聴覚マスキング

オーディオ信号処理において、聴覚マスキングは、ある音の知覚が別の音の存在によって影響を受ける場合に発生します。^[1]

周波数領域における聴覚マスキングは、同時マスキング、周波数マスキング、またはスペクトルマスキングとして知られています。時間領域における聴覚マスキングは、時間マスキングまたは非同時マスキングとして知られています。

マスクされていないしきい値は、マスキング信号が存在しない場合に知覚できる信号の最も静かなレベルです。マスクされたしきい値は、特定のマスキング ノイズと組み合わせたときに知覚される信号の最も静かなレベルです。マスキングの量は、マスクされたしきい値とマスクされていないしきい値の差です。

ゲルファンドは基本的な例を示しています。^[1]ある人の場合、静かな環境で猫が柱をひっかく音は、まず 10 dB SPLのレベルで聞こえるとします。しかし、マスキングノイズ（たとえば、同時に作動している掃除機の音）がある場合、ひっかく音のレベルが少なくとも 26 dB SPL でない限り、同じ人は猫のひっかく音を検知できません。その人にとって、ターゲット音（つまり、猫のひっかく音）に対するマスキングされていない閾値は 10 dB SPL であり、マスキングされた閾値は 26 dB SPL であると言えます。マスキングの量は、これら 2 つの閾値の差、つまり 16 dB です。

マスキングの量は、対象信号とマスカーの両方の特性によって異なり、また個々のリスナーにも固有のものになります。上記の例の人は 26 dB SPL で猫のひっかく音を感知できましたが、別の人は猫のひっかく音の音量が 30 dB SPL に上がるまで (その結果、2 番目のリスナーのマスキング量は 20 dB になる)、掃除機がオンになっている間猫のひっかく音を聞き取れない可能性があります。

同時マスキングは、元の音と同じ長さのノイズや不要な音によって音が聞こえなくなるときに発生します。^[2]たとえば、1 kHz の強力なスパイクは、1.1 kHz の低レベルのトーンをマスキングする傾向があります。また、440 Hz と 450 Hz の 2 つの正弦波は、分離すると明確に認識できます。同時に提示されると、明確に認識できません。

2つの異なる周波数の音が同時に再生されると、複合音ではなく、2つの別々の音が聞こえることがよくあります。周波数を別々に聞く能力は、周波数分解能または周波数選択性として知られています。信号が複合音として知覚される場合、それらは同じ臨界帯域幅内にあると言われます。この効果は、内耳の聴覚器官である蝸牛内のフィルタリングによって発生すると考えられています。複雑な音は異なる周波数成分に分割され、これらの成分は蝸牛内の基底膜内の繊毛の特定の場所での振動パターンのピークを引き起こします。これらの成分はその後、音情報を脳に伝達する聴神経で独立してコード化されます。この個別のコード化は、周波数成分の周波数が十分に異なる場合にのみ発生し、そうでない場合は同じ臨界帯域にあり、同じ場所でコード化され、2つの音ではなく1つの音として知覚されます。^[3]

ある音を別の音と区別するフィルターは、聴覚フィルター、聴取チャンネル、または臨界帯域幅と呼ばれます。周波数分解能は、リスナーが聞きたい周波数、つまり信号周波数の中心にあるフィルターを選択することで、基底膜上で発生します。鋭く調整されたフィルターは、中心周波数は通過させ、他の周波数は通過させないため、周波数分解能が優れています (Pickles 1982)。蝸牛と蝸牛内の外耳道細胞が損傷すると、音を区別する能力が損なわれる可能性があります (Moore 1986)。これが、蝸牛損傷による難聴の人が、健聴者よりも会話の中で異なる子音を区別するのが難しい理由です。^[4]

マスキングは周波数選択性の限界を示しています。信号が、信号とは異なる周波数のマスカーによってマスキングされると、聴覚システムは2 つの周波数を区別できなくなります。1 つの音が以前に聞いた信号をマスキングできる条件を実験することで、聴覚システムの周波数選択性をテストできます。^[5]

マスカーが信号のしきい値を上げる効果は、信号の周波数とマスカーの周波数によって異なります。図 B のグラフは、一連のマスキング パターンで、マスキングオージオグラムとも呼ばれます。各グラフには、上隅に表示されている各マスカー周波数 (250、500、1000、2000 Hz) で生成されるマスキングの量が表示されます。たとえば、最初のグラフでは、信号と同時にマスカーが 250 Hz の周波数で表示されています。マスカーが信号のしきい値を上げる量がプロットされ、これが X 軸に示されているさまざまな信号周波数で繰り返されます。マスカーの周波数は一定に保たれています。マスキング効果は、さまざまなマスカー サウンド レベルで各グラフに表示されます。

