συχνότητας δειγματοληψίας του ADC, μία είσοδος ημιτόνου για τον έλεγχο της σωστής λειτουργίας του μετασχηματισμού Fourier (FFT), μία είσοδος συμβολής δύο ημιτόνων ένα χαμηλής και ένα υψηλής συχνότητας για τον έλεγχο της σωστής λειτουργίας του κατωδιαβατού φίλτρου και τέλος μία είσοδος συμβολής τριών ημιτόνων διαφορετικών συχνοτήτων μαζί με θόρυβο. 6.4 Βασικές Ρυθμίσεις του Μικροελεγκτή Αρχικοποίηση Συχνοτήτων Λειτουργίας Ώς συχνότητα λειτουργίας της κεντρικής μονάδας επεξεργασίας (CPU) ορίζουμετη μέγιστη δυνατή του συστήματος Οι συχνότητες που μας ενδιαφέρουν στην εκτίμηση των 111

123 συντoνισμών της φωητικής κοιλότητας,όπως αναφέρεται και στην παράγραφο 3.1, είναι αυτές κάτω του ορίου των Επομένως, η συχνότητα δειγματοληψίας που θα επιλέξουμε πρέπει να είναι τουλάχιστον 8000, συχνότητα η οποία πληροί την προυπόθεση του θεωρήματος Nyquist ( όπου είναι η μέγιστη συχνότητα για την οποία δεν έχουμε aliasing). Η συχνότητα που επιλέγουμε με τους διαιρέτες συχνότητας που περιγράφονται στην Εικόνα 4.8 είναι. Θέτοντας το μέγεθος του bufferσε ένα (1) μπορούμε να εμφανίσουμε στον logicanalyzer (Εικόνα 6.2)τις διαδοχικές τιμές που μας δίνει ο ADC καθώς και να μετρήσουμε την πραγματική συχνότητα δειγματοληψίας, η οποία δίνεται ως.επομένως η συχνότητα δειγματοληψίας έχει τεθεί σωστά καθώς η τιμή είναι πολύ κοντινή με τη θεωρητική. Εικόνα 6.2: Υπολογισμός χρόνου μεταξύ δύο διαδοχικών τιμών του ADC Αρχικοποίηση Βασικών Μονάδων του Μικροελεγκτή Hείσοδος του αναλογικού σήματος μετατρέπεται σε ψηφιακό σήμα μέσω του Μετατροπέα Αναλογικού σήματος σε Ψηφιακό (ADC). Με την ολοκλήρωση της μετατροπής ενεργοποιείται η μονάδα Άμεσης Προσπέλασης Μνήμης η οποία λαμβάνει τα δεδομένα του ADCκαι τα μεταφέρει σε καθορισμένη θέση μνήμης της SRAM. Oκαθορισμένος χώρος στην SRAMδεσμεύεται με τον ορισμό πίνακα για την χρήση του ως bufferδεδομένων. Τα δεδομένα αποθηκεύονται στον bufferκυκλικά, δηλαδή μόλις γεμίσει, το επόμενο δεδομένο γράφεται στην πρώτη θέση του buffer. Toμέγεθος του bufferεπιλέγεται το διπλάσιο από το επιθυμητό μήκος παραθύρου που θα εφαρμόσουμε στην ανάλυσή μας. Όταν ο bufferγεμίσει τα μισά πρώτα στοιχεία του, όταν δηλαδή έχουμε τον αριθμό δειγμάτων του επιλεγμένου παραθύρου αποθηκευμένα στη μνήμη, ενεργοποιείται διακοπήστην οποία εκτελείται η επεξεργασία του σήματος. Επίσης, διακοπή, που οδηγεί στην ίδια ρουτίνα εξυπηρέτησης διακοπής (IRQ), ενεργοποιείται και με τη συμπλήρωση ολόκληρου του buffer. Oλόγος για τον οποίο επιλέγουμε αυτόν τον τρόπο ενεργοποίησης των διακοπών είναι ότι η διαδικασία δειγματοληψίας και αποθήκευσης των δειγμάτων στον bufferείναι ανεξάρτητη της κεντρικής μονάδας επεξεργασίας (CPU) του Cortex-M3, δηλαδή εκτελούνται παράλληλα. Επομένως, εφόσον ο χρόνος εξυπηρέτησης της ρουτίνας 112

