Estudio Comparativo entre Regresión Lineal Múltiple y Redes Neuronales Artificiales para Personalizar HRTFs

Abstract

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.