Hoe Geometrische Akoestiek en Simulaties de Basis Zijn voor Akoestische Sensoren

Geometrische akoestiek is een fundamenteel concept voor het begrijpen van hoe geluid zich verspreidt in verschillende omgevingen. Deze benadering maakt gebruik van de principes van geometrische optica om geluidsgolven te simuleren, wat vooral nuttig is in omgevingen met complexe geometrieën, zoals architecturale akoestiek en het bestuderen van omgevingslawaai. De toepassing van geometrische akoestiek in akoestische simulaties biedt een efficiënte manier om akoestische interacties tussen geluidbronnen, reflecterende oppervlakken en ontvangers te modelleren zonder dat de complexe berekeningen van bijvoorbeeld de eindige-elementenmethode (FEM) of de grens-elementenmethode (BEM) nodig zijn.

De methode van beeldbronnen, die nauw verwant is aan straaltracering, maakt gebruik van virtuele geluidbronnen die worden gegenereerd door de reflectie van echte oppervlakken. Elke virtuele bron wordt gepositioneerd zoals de reflectie van het oorspronkelijke geluidsignaal het zou doen, en het geluid dat door deze bron wordt uitgezonden, kan vervolgens worden berekend om de uiteindelijke akoestische intensiteit te bepalen bij een ontvanger. Deze benadering is bijzonder nuttig voor het simuleren van ruimtes met regelmatige geometrieën en een relatief klein aantal reflecterende oppervlakken, zoals bijvoorbeeld kamers.

De beeldbronmethode en straaltracering leveren in wezen hetzelfde resultaat op als alle reflecterende oppervlakken goed in kaart worden gebracht, maar de beeldbronmethode is computationeel efficiënter voor situaties waarin het aantal reflecties beperkt is en de geometrie van de ruimte relatief eenvoudig is. Er zijn verschillende open-source akoestische simulators beschikbaar die deze technieken implementeren, zoals Pyroomacoustics en RAVEN (Room Acoustics Visualizer for Engineers), die gebruikt kunnen worden voor het simuleren van akoestische omgevingen en het optimaliseren van ruimteontwerpen.

Geluid intensiteit neemt af met de afstand van de geluidsbron, volgens de inverse-kwadraatwet. Dit betekent dat de geluidsdruk met ongeveer 6 dB afneemt voor elke verdubbeling van de afstand tot de bron. Dit effect is duidelijk waarneembaar bij een puntbron, en het is essentieel voor het begrijpen van akoestische verstoringen in een ruimte. De absorptie van geluid door binnenoppervlakken varieert sterk, van zeer lage absorptie door metalen oppervlakken tot veel hogere absorptie door materialen zoals gordijnen en tapijt. Deze variatie speelt een cruciale rol bij het modelleren van akoestische omgevingen, omdat ze de mate van geluidsreductie of -vervorming bepalen die optreedt wanneer geluidsgolven een oppervlak raken.

Bovendien moeten de beperkingen en kenmerken van de apparaten waarmee deze systemen worden uitgevoerd, in overweging worden genomen. In het geval van mobiele apparaten, bijvoorbeeld, kunnen omgevingsfactoren zoals het geluidsniveau, de mate van reflectie en de absorptie door oppervlakken van invloed zijn op de nauwkeurigheid van akoestische metingen. Het afstemmen van deze factoren kan de prestaties van akoestische sensoren aanzienlijk verbeteren en is daarom een belangrijk aandachtspunt voor ontwerpers.

Het gebruik van geometrische akoestiek en akoestische simulaties kan ook een breed scala aan toepassingen in actieve akoestische sensoren ondersteunen, bijvoorbeeld in indoor positionering en bewegingsregistratie. Het begrijpen van de akoestische interacties tussen geluidsbronnen en de omgeving biedt waardevolle inzichten voor het ontwikkelen van nieuwe technologieën die afhankelijk zijn van akoestische signalen. Dit omvat systemen voor het traceren van bewegingen, zoals die welke gebruikmaken van ultrasoon geluid voor het nauwkeurig volgen van apparaten of zelfs vingers, evenals systemen die gebruik maken van akoestische communicatie voor gegevensoverdracht tussen apparaten zonder de noodzaak voor gespecialiseerde hardware.

