INVESTIGADORES
TOMMASINI Fabian Carlos
congresos y reuniones científicas
Título:
Estudio comparativo entre regresión lineal múltiple y redes neuronales artificiales para personalizar HRTFs
Autor/es:
TOMMASINI, F. C.; RAMOS, O. A.; ARANEDA, M.; FERREYRA, S. P.; CRAVERO, G. A.
Lugar:
Salta
Reunión:
Congreso; X Congreso Argentino de Mecánica Computacional, MECOM 2012; 2012
Institución organizadora:
Asociación Argentina de Mecánica Computacional
Resumen:
En realidad acústica virtual es crucial modelar al oyente mediante sus
respuestas impulsivas de cabeza (HRIRs) o sus funciones de transferencia
de cabeza (HRTFs). Medir las HRTFs a cada uno de los usuarios de un
sistema de realidad acústica virtual es complejo, costoso y requiere de
equipamiento y personal especializado. Por lo tanto, es necesario y
conveniente desarrollar procedimientos más simples y baratos que
permitan estimar las HRTFs de un sujeto sin tener que medirlas. Las
ondas sonoras sufren complejas transformaciones al interactuar con la
cabeza, el torso y la oreja, antes de alcanzar los tímpanos del oyente.
Uno de los abordajes más utilizados para personalizar HRTFs es el de
apelar a mediciones de algunas características antropométricas del
individuo, responsables de las transformaciones mencionadas. Para
construir HRTFs personalizadas, es común utilizar el análisis de
componentes principales (PCA) aplicado a un conjunto de HRTFs medidas a
un grupo de sujetos. Luego, se busca establecer la relación entre
parámetros antropométricos seleccionados y los pesos del PCA, utilizando
algún modelo de regresión multivariable. El propósito de este trabajo
fue contrastar las HRTFs obtenidas para sujetos no incluidos en el grupo
anterior, mediante dos métodos: regresión lineal múltiple y redes
neuronales artificiales (ANNs). Se utilizó la distancia euclidiana entre
los dos espectros para estimar la calidad del ajuste entre las HRTFs
medidas y las estimadas. El estudio fue realizado en el plano medio en
el cual los perfiles espectrales son esenciales para localizar una
fuente sonora. Los resultados mostraron que los errores de las ANNs son
menores para la mayoría de las posiciones.