基于卷積神經網絡的汽車行人警示音評價系統設計

摘 要：為了使電動汽車的行人警示音符合人耳主觀感受及汽車品牌定位，設計了一個基于卷積神經網絡的聲品質評價系統，實現了對行人警示音頻的客觀評價。采用等級評分對設計好的音頻文件進行主觀評價，并獲得主觀評分。基于ISO 532-1：2014標準計算音頻文件的響度、粗糙度、抖動度、煩擾度、尖銳度等聲品質客觀參數，并將其作為卷積神經網絡模型的特征輸入。評價模型的輸出設定為豪華，舒適，科技三個指標。經過數據訓練，模型可以有效輸出給定指標的評價分數，并與主觀評價分數吻合良好。所提出的模型可以實現端到端的聲品質客觀評價，評價結果能夠有效反映人耳主觀感受，從而為行人警示音的快速評價提供新的方法。

關鍵詞：行人警示音 聲品質評價系統 聲品質參數 卷積神經網絡

1 緒論

眾多汽車公司都在努力實現良好的汽車聲音品質，但只有少數公司進行了深入研究，開發具有良好特性的品牌聲音以匹配品牌屬性[1-2]。設計音頻時，人耳對聲音的主觀評價[3-4]受到職業、年齡和性別等因素的影響，導致評分差異較大，評分不準確，評價過程也需要耗費大量的人力和時間。為了節約時間及人力成本，確保電動汽車的行人警示聲[5-6]符合人耳的主觀感知和汽車品牌的定位，設計了基于卷積神經網絡的聲品質評價系統，來實現對行人警示音的客觀評價。響度、粗糙度、波動度、煩擾度、尖銳度等心理聲學參數被作為特征輸入到卷積神經網絡模型中，模擬人們聽到聲音時的心理活動。聲品質是參評人員對聲音的一種主觀感受，通過人的主觀感知來評論相同的聲音給人在主觀感受上帶來的差異性。同濟大學的方源[7]等人利用階次分析、頻譜分析等技術手段分析了電動車動力總成的主要噪聲源，利用聲品質客觀心理聲學參數對動力總成的聲品質特性進行了分析研究，建立了可用于描述電動汽車動力總成噪聲品質客觀參數和主觀評價之間相關性的焦躁度評價模型。沃爾沃汽車公司David等人[8]用聲學評價參量顯著度（Prominece Ratio）和聲噪率（Tone-to–noise Ratio）來對電動汽車和混合動力汽車車內噪聲進行評價。

主觀評價中，將設計好的音頻給不同性別、年齡、職業的評價人員進行打分，打分的指標有豪華感，科技感，舒適感三項指標，篩選合適的樣本，進行相關性分析統計出打分結果，作為音頻標簽。然后劃分數據集，計算得出音頻的心理聲學參數特征矩陣，將特征矩陣輸入卷積神經網絡模型中，進行訓練，聲品質評價系統就設計完成。將音頻輸入評價系統，可得到評價結果輸出。

卷積神經網絡模型結構如圖1所示，為簡化后續警示音設計的過程，需建立高精度的可重復使用的客觀量化模型來代替繁雜的聲品質主觀評價過程，從而節省大量的時間和人力物力成本，也可避免因人員環境等因素帶來的誤差。本文以5個表征警示音聲品質心理聲學特性的客觀參數作為網絡輸入，以表征警示音聲品質三項指標的作為網絡輸出。

2 主觀評價

首先進行主觀評價指標調研，選取合適的能表征音頻特征，而且人耳能夠分辨較明確的主觀評價指標。然后，在諸多的主觀評價方法之中，選擇合適的主觀評價方法，使得主觀評價更加方便且評價結果誤差小。最后，確定聲品質主觀評價的指標、評價方法以及評價人員，并對評價人員進行試聽和培訓，在完成這一系列前期準備工作之后再在特定的主觀評價試驗室中進行評價試驗，評價后需對評價結果進行數據分析和檢驗，獲得最終的主觀評價值。

2.1 主觀評價方法

聲品質評價主要通過實驗研究或社會調查等方式，獲取人群對特定聲音的主觀感受數據，通常以煩惱度，響度，粗糙度等作為噪聲主觀反應的衡量尺度。主觀評價方法是汽車聲品質研究中關鍵的基礎方法，常見的有簡單排序法、數值估計法、語義細分法、成對比較法和等級評分法等，其中以等級評分法，語義細分法和成對比較法是最為常用等級評分法。本文選擇豪華感，舒適感，科技感三個主觀評價指標，對行人警示音作出等級的量化評價，選用等級評分法來進行主觀評價。

等級評分法需要將聲音的某一屬性劃分為若干個等級，并將不同的分值與每個等級一一對應。為了確保評價者能夠給出準確的評價分值，聲音樣本應按順序播放且不重復播放。這樣有利于評價者根據自身主觀感知程度進行評價試驗。樣本的聲品質等級基于每個聲音樣本的全部評分的平均值。等級評分法易于掌握，操作簡單方便，評價結果以數值形式呈現，可直接用于客觀分析。國際上常用10級刻度，大量試驗證明，評價者的評分絕大多數集中在5-10之間。為了提高評價結果的準確性，應追加參考樣本并注明相應的參考等級。此外，在試驗前，沒有經驗的評價者應接受相關培訓，熟悉試驗樣本，接受聽音訓練，并明確等級劃分，以確保評價者能夠更準確地進行評價打分。