Hoe OFDM-modulatie de prestaties van akoestische communicatie beïnvloedt

Orthogonale Frequentie-Divisie Multiplexing (OFDM) is een geavanceerde modulatie techniek die in veel moderne communicatie netwerken wordt toegepast, vooral in 4G- en 5G-netwerken. Deze techniek maakt gebruik van meerdere draaggolven die tegelijkertijd worden verzonden, wat zorgt voor een efficiënter gebruik van het beschikbare spectrum en hogere datasnelheden. OFDM wordt steeds belangrijker in toepassingen zoals akoestische communicatie, hoewel de directe toepassing ervan in akoestische omgevingen uitdagingen met zich meebrengt.

Het gebruik van OFDM in akoestische communicatie is problematisch door de beperkte coherentie tijd van kanalen en de aanwezigheid van fase ruis. In een typische akoestische omgeving kan de signaalintegriteit snel verslechteren, zelfs bij relatief statische kanalen. Om deze beperkingen te overwinnen en de robuustheid van communicatie te verbeteren, wordt OFDM vaak gecombineerd met Amplitude Shift Keying (ASK) voor datamodulatie. Dit zorgt voor een efficiëntere overdracht van gegevens, zelfs in complexe omgevingen.

In de basisprocedure voor OFDM-modulatie wordt een basisbandsignaal eerst gemoduleerd door ASK. Dit proces introduceert redundantie via kanaalcodering om de effecten van ruis te verminderen. Vervolgens wordt de Fourier-transformatie, specifiek de inverse snelle Fourier-transformatie (IFFT), toegepast om het gemoduleerde signaal van het frequentiedomein naar het tijdsdomein om te zetten. Het resultaat is een signaal dat geschikt is voor overdracht. Een belangrijk aspect bij deze procedure is dat de frequentiecomponenten van het gemoduleerde signaal Hermitisch symmetrisch moeten zijn, wat betekent dat de negatieve frequenties een complex geconjugeerde versie van de positieve frequenties zijn. Dit is essentieel voor het verkrijgen van een reëel signaal na de IFFT, dat vervolgens kan worden verzonden.

De overdracht van ASK-gemoduleerde signalen naar het OFDM-systeem resulteert in een symmetrisch frequentiespectrum, waarbij het oorspronkelijke enkele zijkanaalsignaal wordt omgezet in een dubbelzijdig zijkanaalsignaal. Dit betekent dat de gegevens over een groter frequentiebereik kunnen worden verspreid, wat de robuustheid tegen interferentie verhoogt. Het voorbeeld van een inaudibel communicatiesysteem met een draaggolfruimte tussen 18 kHz en 22 kHz toont hoe de subdragers efficiënt kunnen worden verdeeld over dit bereik, met behulp van een draaggolfruimte van slechts 100 Hz, wat de resolutie van de frequentie beïnvloedt.

Een andere overweging in de praktische implementatie van OFDM in akoestische systemen is het gebruik van een cyclische prefix (CP). De CP is een herhaling van het laatste segment van een OFDM-symbool en wordt toegevoegd om de gevolgen van synchronisatiefouten te verminderen. In de akoestische communicatie is nauwkeurige synchronisatie vaak moeilijk te bereiken, dus het toevoegen van een CP kan helpen om de signalen robuuster te maken tegen tijdelijke uitlijning of tijdsverschuivingen. Dit is vooral belangrijk in dynamische omgevingen waar de signalen mogelijk niet perfect gesynchroniseerd zijn bij ontvangst.

Hoewel OFDM uitstekende spectrale efficiëntie biedt, is het in akoestische communicatie vaak beperkt tot korte communicatie-afstanden. Dit komt door de gevoeligheid van de OFDM-symbolen voor propagatieverlies, waardoor het effectief bereik vaak wordt beperkt tot enkele centimeters. Voor toepassingen die communicatie over grotere afstanden vereisen, kan Chirp Spread Spectrum (CSS) een veelbelovende oplossing bieden. CSS is een robuustere techniek voor communicatie over langere afstanden, omdat het beter bestand is tegen attenuatie en multipad-interferentie, factoren die OFDM sterk kunnen beïnvloeden.

Het is belangrijk te begrijpen dat de toepassing van OFDM in akoestische communicatie niet zonder uitdagingen is. De technologische complexiteit van OFDM-systemen maakt het een uitdagende keuze voor alledaagse IoT-apparaten in akoestische omgevingen. Deze systemen vereisen niet alleen geavanceerde codering en modulatie, maar ook een zorgvuldige afstemming van de apparatuur om optimaal te kunnen functioneren. Dit omvat onder andere het afstemmen van de frequenties en de juiste instellen van de resolutie om interferentie te minimaliseren.