124 διακοπών είναι μικρότερος από το χρόνο που απαιτείται για να γεμίσει ο μισόςbuffer, επιτυγχάνουμε να έχουμε ακέραια τα δεδομένα εισόδου καθόλη τη διάρκεια επεξεργασίας του παραθύρου. Σε αντίθετη περίπτωση, η κυκλική λειτουργία αποθήκευσης δεδομένων στον bufferθα αλλοιώνει τα ζητούμενα δείγματα από τη ρουτίνα επεξεργασίας του παραθύρου, αποθηκεύοντας στη θέση τους νέα δείγματα του σήματος εισόδου. Εικόνα 6.3: Παράδειγμα δειγματοληψίας σήματος συμβολής δύο ημιτόνων 6.5 Εφαρμογή Παραθύρου Για την απομόνωση του κομματιού, το οποίο θα υποστεί επεξεργασία, από το σήμα εισόδου εφαρμόστηκαν τα εξής παράθυρα: Oρθογώνιο και Hann. Για είσοδο ενός ημιτόνου: 113

125 Εικόνα 6.4: Εφαρμογή ορθογωνίου παραθύρου Βλέπουμε πως η έξοδος του ορθογωνίου παραθύρου είναι το δηγματοληπτούμενο ημίτονο. Εικόνα 6.5: Εφαρμογή παραθύρου Hann Το παράθυρο Hann ελαττώνει το πλάτος του δειγματοληπτούμενου σήματος σύμφωνα με τον τύπο: (6.1) Όπου είναι το μήκος του παραθύρου. Η εφαρμογή παραθύρου Hannελαττώνει το φαινόμενο της διαρροής ενέργειας σε γειτονικές συχνότητες, όταν μεταβούμε στο πεδίο της συχνότητας. 6.6 Ανάλυση Φάσματος Συχνοτήτων Εφόσον τα δείγματα του επιλεγμένου παραθύρου γεμίσουν τον μισό buffer, γεννάται αίτημα εξυπηρέτησης διακοπής. Η ρουτίνα διακοπής που περιλαμβάνει τον κώδικα ψηφιακής επεξεργασίας του σήματος του παραθύρου. Η μέθοδος που επιλέχθηκε για την 114

126 ανάλυση του σήματος ομιλίας είναι η βραχύχρονη ανάλυση Fourier όπως αυτή περιγράφηκε στο κεφάλαιο Αλγόριθμος Mετασχηματισμού Fourier Για την εύρεση των αρμονικών του σήματος εισόδουπρέπει να εφαρμοστεί στο παράθυρο ο γρήγορος μετασχηματισμός Fourier.Για την επίτευξη ικανοποιητικού αποτελέσματος δοκιμάστηκαν δύο διαφορετικές ρουτίνες. Η πρώτη ρουτίνα παρέχει σαφήνεια ως προς την υλοποίηση του γρήγορου μετασχηματισμού Fourier (FFT). Αν και αποτελεί βελτίωση ως προς την ταχύτητα υπολογισμού από τον διακριτό μετασχηματισμό Fourier (DFT) δεν είναι σε καμία περίπτωση βελτιστοποιημένη. Πρόκειται για μια υλοποίηση μετασχηματισμού FFTβάσης- 2 με αποδεκατισμό στον χρόνο. Υπολογίζει τον διακριτό μετασχηματισμό Fourierμιγαδικών εισόδων, ως έξοδο δίνει τις μιγαδικές τιμές του μετασχηματισμού σε δύο διαφορετικούς πίνακες, έναν για τις πραγματικές και έναν για τις φανταστικές τιμές. Για εφαρμογή σε παράθυρο Nδειγμάτων (όπου Ν είναι δύναμη του 2) το μέτρο του i-οστού μιγαδικού αριθμού της εξόδου δίνει την ένταση που αντιστοιχεί σε συχνότητα ίση με. Μετά τις αρχικοποιήσεις μεταβλητών το πρόγραμμα πραγματοποιεί την απαραίτητη αντιστροφή των bitόπως έχει περιγραφεί στο κεφάλαιο 3. Εικόνα 6.5: Αναστροφήbit Ύστερα πραγματοποιεί τον μετασχηματισμό FFTσε στάδια. Αποτελείται από τρεις βρόχους επαναλήψεων. 115

