基于时频模糊算子的数据增强方法
关键词：时频模糊，数据增强，机器学习，音频预处理
我们引入时频模糊算子，该算子将信号的短时傅里叶变换与指定的核进行卷积，在SpeechCommands V2数据集上训练了一个使用ResNet-34架构的卷积神经网络(CNN)和一个使用TinyViT-11M架构的视觉变换器(ViT)，使用不同增强设置的频谱图对音频信号进行分类，结果表明该算子可以显著提高测试性能，特别是在数据匮乏的情况下。
1、基于短时傅里叶变换(STFT)的模糊算子与基于谱图的模糊算子对比
STFT模糊最纯粹的实现包括一个STFT、一个卷积操作和一个逆STFT。在代码中，我们可以将其实现为一个函数，该函数作用于信号的波形；频谱图模糊，是通过首先计算频谱图，将其重缩放到对数分贝刻度，然后应用卷积来实现的，如广受欢迎的SpecAugment增强方法将频谱图乘以时频掩蔽。
- 输入信号处理：STFT模糊算子直接在STFT域进行模糊处理，而谱图模糊算子则在谱图域进行模糊处理，即先计算信号的STFT，然后取其平方模值得到谱图，并在谱图上进行模糊处理。
- 相位信息处理：STFT模糊算子保留了信号的相位信息，而谱图模糊算子会丢失信号的相位信息，只处理幅度信息。
- 模糊效果：由于STFT模糊算子考虑了相位信息，因此其模糊效果与谱图模糊算子有所不同，特别是对于相位变化较大的信号。
- 实现复杂度：STFT模糊算子的实现较为复杂，需要处理复数运算，而谱图模糊算子实现相对简单，只需进行实数运算。
- 逆变换处理：由于谱图模糊算子丢失了相位信息，因此逆变换需要通过相位检索等复杂方法来近似恢复原始信号，而STFT模糊算子则可以直接逆变换得到原始信号的近似。
- 适用场景：STFT模糊算子更适合需要精确恢复原始信号的增强场景，而谱图模糊算子更适用于对相位信息要求不高的场景。
2、参数设置
- 模糊核函数：选择选择正则性好的核函数，如高斯核，以保证模糊运算的可逆性和稳定性；调整核函数的形状参数，如高斯核的标准差，标准差应该适中，过小会导致模糊效果不明显，过大则会严重破坏信号结构；在时域和频域的标准差应保持一致，以确保时频域的均匀模糊效果。
- 窗函数：选择具有平滑边界及较低的旁瓣电平的窗函数，如汉明窗或汉宁窗，并确定窗函数的长度，较长的窗函数可以提供更好的时间分辨率，但也会降低频率分辨率；根据具体应用场景选择合适的窗函数，如语音信号处理中常用汉明窗，而音乐信号处理中常用汉宁窗。
- 模糊程度：调整模糊程度参数，例如模糊核的强度或模糊核的方差，以平衡增强效果和噪声。增大模糊核的大小，即增加核的宽度或高度，可以增加模糊的程度。减小核的大小，则会减小模糊程度。尝试使用不同的模糊算法，如高斯模糊、中值模糊等，每种算法都具有不同的模糊效果。
- 数据增强比例：指使用增强数据与原始数据之比，控制增强样本在训练集中的比例，例如20%的增强样本，以避免过拟合。
- 训练样本数量：当训练样本较少时，使用模糊增强效果更佳，但需权衡模型性能与训练效率。
- 测试阶段处理：决定是否在测试阶段使用增强，如果使用，需要注意增强程度不要与训练阶段产生较大差异。
3、适用场景
- 语音识别：通过时频模糊算子对语音信号进行增强，可以提高语音识别系统的鲁棒性，特别是在噪声环境下。实验证明，这种方法能够显著提升模型在语音命令识别任务中的性能。
- 音乐分类：通过对音乐信号的时频表示进行模糊处理，可以提高模型对音乐风格、乐器等分类任务的分类准确率，进而提升音乐信息检索的效率。
- 音频事件检测：在增强后的时频表示上训练模型，可以使其对音频事件（如拍掌、喊叫等）更加敏感，从而提升音频事件检测的准确率。
- 机器学习中的数据增强：作为一种数据增强手段，时频模糊算子可以帮助生成更多的训练样本，以提高模型的泛化能力，适用于机器学习中的多种信号分类任务。
- 语音增强：通过在时频域模糊处理含噪声语音的STFT，可以去除噪声，并恢复语音信号，是一种有效的语音增强方法。
- 声学场景分类：通过对训练样本的时频表示进行模糊处理，可以增加样本的多样性，有助于模型学习区分不同的声学场景。
- 关键词检测：模糊处理关键词语音的时频表示，可以模拟关键词在噪声环境下的变化，提高关键词检测系统的鲁棒性。
- 噪声抑制：在噪声抑制任务中，通过模糊含噪语音的时频表示，可以消除噪声，并恢复干净的语音信号。