《Environmental Technology & Innovation》:PctN: A perceptually grounded indicator for quantifying Natural Sound Exposure for ambient noise mitigation
编辑推荐:
量化自然声音暴露对于控制城市环境中的环境噪声至关重要,然而,尽管人类听觉系统具有固有的辨别能力,但在复杂的城市声学环境中分离自然声音成分仍然是一个重大技术挑战。为弥补这一差距,本研究提出了一种基于感知的指标PctN(自然声源百分比,Percentage of
量化自然声音暴露对于控制城市环境中的环境噪声至关重要,然而,尽管人类听觉系统具有固有的辨别能力,但在复杂的城市声学环境中分离自然声音成分仍然是一个重大技术挑战。为弥补这一差距,本研究提出了一种基于感知的指标PctN(自然声源百分比,Percentage of Natural Sound Sources)来识别自然声音暴露,并开发了一个机器学习框架用于其自动量化。PctN基于广泛的现场录音和受控听觉实验开发,在归一化尺度0到1上量化自然声音暴露。相关性分析揭示了PctN与一系列声学、心理声学和Mel频谱图特征之间存在显著关联,确认Mel频谱图是PctN最具信息量的决定因素。研究人员评估了三种机器学习架构用于PctN预测,其中基于Mel频谱图训练的卷积循环神经网络(CRNN,Convolutional Recurrent Neural Network)实现了最高预测精度(0.83)。该框架进一步通过Transformer架构增强,以提高在实际部署中的性能。作为自动化测量仪器实现,该方法通过精确识别黎明合唱(dawn chorus)得到验证,展示了其捕捉复杂城市声环境中自然声音暴露动态变化的能力。本研究建立了一个感知信息学(perceptual-informatics)传感框架,用于量化声学自然度以管理环境噪声。
**论文解读:PctN——一种基于感知的量化自然声音暴露的指标及其在环境噪声缓解中的应用**
**研究背景与问题**
在人类世(Anthropocene),全球声环境因城市化与工业化经历了快速转变,人类活动产生的anthrophony(人为声音)显著增加,而生物源biophony(生物声音)因栖息地退化与生态破碎化而下降。这种变化凸显了基于科学的噪声缓解与生物声保护策略的紧迫性。城市噪声污染每年在欧盟造成约400亿欧元的经济负担,但传统噪声管理主要依赖物理声学指标(如等效连续A声级LAeq),缺乏对声学自然度(acoustic naturalness)的高精度原位评估工具。尽管声景研究已表明自然声音暴露与积极健康结果相关,但由于缺乏有效分析工具,自然声音的分离与量化仍面临挑战。现有指标分为两类:生态声学指数(如归一化差异声景指数NDSI、声学复杂度指数ACI等)依赖预设频段和信号处理假设,在复杂城市环境中难以可靠分离自然声音成分;基于感知的指标(如绿色声景指数GSI、红色声景指数RSI)仅针对特定成对对比(如自然声与交通噪声),无法估计混合声景中自然声源的整体百分比。因此,本研究旨在提出一种基于感知的指标PctN(自然声源百分比,Percentage of Natural Sound Sources),以量化自然声音暴露,并开发机器学习框架实现自动化测量。
**研究内容与结论**
研究人员基于深圳市(代表高密度亚热带沿海大都市)的现场录音与受控听觉实验,定义了PctN指标,其取值范围为0(无自然声)至1(纯自然声)。通过相关性分析确定PctN的关键决定因素,包括声学参数(如声级时间变异性LAeq-std、L10-L90)、心理声学参数(sharpness尖锐度、tonality音调性)以及Mel频谱图特征。比较了三种机器学习架构:反向传播人工神经网络(BPANN)、极端随机树(ERT)和卷积循环神经网络(CRNN),其中CRNN基于Mel频谱图输入实现了最高预测精度(ACC=0.83,MAE=0.07,RMSE=0.09)。为提升实际部署性能,进一步引入Transformer架构优化CRNN模型。开发了自动化测量仪器,并在深圳市三个典型城市环境(商业区SND、大学城SUT、生态区YEMS)进行验证。结果显示,优化后的模型能准确识别黎明合唱(dawn chorus)等自然声音事件,且在不同区域捕捉到自然声音暴露的时空动态变化。该研究发表在《Environmental Technology》。
**主要关键技术方法**
研究人员采用以下关键技术方法:1) 现场录音数据采集:在深圳市按生态控制线(BECL)划分的三个区域(生态区EZ、半生态区SZ、人工区AZ),共116个路线测点(44个EZ、35个SZ、37个AZ)和21个固定测点,采集702个环境录音样本和63,565个固定点录音样本(来源为深圳市六个行政区)。2) 受控听觉实验:在半球消声室中进行,由8名听力正常参与者(年龄20-40岁,来自哈尔滨工业大学深圳校区)通过自研程序Audio PCT标记声源并评分,选择Proxy Auditory Ear(PAE,代理听觉耳)作为PctN标注者。3) 数据增强与特征提取:对25秒音频片段以50%重叠的滑动窗口分割为5秒片段,共获得3,841个有效样本;提取声学、心理声学参数及Mel频谱图特征。4) 机器学习建模:构建BPANN、ERT(三种子模型,基于不同特征集)和CRNN(VGG-13卷积骨干+双向GRU循环网络)进行PctN预测,并采用Transformer优化CRNN。
