Extraction des caract´ eristiques bas´ ee sur un banc de filtres

4.2 Extraction des caract´eristiques bas´ee sur un banc de filtres

Dans notre travail, nous proposons un ensemble de caract´eristiques unifiant les deux cat´egories (spectrale et prosodique) et qui sont bas´ees sur la m´ethode EMD combin´ee avec TKEO. Ces caract´eristiques sont inspir´ees de pr´ec´edents travaux sur les MFCC et les MSF. Dans cette section, nous allons pr´esenter ces deux caract´eristiques `a des fins de comparaison.

4.2.1 Les coefficients cepstraux sur l’´echelle Mel (MFCC)

Les coeffcients cepstraux sur l’´echelle Mel (MFCC pour Mel-Frequency Cepstral Coefficients en anglais), introduites en [90], sont les param`etres acoustiques les plus utilis´es dans les syst`emes de RAE [44] car ils prennent en compte la sensibilit´e de perception fr´equentielle de l’oreille [91]. Le processus de calcul de la MFCC est pr´esent´e dans la Figure 4.2. Le signal d’entr´ee est d´ecoup´e en une s´equence de trames de dur´ees relativement courtes sur lesquelles le signal peut en g´en´eral ˆ

etre consid´er´e comme stationnaire. Chaque segment (trame) dure 25ms avec un chevauchement de 10 ms. La segmentation du signal en trames produit des discontinuit´es aux fronti`eres des trames. Pour r´eduire cet effet, les trames sont multipli´ees par une fenˆetre de Hamming. En-suite, la transform´ee de Fourier (FFT) est appliqu´ee pour passer du domaine temporel vers le domaine spectral (ou fr´equentiel), on obtient donc le spectre X<sub>k</sub>(m). La simulation de l’oreille humaine, qui se base sur une ´echelle fr´equentielle sp´ecifique, n´ecessite le passage `a l’´echelle de Mel ( voir Figure 4.1). Cette derni`ere est compos´ee d’un banc de 12 `a 24 filtres triangulaires, dont les bandes sont plus fines pour les basses fr´equences que pour les hautes fr´equences. Le but de l’analyse par un banc de filtres est de trouver l’´energie du signal dans des bandes de fr´equences d´etermin´ees. Dans notre travail, 12 filtres triangulaires (espac´es lin´eairement jusqu’`a 1000 Hz, puis logarithmiquement au-del`a) sont utilis´es (voir Figure 4.1). Chaque filtre fournit un coefficient qui donne l’´energie du signal dans la bande couverte par le filtre. La formule de conversion de l’´echelle lin´eaire en ´echelle de Mel est la suivante :

mel(f ) = 259 log₁₀(1 + ^f

700^{) (4.1)}

En g´en´eral, le signal vocal r´esulte de la convolution de la source par le conduit vocal. Dans le domaine spectral, cette convolution devient un produit qui rend difficile la d´econvolution de ce signal. Ce probl`eme peut ˆetre surmont´e en passant dans le domaine log-spectral : c’est le principe de l’analyse cepstrale. Par d´efinition, le cepstre d’un signal est une transformation de ce signal du domaine temporel vers un autre domaine analogue au domaine temporel. En pratique, le cepstre

r´eel d’un signal est obtenu par la transform´ee de Fourier inverse appliqu´ee au logarithme de la transform´ee de Fourier du signal. Le calcul de la FFT et de la FFT inverse est laborieux ce qui rend ce type de calcul des coefficients cepstraux inutilisable en reconnaissance de la parole [92]. En revanche, la transform´ee en cosinus discr`ete (DCT) appliqu´ee sur le logarithme des ´energies sortant d’un banc de filtres permet d’obtenir les coefficients cepstraux (MFCC).