127 Εικόνα 6.6: Αλγόριθμος FFTβάση-2 αποδεκατισμού στο χρόνογια σήμα 8 δειγμάτων Ο εξωτερικός βρόχος αφορά τη μετάβαση από στήλη σε στήλη της Εικόνας 6.2. Ο μεσαίος βρόχος αφορά τη μετάβαση από τους σχηματισμούς πεταλούδας με έναν κοινό twiddlefactorστους σχηματισμούς πεταλούδας με έναν άλλο κοινό twiddlefactor, για κάθε επίπεδο. Ο εσωτερικός βρόχος μεταβαίνει από τον ένα σχηματισμό πεταλούδας στον επόμενο, για κάθε ομάδα σχηματισμών πεταλούδας (με κοινό twiddlefactor) σε κάθε επίπεδο. Αυτή η σειρά επαναλήψεων ελαχιστοποιεί τον αριθμό υπολογισμών των twiddlefactors. Oκώδικας του αλγορίθμου βρίσκεται στο παράρτημα. Ο αλγόριθμος αυτός υλοποιήθηκε με τις προαναφερθείσες ρυθμίσεις του μικροελεγκτή. Παρακάτω φαίνονται οι χρόνοι εκτέλεσης του αλγορίθμου για FFT διαφόρων μεγεθών. Πίνακας 1 Μήκος FFT Χρόνος εκτέλεσης (μs) Αριθμός ADCμετατροπών* * Αριθμός ADC μετατροπών που προλαβαίνουν να γίνουν στον χρόνο εκτέλεσης του FFT,μία μετατροπή ADCαπαιτεί, (με ). Όπως φαίνεται από τον πίνακα, ο μη βελτιστοποιημένος αλγόριθμος που χρησιμοποιήσαμε, για κάθε μήκος μετασχηματιμού που δοκιμάστηκε, απαιτεί χρόνο μέσα στον οποίον ο ADCπρολαβαίνει να γεμίσει τον bufferμε περισσότερα δείγματα από το μήκος του παραθύρου που έχουμε θέσει, γεγονός το οποίο δεν είναι αποδεκτό, καθώς οδηγεί σε χρήση δεδομένων του bufferτα οποία θα είναι συνδυασμός διαφορετικών παραθύρων. 116

128 Η δεύτερη ρουτίνα είναι η προτεινόμενη βελτιστοποιημένη υλοποίηση του μετασχηματισμού FFT, η οποία παρέχεται από την ARMμέσω της βιβλιοθήκης ψηφιακής επεξεργασίας σημάτων του CMSIS (Cortex Microcontroller Software Interface Standard). Στον παρακάτω πίνακα δίνονται οι οι χρόνοι εκτέλεσής της για μετασχηματισμούς FFTδιαφόρων μεγεθών. Πίνακας 2 Μήκος FFT Χρόνος εκτέλεσης (μs) Αριθμός ADC μετατροπών* * Αριθμός ADC μετατροπών που προλαβαίνουν να γίνουν στον χρόνο εκτέλεσης του FFT, μία μετατροπή ADC απαιτεί, (με ). Ο χρόνος εκτέλεσης σε αυτήν την περίπτωση βλέπουμε πως είναι πολύ μικρότερος και η ρουτίνα μπορεί να χρησιμοποιηθεί για τους σκοπούς της ανάλυσής μας. Το μέγεθος της διαφοράς των δύο αλγορίθμων φαίνεται στην γραφική παράσταση που ακολουθεί Χρόνος Εκτέλεσης FFT Αλγορίθμων σε μs FFT CMSIS Απλός FFT Εικόνα 6.7: Σύγκριση χρόνου εκτέλεσης των δύο εξεταζόμενων αλγορίθμων γρήγορου μετασχηματισμού Fourier 117