**研究结果**
**3.1 决定因素(Determinants)**
**3.1.1 声学与心理声学指标(Acoustic and psychoacoustic metrics)**
Spearman相关性分析显示,PctN与声级时间变异性指标(LAeq-std、L10-L90)显著负相关(p<0.01),表明声级时间变异性越大,自然声音识别越少。Sharpness(尖锐度)指标与PctN显著正相关,而Tonality(音调性)指标显著负相关。Loudness(响度)、Roughness(粗糙度)和Fluctuation strength(波动强度)未显示显著相关性。内部关系分析表明,声级和Sharpness指标可聚类为整体水平与时间变异性两组,Tonality指标则高度内部一致。
**3.1.2 频率特征(Frequency characteristics)**
Mel频谱图通过Mel尺度映射频率,更接近人类听觉感知。提取11个关键特征(包括整体能量分布、频段暴露、谱-时纹理),Spearman相关分析显示81%的特征与PctN显著相关(p<0.01),其中Variance、Kurtosis、High-band、Correlation、Homogeneity等特征影响较大,表明Mel频谱图比传统声学/心理声学指标更全面地代表自然声音暴露。
**3.1.3 声学-心理声学指标与Mel频谱图特征的关系**
Sharpness与Mel频谱图特征(如Variance、Kurtosis、High-band等)强相关(多数相关系数>0.5),而Tonality和声级关联较弱。Mel频谱图能编码sharpness相关信息并保留完整时间结构,因此提供更全面的表示。
**3.2 输入(Inputs)**
基于自相关函数(ACF)提取特征,并采用零交叉率(ZCR)作为补充。采用数据增强策略(50%重叠滑动窗口)将702个代表性录音扩增为3,841个有效样本,每个样本由PAE标注PctN值。
**3.3 开发的模型(Developed models)**
**3.3.1 ERT模型**
构建三个子模型(分别使用75、59、38个特征输入),均采用K-means聚类将PctN分为四类。ERT模型预测精度(ACC)约0.76,但无法输出连续PctN值。
**3.3.2 CRNN模型**
采用VGG-13卷积架构(输入224×224×3 Mel频谱图),结合双向GRU,经Adam优化器训练,预测精度ACC=0.83,MAE=0.07,RMSE=0.09。外部验证(100个独立样本)平均ACC=0.79,表明模型稳健。
**3.3.3 比较(Comparison)**
CRNN优于ERT和BPANN,因其能学习Mel频谱图的分层深度特征并建模时间动态,从而更准确识别声事件。
**4. 自动化量化(Automated quantification)**
**4.1 仪器(Instrument)**
基于CRNN模型开发自动化测量仪器,硬件包括中央控制器(EPC-S201)、集成麦克风(OM261)、数据采样器(MC3322)和移动终端(TL-CG2202-4G),集成于防水机柜中。
**4.2 应用(Application)**
在三个站点部署:商业区SND(人工区,2023年5月10日至6月10日监测32天)、大学城SUT(半生态区,2023年6月20日至7月21日监测32天)、生态区YEMS(生态区,2024年5月21日至6月19日监测30天)。优化后的CRNN+Transformer模型在SND站准确识别5:00 am的黎明合唱(PctN=0.50),排除3:00 am的假阳性。在SUT站,优化模型与原始模型日均PctN相近(0.49 vs 0.48),但优化模型检测到5:00 am的PctN峰值,而原始模型未检出。YEMS站日均PctN=0.81,夜间自然声音暴露持续较高,未出现明显黎明合唱峰值,可能由于生态区丰富的夜间生物声掩盖了合唱贡献。
**讨论与结论**
**讨论总结**
传统声学指数(如NDSI、ACI、ADI)在复杂城市环境中性能有限,因无法区分声学特征相似的声音(如瀑布噪声与交通噪声)。人类听觉系统经进化可可靠区分此类声音,而PctN模拟该感知过程。PctN与NDSI呈显著正相关(r=0.63,p<0.01),但决定系数仅39%,表明两者方法不同:NDSI基于预设频段的信号谱对比,PctN基于受控实验与机器学习估计。NDSI更适用于生态监测,PctN更适合城市噪声主观感知管理。PctN框架可自动检测自然声音暴露,如黎明合唱。但存在局限:建模数据仅来自中国南海生态区(23.1°N-22.2°N, 113.8°E-114.4°E),通用性待验证;需更多样本来识别更多自然声源物种;PAE标注虽具代表性,但多PAE平均可减少误差。未来工作将扩展采样区域、增强物种区分能力,并整合声学与非声学方法。
**结论翻译**
本研究通过引入PctN(一种基于感知的量化自然声音暴露的指标)解决了高效自然声景监测的关键需求。通过开发机器学习框架并将其集成到独立传感仪器中,本研究实现了自动化PctN量化并评估了自然声音暴露。对三种架构(BPANN、ERT、CRNN)的比较评估表明,CRNN模型性能优越,尤其在捕捉如鸟类黎明合唱等复杂时间动态方面。主要技术贡献总结如下:I) 特征决定因素:分析结果将LAeq-std、L10-L90、多个Sharpness和Tonality指标以及Mel频谱图确定为PctN的核心决定因素。声学与心理声学指标提供物理可解释性,而Mel频谱图被证明是最大化预测方差的最具信息量的输入。II) 模型性能:CRNN模型在PctN估计中达到了0.83的最高预测精度。该模型有效弥合了原始声学信号与人类对自然感知之间的差距,为声景传感提供了稳健的计算工具。III) 硬件实现与验证:为促进现场尺度传感,开发并部署了使用Transformer优化CRNN的自动化仪器。在三个不同城市环境中的实际验证确认了系统的可靠性、实时数据采集能力以及在不同环境条件下的鲁棒性。最终,本研究通过提供一种将自然声音暴露纳入环境噪声管理的已验证方法,为可持续城市发展做出了贡献。所提出的系统为在实际环境中量化和监测自然声音暴露提供了一种可扩展的工具。