两种用于隐藏声源声音定位的响应追踪方法的比较

《Scientific Reports》：Comparison of two response tracking methods for sound localization with concealed sound sources

　　

声音定位的准确测量不仅取决于声学设置，还取决于用于报告感知声源方向的响应方法，特别是当扬声器阵列的视觉线索被最小化时。本研究比较了两种专门为隐藏水平扬声器阵列设计的响应追踪方法：一种自我中心的基于LED（发光二极管）的方法和一种外部中心的基于平板电脑的方法。与高端解决方案（如头部或眼动追踪系统）相比，这两种方法都较为紧凑且技术投入适中。20名正常听力参与者使用两种方法完成了自由场声音定位任务。基于LED的自我中心方法产生的定位误差（均方根误差（RMSE）：5.4°，95%置信区间（CI）：4.77°至6.10°）显著低于基于平板电脑的方法（7.4°，95% CI：6.75°至8.07°），但需要更长的试验时长（增加21%）。RMSE差异的大部分可归因于手指在平板表面位置与目标意图位置之间的偏差。角度依赖性分析揭示了系统的、方法特异性效应：两种响应方法均表现出参与者响应的中心偏移以及在侧方声源位置上的精度降低。对基于平板电脑方法的探索性分析表明，该效应叠加了一个额外的、跨声源角度的恒定侧向偏差。这些发现表明，响应方法的选择会系统性影响测量的定位表现，因此在设计定位实验和解读其结果时应予以考虑。

**论文解读：两种响应追踪方法在隐藏声源声音定位中的比较研究**

**研究背景与问题**

人类声音定位表现的准确评估不仅依赖于刺激播放的声学设置，还取决于参与者用于报告感知声源方向的响应追踪方法。根据研究人员的先前综述，该领域的方法可大致分为外部中心（exocentric）方法和自我中心（egocentric）方法。外部中心方法要求参与者在测试环境的二维或三维表示（如球体、纸张或计算机屏幕）上指示感知声源位置，虽然响应速度快且可覆盖所有方向，但参与者往往难以将听觉环境映射至抽象表示，导致系统性的判断错误。自我中心方法则要求参与者直接在环境中指示声源，例如通过标签选择对应扬声器，或追踪手部、头部、眼部或手持物体的位置。这类方法通常比外部中心方法精度更高，但需要更复杂的硬件和后处理，标签方法的保真度还直接受限于回放设置中声源的数量。

在许多实验设置中，扬声器阵列通常是可见的或带有明确标签，这会引入朝向离散扬声器位置的视觉偏差。当扬声器角度间距超过参与者固有的定位误差时，选择正确扬声器会低估定位误差，而选择错误扬声器则高估误差。为消除视觉偏差，研究人员通常将扬声器隐藏，例如在黑暗中进行测试或使用不透明织物覆盖阵列。然而，关于最小化视觉偏差的声音定位方法研究仍相对有限，且隐藏扬声器后，简单的标签选择策略不再可用，需要更复杂的响应方法来指示感知的声源位置。

基于上述问题，研究人员开展本研究，旨在比较两种专门为隐藏水平扬声器阵列设计的响应追踪方法：一种基于LED（发光二极管）的自我中心方法和一种基于平板电脑的外部中心方法。该研究发表在《Scientific Reports》上。研究得出的主要结论是：基于LED的方法在定位误差（均方根误差，RMSE）上显著优于基于平板的方法（LED方法平均RMSE为5.43°，平板方法为7.41°），但LED方法所需试验时长更长（增加约21%）。差异的大部分可归因于平板触摸输入的固有系统误差（约2°）。角度依赖性分析揭示了两种方法均存在朝向中心线的响应偏移以及侧方声源定位精度降低，但平板方法还表现出额外的恒定侧向偏差。这些发现表明，响应方法的选择会系统性影响所测量的定位表现，因此在设计定位实验和解读结果时必须予以考虑。

**主要关键技术方法**

研究采用两种响应追踪方法。第一种为基于LED的方法：使用一根固定在弧形金属导轨上的3米长LED条（包含181个LED），覆盖-90°至+90°范围，分辨率为1°；参与者手持旋转编码器控制并移动一个发光的指针LED，通过按钮确认位置。第二种为基于平板的方法：使用10英寸触摸屏平板电脑，显示俯视视角的测试环境示意图，参与者通过点击连续圆圈上相应角度位置进行响应。两种方法均提供相同输入范围（-90°至+90°）和分辨率（1°）。刺激为430毫秒白噪声脉冲串（五个30毫秒噪声脉冲间隔70毫秒），并应用了电平（60、65、70 dB SPL）和频谱随机化（通过头相关传递函数卷积）。测试在2.8×2.8×2米的隔声室内进行，11个扬声器（Genelec 8030^C）以15°间隔排列在水平半圆形阵列中（范围-75°至+75°），使用不透明透声织物覆盖。20名正常听力成人（11女9男，年龄20-26岁，平均23±2岁，听力阈值≤20 dB HL）参与实验。数据分析采用线性混合效应模型（LMM），计算签名偏差（SB）、均方根误差（RMSE）和试验时长（TD）。