129 6.6.2 Επίδραση Παραθύρου στον Μετασχηματισμό Fourier Παρακάτω παρατίθενται τα αποτελέσματα του Γρήγορου Μετασχηματισμού Fourierγια την εφαρμογή Εικόνα 6.8: Αποτέλεσμα FFT για εισόδους ενός και δύο ημιτόνων για ορθογώνιο παράθυρο. 118

130 Εικόνα 6.9: Αποτέλεσμα FFT για εισόδους ενός και δύο ημιτόνων για παράθυροhann. Όπως φαίνεται από τις παραπάνω εικόνες το παράθυρο Hannπροκαλείαύξηση του εύρους του κύριου λοβού του μετασχηματισμού Fourier, όμως ελαττώνει αισθητά το πλάτος των πλαϊνών λοβών, μετριάζοντας με τον τρόπο αυτόν την επίδραση της διαχύσεως ( leakage )προς τις γειτονικές συχνότητες. 6.7 Εφαρμογή Κατωδιαβατού Φίλτρου Το φάσμα της συχνότητας του σήματος ομιλίας εμφανίζει συντονισμό σε κάποιες συγκεκριμένες συχνότητες οι οποίες μας δίνουν την πληροφορία για το νόημα της ομιλίας, ωστόσο, περιέχει πολλές αρμονικές οι οποίες δυσχεραίνουν τον εντοπισμό των επιθυμητών συντονισμών. Ένα παράδειγμα δίνεται παρακάτω. Εικόνα 6.10: Μετασχηματισμός Fourierσήματος ομιλίας Στα πλαίσια αυτής της διπλωματικής εργασίας επιθυμούμε τον εντοπισμό των τριών πρώτων συντονισμών συχνοτήτων. Επομένως, θα γίνει εφαρμογή κατωδιαβατού φίλτρου το οποίο θα αποκόψει τις υψηλές συχνότητες, εξομαλύνοντας το φάσμα έως ότου καταλήξουμε σε τρείς ευδιάκριτες κορυφές. 119

131 Εικόνα 6.11: Κατωδιαβατό FIRφίλτρο διακριτού χρόνου Η συνάρτηση κατωδιαβατού φίλτρου που εφαρμόζουμε στο πεδίο του χρόνου είναι η εξής: (6.2) Η εξίσωση 6.1 αποτελεί την εφαρμογή της συνάρτησης sincμε τη μορφή των συντελεστών, της οποίας ο μετασχηματισμός Fourierμας δίνει την ιδανική απόκριση συχνότητας φίλτρου αποκοπής συχνοτήτων. Για τον ίδιο λόγο που εφαρμόζουμε παράθυρο στο αρχικό μας σήμα, θα εφαρμόσουμε και στην συνάρτηση sincπου θα χρησιμοποιήσουμε, αποφεύγοντας την απότομη αποκοπή της κυματομορφής, όπως φαίνεται στην Εικόνα 6.## c. 120

132 Εικόνα 6.12: Εφαρμογή παραθύρου σε κατωδιαβατό φίλτρο Τους συντελεστές που θα χρησιμοποιήσουμε τον λαμβάνουμε με τη βοήθεια της εφαρμογής Matlab, μέσω του εργαλείου Open Filter Design and Analysis Tool. 121

