Analyse von Umgebungsgeräuschen

Geräusche umgeben uns im Alltag überall – als störender Lärm, als beruhigendes Blätterrauschen oder als warnendes Sirenengeräusch auf der Straße. Der Mensch ist nicht nur in der Lage, wichtige von unwichtigen Geräuschen zu unterscheiden. Er interpretiert die Geräusche auch auf der Grundlage seiner Erfahrungen und erhält dadurch wichtige Informationen über seine Umgebung.

Das »Machine Listening« ist ein Teilgebiet der Künstlichen Intelligenz und beschäftigt sich damit, diese Fähigkeit des Menschen nachzubilden und automatisiert Informationen aus Umgebungsgeräuschen zu erfassen und zu interpretieren. Dafür werden Verfahren der Signalverarbeitung und des maschinellen Lernens miteinander verknüpft und Algorithmen zur Analyse, Quellentrennung und Klassifikation von Musik, Sprache und Umgebungsgeräuschen entwickelt. Die Quellentrennung ermöglicht es, komplexe akustische Szenen in ihre Bestandteile, also in einzelne Klangquellen, zu zerlegen. Bei der Klassifikation werden die Geräusche identifiziert und zuvor definierten Klangquellen oder Geräuschklassen zugeordnet.

Zum Einsatz kommen die entwickelten Technologien und Lösungen in verschiedenen Bereichen 

• Bioakustik: Tierarten identifizieren, Verhaltensmuster studieren oder Umweltauswirkungen anhand akustischer Eigenschaften überwachen
• Lärmmonitoring: Lärmdaten erfassen, Lärmversursacher erkennen und Lärmschutzmaßnahmen planen
• Logistik und Verkehrsmonitoring: Fahrzeuge zählen und klassifizieren, Verkehrsströme analysieren, um die Einsatzplanung bei Notfällen zu verbessern und Maßnahmen zur Verkehrsleitung einzuleiten
• Sicherheitsüberwachung (Baustellen, öffentliche Veranstaltungen): Gefahrensituationen, Vandalismus oder Einbrüche akustisch erkennen 

Allgemeine Herausforderungen bei der Analyse von Umgebungsgeräuschen liegen unter anderem in einer robusten Erkennung von Einzelgeräuschen trotz hoher klanglicher Variabilität innerhalb und zwischen verschiedenen Geräuschklasse. Einfach gesagt: Der Algorithmus muss sowohl einen Dackel als auch eine große Dogge anhand des Bellens als Hund erkennen. Die starke Überlagerung mehrerer statischer und bewegter Klangquellen in anspruchsvollen Szenarien erschweren zusätzlich eine zuverlässige Erkennung. 

Bei der praktischen Ausbringung von KI-Algorithmen in akustischen Sensoren erschweren vor allem unterschiedliche Mikrofoneigenschaften aber auch raumakustische Effekte wie Hall und Reflektionen die Klassifikation. 

Unsere Forschung beschäftigt sich außerdem mit der Fragestellung, wie kompakte KI-Modelle mit möglichst wenig Trainingsdaten trainiert werden können, um sie anschließend auch auf ressourcenbeschränkter Hardware einzusetzen. Das ist notwendig, da an den Einsatzorten oft keine oder nur eine begrenzte Stromversorgung vorhanden ist und Langzeitanalysen oftmals mehrere Tage oder Wochen andauern. Die Modelle dürfen daher nicht sehr groß und komplex sein, damit sie für eine Echtzeitanalyse auf den Geräten funktionieren.

Unser Ziel ist es, die Technologie für praktisch relevante Fragestellungen wie die Messung und Untersuchung von Lärmbelastung, Bio- und Ökoakustik sowie Baustellen- und Logistikmonitoring einzusetzen. 

Die Grundlagenforschung in den Bereichen effiziente KI-Modelle, erklärbare KI, Training mit wenig Daten, Domain Adaptation hat darüber hinaus das Potenzial, domänenübergreifend auch in anderen Audioforschungsbereichen wie der Sprachverarbeitung oder Musiksignalverarbeitung eingesetzt zu werden. 

Außerdem forschen wir im Rahmen von Hörtests oder Citizen Science Anwendungen mit Probanden zur subjektiven Wahrnehmung von Lärm und anderen perzeptuellen Schallattributen. Ziel ist es, ein besseres Verständnis davon zu bekommen, welche Klangquellen in alltäglichen Situationen einen besonders störenden Einfluss auf unsere Lärmwahrnehmung (und damit verbunden auch auf unsere Gesundheit) haben.

Bei der Analyse von Umfeldgeräuschen kommen folgende Methoden und Verfahren zur Anwendung:

• Audiosignalverarbeitung
• Deep Learning
• Perzeption von Schallsignalen