深層学習を利用した実環境下悲鳴検出システムの開発

2021年度まで，【課題1】の「劣悪な環境下における高い検出性能の達成」および【課題3】の「小型PCやモバイル端末への実装」に向けた演算量の削減に取り組み，一定の成果を達成することができた．しかしながら，【課題2】である「悲鳴とその類似音との識別精度向上」については十分な成果を上げることができていない状況であった．まず，【課題3】の実装状況については，Raspberry Pi 4 model Bへの実装が完了し，実時間でWave-U-Netを用いた悲鳴強調が可能であることを確認した．次に，【課題2】の悲鳴と類似音の識別精度向上については，2-stage Wave-U-Netについて検討した．これまでは雑音と悲鳴を分離するための深層ネットワーク（Wave-U-Net）を学習させ，当該ネットワークを利用し雑音重畳悲鳴から悲鳴のみを分離していたが，類似音は悲鳴と見なされ十分に分離することができていなかった．そこで，分離された悲鳴と類似音を分離するための深層ネットワーク（2-stage Wave-U-Net）を新たに学習させた．当該ネットワークに対し様々な類似音によるシミュレーションを実施したところ，平均-14dB程度となり高い類似音除去効果が得られた．一方，実運用した場合を考えると，類似音が常に混入するとは限らないため，同ネットワークに類似音が重畳されていない悲鳴を入力し，劣化の程度を測定した．その結果，約0.5dB程度の劣化に抑えられていることが確認され，2-stage Wave-U-Netの有効性が明らかとなった．2-stage Wave-U-Netの小型PCやモバイル端末への実装が未完了の状態であり，次年度の早期に実装し，実運用する予定である．

2021年度まで，【課題1】の「劣悪な環境下における高い検出性能の達成」および【課題3】の「小型PCやモバイル端末への実装」に向けた演算量の削減に取り組み，一定の成果を達成することができた．しかしながら，【課題2】である「悲鳴とその類似音との識別精度向上」については十分な成果を上げることができていない状況であった．まず，【課題3】の実装状況については，Raspberry Pi 4 model Bへの実装が完了し，実時間でWave-U-Netを用いた悲鳴強調が可能であることを確認した．次に，【課題2】の悲鳴と類似音の識別精度向上については，2-stage Wave-U-Netについて検討した．これまでは雑音と悲鳴を分離するための深層ネットワーク（Wave-U-Net）を学習させ，当該ネットワークを利用し雑音重畳悲鳴から悲鳴のみを分離していたが，類似音は悲鳴と見なされ十分に分離することができていなかった．そこで，分離された悲鳴と類似音を分離するための深層ネットワーク（2-stage Wave-U-Net）を新たに学習させた．当該ネットワークに対し様々な類似音によるシミュレーションを実施したところ，平均-14dB程度となり高い類似音除去効果が得られた．一方，実運用した場合を考えると，類似音が常に混入するとは限らないため，同ネットワークに類似音が重畳されていない悲鳴を入力し，劣化の程度を測定した．その結果，約0.5dB程度の劣化に抑えられていることが確認され，2-stage Wave-U-Netの有効性が明らかとなった．2-stage Wave-U-Netの小型PCやモバイル端末への実装が未完了の状態であり，次年度の早期に実装し，実運用する予定である．