**研究结果**

**总体定位表现**

通过LMM分析，研究人员发现两种响应方法在总体RMSE上存在高度显著差异（F(1,18)=22.96，p<0.001）。LED方法平均RMSE为5.43°（95%置信区间（CI）：4.77°至6.10°），平板方法为7.41°（95% CI：6.75°至8.07°），相差1.98°。然而，LED方法的平均试验时长为3.39秒（95% CI：3.14至3.65秒），显著高于平板方法的2.80秒（95% CI：2.55至3.05秒），增加0.59秒/试验（F(1,16)=25.05，p<0.001）。两种方法在SB上无显著差异（F(1,208)=0.14，p=0.710），均表现出轻微右向偏差（LED：0.76°，平板：0.90°）。测试顺序对SB、RMSE或TD均无显著影响。

**角度依赖性分析**

**签名偏差（Signed bias）**
LED方法（图4a）中，平均SB在0°扬声器位置最小，在±45°达到最大，随后向±75°减小；偏差值在阵列左侧主要为正值（偏向右侧），右侧主要为负值（偏向左侧），表明朝向0°方向的系统偏差，但最侧方位置除外。平板方法（图4b）呈现更不规则的模式，最小偏差（0.7°至2.1°）出现在-30°、±45°、-60°和0°，最大偏差（4.1°至6.0°）出现在±15°和30°；偏差符号相反（左侧负值、右侧正值），表明偏离中心的系统偏移。平板方法的参与者间方差普遍高于LED方法。

**均方根误差（Root mean square error）**
LED方法（图4c）的RMSE大致呈V形，从0°的0.37°增加到±75°的7.59°-8.65°，参与者间方差从左至右波动。平板方法（图4d）的RMSE系统性地更高，除0°为2.4°外，侧方角度均值在6.5°至9.1°之间，参与者间方差更大（侧方4°-7°，中线2.26°）。进一步分析表明，平板方法在0°位置的RMSE显著高于LED方法（平均0.37° vs 2.41°），差异约2.0°，提示平板触摸存在系统输入误差。在对平板方法的RMSE减去2°后，两种方法的总体RMSE差异不再显著，仅个别角度（-75°、15°）仍有显著差异。

**试验时长（Trial duration）**
平板方法（图4f）的TD在所有扬声器位置上相对稳定（均值2.58-2.93秒），参与者间变异性低。LED方法（图4e）的TD则变化明显：0°时最短（2.26秒），向侧方逐渐增加，线性拟合显示每增加一个扬声器位置增加约0.12秒，且与0°相比存在约0.56秒的固定偏移；参与者间方差更高（0.60-1.31秒）并略有增大。慢反应和快反应组在SB和RMSE上均无显著差异。

**输入精度分析**
通过比较0°位置的RMSE，研究人员发现平板方法存在约2.0°的系统输入误差。在减去该误差后，两种方法的总体RMSE差异不再显著，表明平板方法增高的RMSE主要源于触摸输入界面的局限性，而非外部中心响应的认知重映射误差。

**讨论与结论总结**

在讨论部分，研究人员指出两种方法观察到的轻微右向签名偏差（约1°）与既往研究一致，可能源于大多数参与者的右利手效应。LED方法的前向偏差（朝向中线）与允许头部运动的先前研究结果相似，研究人员推测该偏差可能源于“中心趋势判断”，即参与者在对判断不确定时倾向于向响应尺度中心移动。在平板方法中，通过减去LED方法的额叶偏差后，研究人员发现平板方法存在系统性高估声源偏心的侧向偏差，这与其他采用外部中心方法的文献（如God’s Eye Localization Pointing技术）中报告的向后偏移类似，可能由响应装置的视差效应或认知重映射引起。总体而言，研究结论强调：响应方法的选择会系统性地影响参与者的定位表现，因此必须在设计定位实验时仔细考虑。LED方法虽精度更高但耗时更长，平板方法则速度更快但受限于触摸输入精度。两种方法均可作为隐藏声源阵列的实用方案，且其表现可与技术更复杂的头部追踪系统相媲美。

研究结论部分的原文翻译如下：
本研究比较了两种用于隐藏水平扬声器阵列声音定位测量的响应追踪方法：一种自我中心的基于LED的方法和一种外部中心的基于平板的方法。总体而言，基于LED的方法显示出显著更低的均方根误差（RMSE），而基于平板的方法则实现了更短的试验时长。这些发现与使用类似响应方法的既往报道一致，并且与技术上更复杂的方法（如头部追踪）所获得的结果相当。重要的是，RMSE差异的一大部分可归因于基于平板方法的系统输入误差，该误差来源于预期目标位置与实际手指位置在触摸屏上的偏差。角度依赖性分析揭示了系统的、方法特异性效应。两种方法均表现出中心偏差以及在侧方位置上精度降低。对基于平板方法的探索性分析表明其存在额外的侧方偏差，这可能反映了听觉环境到平板界面的认知重映射。这些发现表明，响应方法的选择会系统性影响参与者的响应，应在设计声音定位测试时仔细考虑。