133 Εικόνα 6.13: Σχεδιασμός κατωδιαβατού FIRφίλτρου στο Matlab Οι ρουτίνες που χρησιμοποιήθηκαν ήταν δύο και αφορούσαν την υλοποίηση φίλτρων 30οστής τάξεως: Η πρώτηαποτελεί τον πολλαπλασιασμό των κατάλληλων τιμών με τους συντελεστές του φίλτρου, βελτιστοποιημένη ελαττώνοντας τους πολλαπλασιασμούς από εκμεταλλευόμενοι την συμμετρία των συντελεστών του φίλτρου. σε Πίνακας 3 Μήκος Παραθύρου Χρόνος εκτέλεσης υπολογισμών φίλτρου (μs) Αριθμός ADCμετατροπών* * Αριθμός ADC μετατροπών που προλαβαίνουν να γίνουν στον χρόνο εκτέλεσης του FFT,μία μετατροπή ADCαπαιτεί, (με ). 122

134 Η δεύτερη ήταν η ρουτίνα FIRφίλτρων της βιβλιοθήκης DSP-CMSIS της ARM, η οποία όπως φαίνεται στην σύγκριση ταχύτητας εκτέλεσης για τις δύο ρουτίνες, είναι πιο αργή για την συγκεκριμένη εφαρμογή. Πίνακας 4 Μήκος Παραθύρου Χρόνος εκτέλεσης υπολογισμών φίλτρου (μs) Αριθμός ADCμετατροπών* * Αριθμός ADC μετατροπών που προλαβαίνουν να γίνουν στον χρόνο εκτέλεσης του FFT,μία μετατροπή ADCαπαιτεί, (με ) Χρόνος Εκτέλεσης Κατωδιαβατών Φίλτρων σε μs Βελτιστοποιημένη Εφαρμογή Φίλτρου Φίλτρο CMSIS Εικόνα 6.14: Σύγκριση χρόνου εκτέλεσης των δύο εξεταζόμενων αλγορίθμωνκατωδιαβατού φίλτρου Για τον έλεγχο της ορθής λειτουργίας και των δύο φίλτρων εφαρμόσαμε τους παραπάνω αλγορίθμους στο πεδίο του χρόνου με συντελεστές που αποκόπτουν αντιστοιχούν σε συχνότητα αποκοπής. Σαν είσοδο θέσαμε συμβολή δύο ημιτόνων:ενός συχνότητας και ενός. Μετά την εφαρμογή FFTλαμβάνουμε τα αποτελέσματα στις παρακάτω εικόνες. 123

135 Εικόνα 6.15: Είσοδος συμβολή δύο ημιτόνων ενός συχνότητας 365 Ηz και ένα 4380 Hz Εικόνα 6.16: Αποτέλεσμα FFT γιαείσοδο δύο ημιτόνων με εφαρμογή παραθύρου Hannχωρίς φίλτρο στο πεδίο του χρόνου. 124

136 Εικόνα 6.17: Αποτέλεσμα FFT γιαείσοδο δύο ημιτόνων με εφαρμογή παραθύρου Hannκαι κατωδιαβατού φίλτρου στο πεδίο του χρόνου. Για τους σκοπούς της υλοποίησης συστήματος αναγνώρισης των συντονισμών της φωνητικής κοιλότητας το ψηφιακό κατωδιαβατό φίλτρο θα εφαρμοσθεί στο πεδίο της συχνότητας με σκοπό την εξομάλυνση τους φάσματος συχνοτήτων. Παρακάτω παρουσιάζεται η εφαρμογή του φίλτρου στο πεδίο της συχνότητας για κανονικοποιημένησυχνότητα αποκοπής