Hoe Kunnen Beweging Artifacten de Nauwkeurigheid van Fysiologische Monitoring Beïnvloeden?

Beweging artifacten kunnen verstoringen veroorzaken die niet alleen onvoorspelbaar zijn, maar vaak ook aanzienlijk groter dan de subtiele bewegingen die veroorzaakt worden door vitale functies. Deze discrepantie leidt vaak tot plotselinge veranderingen in de ‘range bins’ die corresponderen met de gemonitorde persoon. Dit heeft aanzienlijke gevolgen voor de betrouwbaarheid van vitale monitoringsystemen, aangezien de benodigde monstersnelheid vaak niet voldoende is om de snelle veranderingen in de range bins adequaat vast te leggen. Deze veranderingen bevatten namelijk de cruciale informatie over de vitale functies van de persoon.

Een ander groot probleem is de moeilijkheid om de borstreflectie correct te identificeren wanneer er interferentie is van andere bewegende lichaamsdelen, zoals de handen of het hoofd. Dit maakt nauwkeurige detectie bijna onmogelijk. Bovendien kunnen de frequenties van bepaalde beweging artifacten, zoals lichaamsbeweging veroorzaakt door beenschudden of hardlopen op een loopband, samenvallen met de frequentiebereiken van vitale functies. Dit veroorzaakt ernstige interferentie die het detecteren van vitale signalen verder bemoeilijkt. In combinatie met de ruimtelijke overlap tussen beweging artifacten en vitale signalen, worden ruimtelijke filtertechnieken zoals beamforming vaak onbruikbaar. Om de nauwkeurigheid te waarborgen, resorteren de meeste voorgestelde methoden simpelweg tot het weggooien van de tijdsperioden die door beweging artifacten worden beïnvloed.

Het is niet alleen de interferentie van beweging artifacten die de nauwkeurigheid van vitale signalen verstoort, maar ook de ruimtelijke nabijheid van signalen van verschillende vitale functies zoals ademhaling en hartslag. Aangezien deze signalen zich vaak in dezelfde ruimte bevinden, kunnen ze niet eenvoudigweg gescheiden worden met behulp van ruimtelijke technieken, wat leidt tot wederzijdse interferentie. Een aanzienlijke uitdaging ontstaat door het enorme verschil in amplitude tussen deze twee signalen. Het detecteren van het zwakkere signaal, de hartslag, vereist een hoge gevoeligheid, wat mogelijk bereikt kan worden door de afstandsresolutie te verhogen door interpolatie. Een hogere gevoeligheid maakt het systeem echter ook gevoeliger voor interferentie. Wanneer de gevoeligheid hoog is, kunnen kwantisatiefouten die ontstaan door variaties in de range bins bij het sampelen van het grotere ademhalingssignaal, ruis in de fase introduceren, wat de zwakke hartslagsignalen kan verbergen. Als de gevoeligheid daarentegen laag is, zodat deze wel ademhaling vastlegt maar niet geoptimaliseerd is voor de hartslag, is de kans groot dat het hartslagsignaal niet gedetecteerd wordt. Men zou kunnen voorstellen om het aantal monsters te verhogen en een lange-sequentie snelle Fourier-transformatie (FFT) uit te voeren om de gevoeligheid voor hartslag te verbeteren, als compensatie voor de lagere gevoeligheid. Dit zou echter slechts statistische informatie kunnen verschaffen, zoals de hartslagfrequentie, over een langere meetperiode en zou niet effectief zijn in het snel detecteren van onregelmatige hartslagen.

Analytische signaalverwerkingsmethoden maken gebruik van interpreteerbare modellen die de dynamiek van het signaal goed beschrijven. De effectiviteit van deze methoden is echter sterk afhankelijk van de zorgvuldig ontworpen modellen. In een werk van CORA wordt bijvoorbeeld gebruik gemaakt van het significante verschil in amplitude tussen ademhaling en beweging artifacten. Door twee soorten signalen te gebruiken, namelijk frequentiemodulatie-continue golf (FMCW) en orthogonale tijd-frequentie ruimte (OTFS), kunnen ze de beweging artifacten isoleren van de ademhalingssignalen. OTFS signalen zijn speciaal ontworpen om gevoelig te zijn voor beweging artifacten en ongevoelig voor ademhalingsbewegingen, terwijl FMCW signalen zijn ingesteld met een hoge gevoeligheid voor ademhaling, maar ook veel interferentie van beweging artifacten registreren. Het idee achter deze aanpak is om de inherent soepele aard van menselijke beweging te benutten. Dit stelt de minder gevoelige OTFS signalen in staat om het gedetailleerde golfform van de beweging artifacten effectief te herstellen, terwijl de kleine variaties veroorzaakt door ademhaling kunnen worden geëgaliseerd bij het sampelen van de beweging artifacten.

