本文题为《利用概率混合模型的理想比率掩蔽多声源分离方法》，由北京工业大学信息学部的贾怡恬、杨淇善、贾懋珅、许文杰、鲍长春共同完成，发表于2021年10月的《信号处理》（Journal of Signal Processing）期刊第37卷第10期。该研究是一项原创性研究工作，旨在解决基于时频掩蔽的语音分离方法在多声源、特别是欠定场景下分离性能不佳的问题，属于音频信号处理领域中语音分离这一热门研究方向。
一、 学术背景与研究目标
多声源分离是从麦克风录制信号中提取各个独立声源信息的关键技术，广泛应用于虚拟现实、增强现实等领域。根据麦克风数量与声源数量的比值，该问题可分为超定、确定和欠定三类。早期方法如独立成分分析适用于前两者，但在麦克风数量少于声源数量的欠定场景下失效。后续研究引入了语音信号的稀疏特性，发展出基于稀疏成分分析和时频掩蔽估计的方法。时频掩蔽方法通过估计每个时频点中各声源的贡献比例（掩蔽值）来恢复声源，其中理想比率掩蔽相较于理想二值掩蔽能更精细地分配混叠成分，理论上效果更优。
然而，现有基于理想比率掩蔽的方法存在局限性。例如，一些方法需要预先估计所有声源的方位角，当声源间隔较近、混叠严重时，定位可能失败，导致分离效果下降。另一些方法采用高斯分布对归一化声压梯度信号向量进行建模，但该向量的实际分布特性可能并不完全符合高斯模型。因此，本研究的核心目标是：提出一种更稳健、更准确的理想比率掩蔽估计方法，以提升多声源（尤其是欠定和声源间隔较近）场景下的语音分离质量。
二、 详细研究流程与方法
本研究的工作流程主要包括四个核心步骤：信号模型建立、特征分布特性分析、概率混合模型构建与参数求解、以及最终的分离与性能评估。
步骤一：信号模型建立与特征提取 研究采用声场麦克风（B-format）进行信号采集，它能同时记录声压信号和空间三个方向的声压梯度信号。假设在水平面上有C个声源，对时域麦克风信号进行短时傅里叶变换后，得到时频域信号模型。研究的目标是从声压信号中分离出各声源，而声压梯度信号则用于估计分离所需的掩蔽。具体地，将沿x轴和y轴的声压梯度信号构成的向量进行归一化，得到归一化声压梯度信号向量。该向量的方向对于由同一声源主导的时频点是一致的，因此可作为区分不同声源的有效特征。同时，利用复声强信息可以估计出每个时频点的方位角。这两个特征将成为后续概率建模的基础。
步骤二：特征分布特性分析与模型选择 这是本研究的一个关键创新点。为了给特征选择最合适的概率模型，研究首先深入分析了单一声源场景下归一化声压梯度信号向量的分布特性。作者通过仿真实验生成数据，并利用柯尔莫可洛夫-斯米洛夫检验，比较了拉普拉斯分布与高斯分布对该向量拟合的优劣。K-S检验通过计算经验分布与理论分布之间的最大距离来评估拟合优度。实验结果表明，在所有测试条件下（不同说话者、不同STFT点数），拉普拉斯模型对应的K-S统计量均小于高斯模型，证明拉普拉斯分布（具有峰值尖锐、尾部平坦的特性）能更准确地描述该向量的统计行为。这一发现为后续构建更精确的概率模型提供了理论依据。
步骤三：概率混合模型构建与基于EM算法的参数求解 基于上述分析，本研究提出了一种新颖的概率混合模型，它联合利用了两种特征信息以提高估计的鲁棒性： 1. 对于时频点方位角估计，采用适用于周期角度的冯·米塞斯分布进行建模。 2. 对于归一化声压梯度信号向量，采用拉普拉斯分布进行建模（而非传统的高斯分布）。 将这两个分布与各声源的权重系数结合，构成了完整的联合概率密度函数。模型参数包括：各声源的权重、方位角分布的均值和集中度、归一化向量分布的中心向量和集中度参数。
为了从观测数据中估计出这组未知参数，研究采用了期望最大化算法。EM算法通过迭代执行E步（期望计算）和M步（最大化似然）来逼近最大似然解。具体流程如下： * 初始化：均匀设置各声源权重；通过方位角直方图估计初始方位；由于缺乏先验，将拉普拉斯分布部分初始化为常数。 * E步：根据当前参数，计算每个时频点属于每个声源的后验概率（即“责任值”）。 * M步：利用E步得到的后验概率，更新所有模型参数。其中，拉普拉斯分布的中心向量通过计算一个加权外积矩阵的最大特征值对应的特征向量得到；其他参数均有闭式更新公式。 * 迭代：重复E步和M步直至收敛或达到最大迭代次数。 最终，第i个声源在时频点(n,k)上的理想比率掩蔽，就被估计为该时频点属于该声源的后验概率。利用估计出的掩蔽值乘以混合声压信号，即可得到各声源信号的时频谱，再经逆短时傅里叶变换恢复为时域信号。