図 B は、Y 軸に沿ってマスキングの量を示しています。マスキングは、マスカーと信号が同じ周波数である場合に最大になり、信号周波数がマスカー周波数から離れるにつれて減少します。^[1]この現象はオン周波数マスキングと呼ばれ、マスカーと信号が同じ聴覚フィルター内にあるために発生します (図 C)。つまり、リスナーはそれらを区別できず、静かな音が大きな音にマスキングされた 1 つの音として認識されます (図 D)。

オフ周波数マスキングではマスカーが信号の閾値を上げる量ははるかに少ないが、マスカーの一部が信号の聴覚フィルターに重なるため、ある程度のマスキング効果はある（図E）^[5]

オフ周波数マスキングでは、マスキング効果を得るためにマスカーのレベルを高くする必要があります。これは図Fに示されています。これは、一定量のマスカーのみが信号の聴覚フィルターに重なり、信号をカバーするにはより多くのマスカーが必要になるためです。^[5]

マスキングパターンは、マスカーの周波数と強度に応じて変化します (図 B)。1000 Hz のグラフで 20～40 dB の範囲などの低レベルの場合、曲線は比較的平行です。マスカーの強度が増加すると、特にマスカーよりも高い周波数の信号では、曲線が離れます。これは、マスカーの強度が増加すると、マスキング効果が周波数の上方に広がることを示しています。曲線は、低周波数よりも高周波数ではるかに緩やかです。この平坦化はマスキングの上方拡散と呼ばれ、干渉音が低周波数信号よりも高周波数信号をはるかによくマスキングする理由です。^[1]

図Bは、マスカー周波数が増加するにつれて、マスキングパターンがますます圧縮されることを示しています。これは、高周波マスカーがマスカー周波数に近い狭い範囲の周波数でのみ効果的であることを示しています。一方、低周波マスカーは広い周波数範囲で効果的です。^[1]

ハーヴェイ・フレッチャーは、ノイズの帯域がどの程度トーンのマスキングに寄与するかを調べる実験を行いました。この実験では、固定トーン信号を中心にさまざまな帯域幅のノイズが配置されました。各帯域幅のマスキングしきい値が記録されました。フレッチャーの研究では、最大のマスキング効果をもたらす臨界ノイズ帯域幅があり、その帯域外のエネルギーはマスキングに影響を及ぼさないことが示されました。これは、聴覚系にトーンの周波数を中心とする聴覚フィルターがあることで説明できます。この聴覚フィルター内のマスカーの帯域幅はトーンを効果的にマスキングしますが、フィルター外のマスカーは効果がありません (図 G)。

これはMP3ファイルでオーディオファイルのサイズを縮小するために使用されます。臨界帯域幅外の信号部分は精度を落として表現されます。リスナーが知覚する信号部分はより高い忠実度で再現されます。^[6]

強度レベルの変化もマスキングに影響を与える可能性があります。フィルタの下端はデシベルレベルの増加とともに平坦になりますが、上端はわずかに急になります。フィルタの高周波数側の勾配の強度による変化は、低周波数の場合ほど一貫していません。中周波数（1～4 kHz）では、勾配は強度の増加とともに増加しますが、低周波数ではレベルによる明確な傾向はなく、高中心周波数のフィルタはレベルの増加とともに勾配がわずかに減少します。フィルタの鋭さは、フィルタへの出力レベルではなく入力レベルに依存します。聴覚フィルタの下側も、レベルの増加とともに広がります。^[5] これらの観察結果は図 H に示されています。

時間的マスキングまたは非同時マスキングは、突然の刺激音によって、その刺激の直前または直後に存在する他の音が聞こえなくなる場合に発生します。マスキングの直前の音を不明瞭にするマスキングは、後方マスキングまたはプレマスキングと呼ばれ、マスキングの直後の音を不明瞭にするマスキングは、前方マスキングまたはポストマスキングと呼ばれます。^[5] 時間的マスキングの効果は、マスキングの開始と終了から指数関数的に減衰し、開始減衰は約20ミリ秒続き、終了減衰は約100ミリ秒続きます。

同時マスキングと同様に、時間マスキングは聴覚システムによって実行される周波数分析を明らかにします。複雑な倍音 (例:基本周波数が500 Hz の鋸歯状プローブ) の前方マスキングしきい値は、最初のいくつかの倍音を中心とした周波数帯域のしきい値ピーク (つまり、高いマスキング レベル) を示します。実際、前方マスキングしきい値から測定された聴覚帯域幅は、同時マスキングを使用して測定されたものよりも狭く、より正確です。