137 Εικόνα 6.18: Καθυστέρηση σήματος εξαιτίας της φασματικής μετατόπισης του φίλτρου Σαν είσοδο του φίλτρου έχουμε την έξοδο του FFT (a) και σαν έξοδο την απόκριση συχνότητας (b). Όπως φαίνεται από την εικόνα το φίλτρο εισάγει μια μετατόπιση η οποία ισούται με το μισό της τάξης του φίλτρου, η οποία, μετατόπιση, οφείλεται στην μετατόπιση φάσης του φίλτρου. Για την αντιμετώπιση του φαινομένου αυτού οι κορυφές μπορούν να υπολογιστούν απλά κατά τον κατάλληλο αριθμό θέσεων πιο δεξιά, μέθοδος η οποία όμως μπορεί να δώσει ανακριβή αποτελέσματα ή να εφαρμοσθεί ξανά το ίδιο φίλτρο στην έξοδο το φίλτρου, με την αντίθετη φορά. Η δεύτερη μέθοδος θα δώσει ως αποτέλεσμα ακριβώς την ίδια απόκριση συχνότητας, όσον αφορά το πλάτος, επιβάλλοντας όμως την αντίθετη μετατόπιση φάσης σε όλες της συχνότητες του φάσματος, αντισταθμίζοντας, με τον τρόπο αυτό την όποια εσφαλμένη μετατόπιση μπορεί να έχουν υποστεί οι ζητούμενες κορυφές. Ο χρόνος εκτέλεσης των υπολογισμών του φίλτρου δύο φορές μαζί με τον χρόνο εκτέλεσης του μετασχηματισμού Fourier είναι απαγορευτικός. Ωστόσο, η απαραίτητη πληροφορία του φάσματος συχνοτήτων βρίσκεται στο πρώτο μισό του πίνακα, επομένως μετά τον υπολογισμό του FFT μπορούμε να μειώσουμε τους υπολογισμούς μας περίπου στο μισό. 126

138 Πίνακας 5 Μήκος Παραθύρου Μήκος Παραθύρου Εφαρμογής Φίλτρων Χρόνος εκτέλεσης υπολογισμών 2 φίλτρων (μs) Αριθμός ADCμετατροπών* * Αριθμός ADC μετατροπών που προλαβαίνουν να γίνουν στον χρόνο εκτέλεσης του FFT,μία μετατροπή ADCαπαιτεί, (με ). Από τους Πίνακες 2 και 5 βλέπουμε πως για φίλτρο 30οστής τάξης μπορεί οριακά να γίνει υλοποίηση για μήκος παραθύρου 128 θέσεων. Μπορούμε να χρησιμοποιήσουμε μικρότερα παράθυρα μόνο εάν ελαττώσουμε και την τάξη του φίλτρου. Εικόνα 6.19: Αποτελέσματα εφαρμογής δύο φίλτρων ίδιων χαρακτηριστικών (κανονικοποιημένης συχνότητας αποκοπής a. 0.2, b ) που εφαρμόζονται με αντίθετη φορά 127

139 6.8 Αλγόριθμος Επιλογής Κορυφών Ο αλγόριθμος επιλογής κορυφών αναλαμβάνει το έργο να εντοπίσει τις κορυφές του φάσματος συχνοτήτων οι οποίες αντιστοιχούν στις τρεις πρώτες συχνότητες συντονισμού. Λειτουργεί με τον εξής απλό τρόπο: Χωρίζει το φάσμα συχνοτήτων σε τρεις περιοχές (η πρώτη:, η δεύτερη: και η τρίτη: ), μέσα στις οποίες αναμένεται να βρίσκεται ο κάθε συντονισμός συχνοτήτων. Επιλέγει το υψηλότερο σημείο σε κάθε περιοχή με τις παρακάτω προϋποθέσεις: o το σημείο αυτό, να έχει μεγαλύτερο πλάτος από τέσσερα (4) διπλανά του σημεία (δηλαδή σε μία απόσταση προς τα αριστερά και προς τα δεξιά του σημείου). o το σημείο αυτό, να απέχει από το σημείο που επιλέχθηκε για την προηγούμενη συχνότητα συντονισμού τουλάχιστον οκτώ (8) σημεία (δηλαδή μια απόσταση ). Με την υλοποίηση και του αλγορίθμου επιλογής κορυφών διαθέτουμε πλέον ένα ολοκληρωμένο σύστημα αναγνώρισης των τριών πρώτων συχνοτήτων συντονισμού της φωνητικής κοιλότητας. 6.9 Αξιολόγηση Συμπεριφοράς του Συστήματος Αναγνώρισης Για την ορθή λειτουργία του συστήματος που έχει υλοποιηθεί θα θέσουμε ως είσοδο την συμβολή τριών ημιτόνων, συχνοτήτων (κανονικοποιημένου πλάτους 0.45 για το κάθε ημίτονο), καθώς και τυχαίο θόρυβο (κανονικοποιημένουμέγιστουμέτρου 0.3). Εικόνα 6.20: Είσοδος συμβολής 3 ημιτόνων μαζί με θόρυβο Το πρώτο επίπεδο επεξεργασίας είναι η εφαρμογή παραθύρουhann για τη μείωση του φαινομένου της διάχυσης leakage. 128