2.2 主觀評價過程

為了更準確地區分各聲音樣本的特性，需要對聲音樣本進行響度均衡化處理。為了確保評價試驗的準確性，在進行評價試驗之前，需要對所有聲音樣本進行隨機排序。這樣可以確保評價者在不了解所有聲音樣本屬性的情況下進行評價試驗，避免評價者在評價過程中受到經驗和個人喜好的影響而直接對聲音樣本做出判斷。

主觀評價試驗仍然采取等級評分法。選取豪華感，舒適感，科技感三個形容詞，把豪華感、舒適感和科技感度分為10個等級，其中7級為可接受，往上越來越好，而往下越來越差。評價主體按照等級對每組聲音樣本數據進行打分，統計出每組樣本各聲音屬性的平均得分，如表1所示。

2.3 相關性分析

評價樣本篩選：在主觀評價試驗過程中不可避免地存在各種干擾因素，不能保證每個數據都有效，所以必須進行數據相關性檢驗。選擇Spearman系數作為數據檢驗指標。Spearman系數，又稱秩相關系數，是測定變量之間線性相關程度和相關方向的代表性指標，利用兩變量的秩次大小做線性相關分析，對原始變量不做要求，屬于非參數統計方法，使用方法較廣。語義細分法中的等級相當于變量的秩次，因此選擇Spearman系數作為數據檢驗指標。采用SPSS軟件計算30名評價者兩兩之間的相關系數，得到34×34的系數矩陣，如表2所示。相關系數越大，說明兩者對樣本的認知程度一致性越高。

3 卷積神經網絡及預測結果

選取響度、粗糙度、抖動度、煩擾度、尖銳度等聲品質客觀參數，并將其作為卷積神經網絡模型的特征輸入。

3.1 卷積神經網絡架構

圖2為本文設計的卷積神經網絡架構，模型的整個卷積神經網絡由2個卷積層組成，然后是全連接層。最終通過回歸/分類層輸出數值預測結果。在每個卷積層之后，計算批歸一化和ReLU激活。在第一個卷積層中，卷積核的數量是32個，第二個卷積層的卷積核數量是64個。其中第一個卷積層的每個卷積核的維數為1×3，用于濾波，第二個卷積層的卷積核大小為6×1，用于整合。為了增強模型的非線性和減少過擬合，本文采用了3個全連接層，中間有兩個dropout層。dropout層的概率設置為0.2。特征矩陣的大小為5×2000，由響度、粗糙度、波動度、煩擾度、尖銳度五個特征構成。

3.2 預測結果

經過數據訓練和學習，卷積神經網絡可實現目標值的預測。對豪華感，舒適感，科技感三個指標部分音頻的標簽值和預測值如圖3所示。

4 結論

本研究設計了一套基于卷積神經網絡的聲品質評價系統，旨在客觀評估行人警示音頻的質量。首先，通過等級評分對設計好的音頻文件進行主觀評價，獲取主觀評分數據。然后，按照標準計算音頻文件的響度、粗糙度、抖動度、煩擾度、尖銳度等聲品質客觀參數，并將其作為卷積神經網絡模型的特征輸入。評價模型的輸出設定為豪華、舒適、科技三個指標。通過數據訓練，該模型能夠有效地輸出給定指標的評價分數，并且與主觀評價分數具有良好的吻合度。未來的研究方向可能包括進一步優化模型，拓展評價指標范圍，以及探索更加精準的客觀評價方法，從而進一步提升音頻質量評估的準確性和實用性。

參考文獻：

[1]Mark Allman-Ward，Roger Williams，et al.Designing and delivering the right sound for quiet vehicles[C].Inter-noise 2014.

[2]S. Hatano， T. Hashimoto， Booming index as a measure for evaluating booming sensation， Proceedings of Inter-Noise 2000，7：233.

[3]Lee， Sang-Kwon.Objective evaluation of interior sound quality in passenger cars during acceleration[J].Journal of Sound and Vibration 2008，310：149-168.

[4]Vegt， Emar.Designing sound for quiet cars[M].SAE Technical Paper，2016.

[5]Gwak， Doo Young， et al. Application of subharmonics for active sound design of electric vehicles[J].The Journal of the Acoustical Society of America，2014，136：EL391-EL397.

[6]Chang，Kyoung-Jin，et al.A research on brand sound positioning and implementing with active sound design[J].INTER-NOISE and NOISE-CON Congress and Conference Proceedings[J].Institute of Noise Control Engineering，2017.

[7]方源，章桐，等.電動車動力總成振動噪聲的試驗研究[J].振動、測試與診斷，2015，32（2）：218-224.

[8]David Lennstr?m， Arne Nyk?nen. Interior sound of today's electric cars： tonal content， levels and frequency distribution[J].SAE Technical Paper，2015.