時間的マスキングは、耳の繊細な構造を大きな音から保護するために活性化される中耳の不随意反応である 耳の音響反射と混同しないでください。

同側（「同じ側」）マスキングは、マスキングが発生する唯一の状況ではありません。マスキングが発生する別の状況は、対側（「反対側」）同時マスキングと呼ばれます。この場合、信号は片方の耳で聞こえるかもしれませんが、もう一方の耳にマスカーを適用することで意図的に消されます。

マスキングが発生する最後の状況は、中枢マスキングと呼ばれます。これは、マスカーが閾値上昇を引き起こす場合を指します。これは、他の効果がない場合でも、他の効果に加えて発生する場合もあり、マスカーと信号から得られる個別の神経入力の間の中枢神経系内での相互作用によるものです。^[1]

狭帯域ノイズまたは正弦波トーンの形式のマスカーを使用した場合のさまざまなマスキング効果を確認するための実験が行われました。

正弦波信号と正弦波マスカー（音）が同時に提示されると、結合された刺激のエンベロープは、ビートと呼ばれる規則的なパターンで変動します。変動は、2 つの音の周波数の差によって定義される速度で発生します。周波数の差が小さい場合、音は単一の音の音量の周期的な変化として知覚されます。ビートが速い場合、これはざらざらした感覚として説明できます。周波数の分離が大きい場合、2 つのコンポーネントはざらざらした音やビートのない別々の音として聞こえます。信号自体が聞こえない場合でも、ビートは信号の存在を示す手がかりになることがあります。信号またはマスカーのいずれかに正弦波音ではなく狭帯域ノイズを使用すると、ビートの影響を軽減できます。^[3]

マスキングにはさまざまなメカニズムがありますが、その1つが抑制です。これは、ある信号に対する反応が別の信号の存在によって減少する場合です。これは、最初の信号によって引き起こされた元の神経活動が、他の音の神経活動によって減少するために起こります。^[7]

コンビネーショントーンは、信号とマスカーの産物です。これは、2つの音が相互作用して新しい音を生み出し、元の信号よりも聞き取りやすい場合に発生します。これは、耳の中で発生する非線形歪みによって発生します。たとえば、2つのマスカーのコンビネーショントーンは、2つの元のマスカー単独よりも優れたマスカーになる可能性があります。^[5]

2つの音の周波数の差に応じて、音はさまざまな方法で相互作用します。最も重要な2つは、3次差音^{[定義が必要]}と2次差音^{[定義が必要]}です。^[5]

3次差音は合計によって計算されます。^{[説明が必要]}

2F1 – F2 ^[8]

(F1 は最初の周波数、F2 は 2 番目の周波数) これらはほとんどの場合、特に元の音のレベルが低いときに聞こえます。したがって、これらは二次差音よりも心理音響チューニング曲線に大きな影響を与えます。

^{二次差音は[説明が必要]}の結果である。

F2 – F1

これは比較的高いレベルで起こるため、心理音響チューニング曲線への影響は小さくなります。^[5]

複合音は、刺激のような性質を持つため、原音と相互作用して二次複合音を生み出すことができます。この例は次のとおりです。

3F1 – 2F2

二次複合音もまた一次音の複合音に似ています。^[5]

オフ周波数リスニングとは、リスナーが聴覚パフォーマンスを向上させるために信号周波数よりわずかに低いフィルターを選択することです。この「オフ周波数」フィルターは、フィルターの出力レベルでの信号よりもマスカーのレベルを下げるため、信号をより明瞭に聞くことができ、聴覚パフォーマンスが向上します。^[2]

聴覚マスキングは、耳鳴りマスキング装置で、耳鳴り（難聴によく伴う耳鳴り）や耳鳴り（耳鳴り）を抑制するために使用されます。また、純音聴力検査や、片耳ずつ検査する標準的な聴力検査、および部分的にマスキングするノイズがある状態での音声認識を検査する検査など、さまざまな種類の聴力検査でも使用されます。

聴覚マスキングは、音声信号（MP3 ）のデータ圧縮に利用されます。

• カクテルパーティー効果
• 幻想的な不連続性
• 心理音響学
• レスポンスプライミング

• スタンフォード大学の B. リンカーンによる「同時マスキングの追加」
• 聴覚マスキングと広帯域オーディオコーディング – E. アンビカイラジャ教授によるビデオ講義