Naast de genoemde technieken moet men begrijpen dat hoewel deep learning-methoden veelbelovend kunnen zijn, ze vaak een aanzienlijke hoeveelheid trainingsdata vereisen en complex zijn om te trainen, waardoor ze mogelijk niet gemakkelijk generaliseerbaar zijn voor verschillende scenario's.

Hoe kan de Signaal-ruisverhouding (SNR) worden gebruikt bij de evaluatie van OAE-signalen voor gehoortests?

De Transiënt-geïnduceerde Otoakoestische Emissies (TEOAE) worden uitgelokt door een klikstimulus, meestal met een duur van 100 μs en een intensiteit van 80 dB peSPL. Het innerlijke oor reageert op dit brede frequentiesignaal, en de respons kan in de gehoorgang binnen enkele milliseconden worden gedetecteerd. Om de niet-lineaire OAEs te onderscheiden van de lineaire componenten en de echo van de stimulus, wordt een niet-lineaire meetmethode toegepast. Deze techniek maakt gebruik van een reeks van drie klikken van standaardamplitude, gevolgd door een vierde klik met drie keer de amplitude en omgekeerde polariteit. Door de responsen van deze vier klikken op te tellen, worden de lineaire elementen effectief geëlimineerd, waardoor alleen de niet-lineaire OAE en willekeurige ruis overblijven.

Doordat de stimulus een breedbandig karakter heeft, is een enkele meting voldoende om de cochleaire functie over een breed scala aan frequenties te beoordelen. In veel gevallen worden standaardapparaten gebruikt voor het uitvoeren van deze gehoortests, zoals een DPOAE-hoortest, waarbij een oortip met twee luidsprekers en een microfoon wordt gebruikt. De luidsprekers zenden twee zuivere tonen uit op specifieke frequenties, f1 en f2, terwijl de microfoon de resulterende geluiden opneemt. Met behulp van een Fast Fourier Transform (FFT) wordt bepaald of een harmonische frequentie van 2f1 − f2 boven de ruisvloer wordt gepresenteerd. Om de frequentie-afhankelijke gevoeligheid van de akoestische sensoren en omgevingsruis te compenseren, wordt een reeks frequentieparen uitgezonden. De gevoeligheid van de opname kan verder worden verhoogd door de venstergrootte van de FFT te vergroten.

De diagnose van oorgezondheid is ook sterk in ontwikkeling, mede door de komst van goedkope apparaten die specifieke oorcondities kunnen detecteren. Apparaten zoals pneumatische otoscopen of tympanometers worden nu vaak gebruikt in combinatie met commerciële apparaten voor continu oorgezondheidsonderzoek. Deze apparaten hebben vaak een interne microfoon en luidspreker en kunnen informatie verzamelen over de staat van het oor door modulerende signalen uit te zenden en de daaruit voortvloeiende reflecties op te nemen.

Bepaalde oorcondities, zoals een gescheurd trommelvlies, oorsmeeraccumulatie of blokkades in de gehoorgang, kunnen de akoestische reflectieprofielen veranderen. Door specifieke kenmerken binnen deze reflectieprofielen te onderzoeken, bijvoorbeeld door middel van fysische modellen of deep learning-methoden, kan de gezondheid van het oor worden beoordeeld. Otitis media, bijvoorbeeld, veroorzaakt ontsteking en vloeistofophoping achter het trommelvlies, terwijl oorsmeeraccumulatie de reflectie-verhoudingen aanzienlijk kan verstoren. Een gescheurd trommelvlies kan leiden tot negatieve druk, pusophoping en betrokkenheid van de middenoorholte, wat de geluidsweergave en het reflectiepatroon wijzigt.

Om deze veranderingen te versterken, zijn er specifieke spectrale kenmerken ontwikkeld die in de detectie van abnormaliteiten kunnen worden toegepast. Een aantal van deze kenmerken, zoals scheefheid, kurtosis en het crests-factor, kunnen gedetailleerd worden geanalyseerd om de toestand van het oor nauwkeuriger vast te stellen. Deze spectrale kenmerken kunnen vervolgens worden geïntegreerd in deep learning classifiers voor snellere en efficiëntere diagnoses van de oorgezondheid.