140 Εικόνα 6.21: Εφαρμογή παραθύρου Hann256 σημείων Το δεύτερο επίπεδο επεξεργασίας είναι η εφαρμογή του γρήγορου μετασχηματισμού Fourierγια τη λήψη του φάσματος συχνοτήτων. Εικόνα 6.22: Μετασχηματισμός Fourierτου παραθύρου Το τρίτο επίπεδο επεξεργασίας είναι η εφαρμογή δύο κατωδιαβατών FIRφίλτρων στο πρώτο μισό του φάσματος συχνοτήτων για την αποκοπή των υψηλών συχνοτήτων και αντιστάθμιση της μετατόπισης φάσεως. Εικόνα 6.23: Φάσμα συχνοτήτων μετά από εφαρμογή (με αντίθετη φορά) δύο όμοιων κατωδιαβατών FIRφίλτρων 128 σημείων Το τέταρτο επίπεδο επεξεργασίας είναι η επιλογή των κορυφών του φάσματος στις αναμενόμενες περιοχές συχνοτήτων σύμφωνα με τον αλγόριθμο που έχουμε θέσει. 129

141 Εικόνα 6.24: Οι τελικές επιλεγμένες κορυφές του συστήματος Αξίζει να σημειωθεί πως το σύστημα αναγνώρισης δοκιμάστηκε και με ορισμένα πραγματικά ηχητικά σήματα από την βάση δεδομένων φωνηέντων του Πανεπιστημίου του Τέξας ( Τα φωνήεντα μετατράπηκαν από αρχεία.waveσε κατάλληλη μορφή για εισαγωγή μέσω του.iniαρχείου στον simulatorτου KeilμVision. Η μετατροπή πραγματοποιήθηκε με συνδυασμό της εντολής wavreadτου matlabκαι μιας απλής εφαρμογής εκτύπωσης εντολών καταχώρησης των τιμών αποτελεσμέτων της wavreadστον καταχωρητή του ADCμαζί με κατάλληλο delayγια τη συχνότητα δειγματοληψίας που επιθυμούμε. Τα αποτελέσματα του συστήματος αναγνώρισης που υλοποιήθηκε στα πλαίσια αυτής της διπλωματικής έδωσε αρκετά ικανοποιητικά αποτελέσματα εκτίμησης των συχνοτήτων συντονισμού σε σύγκριση με τις πραγματικές που υπάρχουν στην βάση δεδομένων φωνηέντων παρουσιάζοντας, ωστόσο, διαφορές. Ο αριθμός των δοκιμών ήταν πολύ μικρός για να βγουν ασφαλή συμπεράσματα Συμπεράσματα- Παρατηρήσεις Ολοκληρώνωντας τη διπλωματική εργασία παραθέτουμε κάποια συμπεράσματα για την εκτίμηση των συχνοτήτων συντονισμού της φωνητικής κοιλότητας με τη μέθοδο βραχύχρονης ανάλυσης Fourier. Με τη βραχύχρονη ανάλυση Fourierμπορούν να εντοπιστούν οι συχνότητες στις οποίες παρουσιάζεται η περισσότερη ενέργεια. Το πραγματικό σήμα ομιλίας περιλαμβάνει πολλές αρμονικές οι οποίες είναι υποψήφιες για τις ζητούμενες συχνότητες δυσχεραίνοντας έτσι τον εντοπισμό τους με ακρίβεια. 130