Nous travaillons avec les 12 premiers coefficients qui sont les coefficients les plus efficaces. Cela peut s’expliquer par le fait que la plupart des informations utiles pour la discrimination des ´

emotions concernant la prosodie se trouvent dans la partie des basses fr´equences de l’´echelle Mel. Nous savons que le signal de parole varie au cours du temps. Ces variations peuvent elles aussi ˆetre propres `a un individu. Il est donc utile de mod´eliser l’´evolution temporelle de chacun des coefficients. Cela est fait par le calcul des statistiques ( moyenne, variance, coefficient de variation², kurtosis et asym´etrie) pour chaque coefficient, pour un total de 60 caract´eristiques.

Figure 4.1: 12 Banc de filtres sur une ´echelle Mel.

Figure 4.2: ´Etapes de l’extraction des coefficients MFCC.

Dans [92] et en se basant sur des r´esultats de recherche existants, l’auteur a montr´e que les MFCC donnent des meilleurs r´esultats dans les syst`emes de RAE, ce qui montre plus g´en´eralement l’int´erˆet d’un pr´e-traitement par banc de filtres, d’une ´echelle fr´equentielle non lin´eaire, et de la

4.2 Extraction des caract´eristiques bas´ee sur un banc de filtres

repr´esentation cepstrale.

4.2.2 Les caract´eristiques spectrales de modulation (MSF)

En supposant qu’un signal vocal soit un processus stationnaire `a court terme, les caract´eristiques (MFCC) d´ecrites dans la section pr´ec´edente sont extraites sur une fenˆetre courte (d’une dur´ee de 25 `a 30 ms). Ces caract´eristiques transmettent uniquement le spectre `a court terme du signal vocal et omettent des informations importantes sur le comportement temporel. De plus, des ´etudes en neurosciences [86] ont montr´e l’existence de champs r´ecepteurs spectro-temporels (ST) dans le cortex auditif humain. Ces champs peuvent s’´etendre sur des plages temporelles de plusieurs centaines de millisecondes et r´epondre `a des modulations dans le domaine temps-fr´equence. Les caract´eristiques spectrales de modulation `a long terme (MSF pour long-term modulation spectral features en anglais), introduites dans [86], sont sp´ecifiquement extraites pour r´esoudre les probl`emes de caract´eristiques spectrales `a court terme et pour mieux mod´eliser la nature de la perception auditive humaine. Ces caract´eristiques sont obtenues en ´emulant le traitement spectro-temporel (ST) effectu´e dans le syst`eme auditif humain et prend en compte la fr´equence acoustique r´eguli`ere conjointement avec la fr´equence de modulation.

Les ´etapes de calcul des caract´eristiques MSF sont illustr´ees dans la Figure 4.3. Pour obtenir la repr´esentation ST, le signal d’entr´ee est d’abord d´ecoup´e en une s´equence de trames de dur´ee de 256 ms avec un chevauchement de 64 ms. Cette dur´ee est relativement longue par rapport aux valeurs typiques utilis´ees dans le traitement de la parole traditionnel (environ 20 `

a 30 ms). Ensuite, le signal vocal est d´ecompos´e par un banc de filtres auditifs (19 filtres au total). Les enveloppes de Hilbert des sorties en bande critique sont calcul´ees pour former les signaux de modulation. Un banc de filtres de modulation est en outre appliqu´e aux enveloppes de Hilbert pour effectuer une analyse de fr´equence. Les contenus spectraux des signaux de modulation sont appel´es spectres de modulation et les caract´eristiques propos´ees s’appellent ainsi des caract´eristiques spectrales de modulation (MSF). Enfin, la repr´esentation ST est form´ee en mesurant l’´energie des signaux d’enveloppe d´ecompos´es, en fonction de la fr´equence acoustique et de la fr´equence de modulation r´eguli`ere. La moyenne des ´energies sur toutes les fenˆetres dans chaque bande spectrale fournit une caract´eristique. Dans notre exp´erience, un banc de filtres auditifs avec N = 19 filtres et un banc de filtres de modulation avec M = 5 filtres sont utilis´es. Au total, 95 (19 × 5) coefficients sont calcul´es `a partir de la repr´esentation ST.

Figure 4.3: ´Etapes de l’extraction des coefficients MSF