步骤四：实验设计与性能评估 为全面评估所提方法的性能，研究在仿真和实录两种环境下进行了系统实验。 * 对比方法：选择了两种代表性方法作为基线：1) 基于联合稀疏与非稀疏成分分离的方法，该方法同样估计IRM；2) 基于理想二值掩蔽估计的方法，该方法通过固定阈值判断时频点归属。 * 评估指标：采用语音感知质量和信号失真比两个客观指标。PESQ评估感知质量（分值越高越好），SDR评估信号保真度（分值越高失真越小）。 * 实验设置： * 仿真实验：使用Roomsim软件模拟房间。系统测试了不同声源数量（2-5个）和不同声源间隔角度（40°, 50°, 60°, 70°）的组合场景。每个场景进行36次随机试验。STFT点数设为512。 * 实录实验：在真实测听室中录制，混响时间约400ms。测试了声源数为2和3，间隔角度为60°和120°的情况。 * 数据处理：每次实验，分别用所提方法和两种基线方法对混合信号进行分离，然后计算分离出的每个语音与干净原始语音之间的PESQ和SDR分数，最后对多次实验结果取平均。
三、 主要研究结果
实验结果有力地支持了所提方法的优越性。
在仿真环境中，无论是PESQ还是SDR指标，本研究提出的方法在所有测试条件（不同声源数和不同间隔角）下均 consistently（一致地）优于两种对比方法。具体趋势表现为： 1. 声源数量影响：随着声源数量增加，所有方法的分离质量均下降，但下降程度不同。基于IBM的方法在声源数达到5时，性能已接近未分离的混合信号，表明其在严重混叠下失效。而基于SNCS的方法和本文方法因使用IRM，性能下降相对平缓。 2. 声源间隔影响：随着声源间隔角度减小，分离难度增大。基于IBM的方法性能急剧恶化；基于SNCS的方法也因可利用的清晰方位信息减少而性能下降。本文方法由于联合了方位角和归一化梯度向量两种特征，即使在小间隔角下，仍能保持最佳的分离性能。图表数据显示，在40度小间隔、多声源场景下，本文方法相较于基线方法的优势更为明显。
在实录环境中，结论与仿真实验一致。在120°大间隔下，各方法均能较好工作。但当间隔缩小至60°时，基于IBM的方法性能显著下滑，而本文方法依然展现出最强的鲁棒性，取得了最高的平均PESQ分数。这证明了该方法在真实混响和噪声环境下的有效性。
结果与流程的逻辑关系：第二步中关于拉普拉斯分布更优的验证，为第三步构建更准确的概率模型提供了关键依据。而第三步中构建的联合概率模型及EM求解算法，是直接产生高精度IRM估计的核心。最终，第四步中全面且严格的实验测评，定量且定性地验证了从特征分析到模型构建这一完整技术路线的有效性和优越性。所有结果共同指向一个结论：更精确的特征概率建模带来了更优的掩蔽估计，从而实现了更佳的分离效果。
四、 研究结论与价值
本研究成功提出并验证了一种基于概率混合模型的理想比率掩蔽多声源分离方法。主要结论是：通过采用冯·米塞斯分布和拉普拉斯分布分别对时频点方位角和归一化声压梯度信号向量进行更精确的拟合，并利用EM算法求解联合概率模型，能够显著提高欠定及声源间隔较近等多复杂场景下的语音分离质量。实验证明，该方法性能优于传统的基于稀疏成分分析或固定阈值二值掩蔽的方法。
该研究的价值体现在： * 科学价值：深入分析了用于声源分离的关键特征（归一化声压梯度向量）的统计特性，纠正了以往采用高斯模型拟合的惯性认知，确立了拉普拉斯分布的更优性。提出了一种融合方位和向量信息的概率混合建模框架，为多特征联合的语音分离研究提供了新思路。 * 应用价值：所提方法能有效提升多声源场景（如多人同时说话的会议室、嘈杂环境）下的语音分离清晰度，对于语音增强、语音识别前端处理、听觉辅助设备、虚拟/增强现实中的音频渲染等实际应用具有积极的推动作用。
五、 研究亮点
六、 其他有价值内容
研究中对STFT点数选择的讨论也颇具参考价值。作者通过实验发现，较小的STFT点数（如256）虽然能带来更好的分布拟合（K-S统计量更小），但会显著增加计算复杂度。因此，本研究在权衡后选择了512点作为折中方案。这体现了研究工作中对算法性能和计算效率的兼顾考量。此外，文章清晰地阐述了声场麦克风B-format信号的物理意义及其在特征提取中的优势，对于不熟悉该领域的读者具有很好的科普价值。