聴覚情景解析は,聴覚心理学者Bregmanによって,複数音源環境における人間の音響知覚の仕組みを心理学と計算論の双方から統一的に研究する枠組みとして提唱された新しい研究分野である。本論文は,この分野へのセンシングの立場から独自なアプローチを扱っている。すなわち,聴覚の生理学的知見や心理学的知見を出発点とし,その機能の精察とセンシング方式と信号処理の数理的なモデリングを通じて,聴覚の複数音源分離能力を,将来の知能化センサに組み込むべきアルゴリズムとして実現することを目的としたもので,全体で9章から構成されている。

　第1章の序論においては,上記の問題意識が整理されるとともに,これまでの生理学的,心理学的,計算論的研究を概観し,知能化センサとしての聴覚情景解析という論文提出者のアプローチを,最適なフィルタバンク,時間周波数空間の信号素片の局所的ラベリング,カルマンフィルタによる統合の三段構造として定義し,位置づけている。

　第2章は「聴覚末梢情報表現の要件」と題し,音響信号の時間周波数表現を得るためのフィルタバンクの最適構成に関して論じ,対数周波数に関して一様な特性をもつ対数線形フィルタバンクが最適であると結論している。続く第3章は「対数線形構造の実現」と題し,対数線形な時間周波数分解を具体的に実現する方法を論じ,蝸牛基底膜の対数線形な周波数特性を模擬する音響センサとしては,平板状の機械振動系であるフィシュボーン構造の基礎的特性を導き,計算的方法としてはウエーブレット変換が本論文の目的に有効であることを示している。

　第4章は「音の三要素分解法」と題し,対数線形に時間周波数分解された信号素片を統合する独自の原理として,ウエーブレットエネルギーの瞬時変動を,全周波数に一様な増大,一様な並進,それ以外とに分ける三要素分解法を提案している。また,これを音声,金属缶の打撃音,楽音と音声の混合音などに適用し,セグメンテーションやピッチ抽出を含む特徴抽出に有用であると述べている。続く第5章は「音の三要素分解法に基づく聴覚情景解析」と題し,前章で導いた三要素分解比を時間周波数信号素片のラベルとし,これらを全ての周波数について投票して得られるヒストグラム分布のピークから,複数音源を分離統合するアルゴリズムを構築している。さらに,これらの分布の時系列を,ノンパラメトリックカルマンフィルタにより時間方向に統合する方法を提案し,計算機シミュレーションと楽音と音声の混合音の実データを用いた実験により,有効性を明らかにしている。

　第6章は「共有FM/AMの時間周波数統合に基づく聴覚情景解析」と題し,サブバンド分解された波形の瞬時振幅と瞬時周波数とそのLagrange型変化率を時間周波数信号素片のラベルとするアルゴリズムを構築し,対象が疑似周期信号に限定されるものの,音源の分離統合にとってより豊富な情報を利用した鋭敏な方法となることを示している。

　第7章と第8章は「リズムの独立な複数音列の聴覚情景解析1:心理実験,2:計算モデル」と題し,音素が時系列として規則的に到来する音について,それらが群化されストリームを形成する仕組みについて,論文提出者の先駆的取り組みを紹介している。第7章では,心理実験によって,大きさ/高さ/長さの音素の属性が等しい2音列はリズムの違いだけでは分離知覚し得ないこと,属性の差は2音列の分離を促進することを報告している。続いて第8章においては,このような時系列的聴覚情景解析問題への一つの計算モデルとして,相対時間差・属性差の投票法によるピーク形成とラベリングアルゴリズムを提案し,実験により基本的性能を確認している。

　最後の第9章は結論であり,以上の成果を総括するとともに,将来の発展方向や応用展開について論じている。

　以上,要するに,本論文は,聴覚の複数音源環境における優れた分離知覚能力を,工学的システム,特に知能化センサの基本構造とアルゴリズムとして導入することを目指し,分離知覚に最適なフィルタバンクの構成,時間周波数信号素片のラベリング特徴量,周波数軸方向と時間軸方向の最適な統合アルゴリズムの3点に関して,新しい原理と基礎理論および理論的根拠の明確なアルゴリズムを与えたもので,本研究のセンシング技術と信号処理技術への波及効果は大きく,計測工学上の貢献が大きい。よって,本論文は博士(工学)の学位請求論文として合格と認められる。