No description available.

The thesis investigated the importance of cognition for speech understanding in experienced and new hearing aid users. The aims were 1) to develop a cognitive test (Sentence-final Word Identification and Recall, or SWIR test) to measure the effects of a noise reduction algorithm on processing of highly intelligible speech (everyday sentences); 2) to investigate, using the SWIR test, whether hearing aid signal processing would affect memory for heard speech in experienced hearing aid users; 3) to test whether the effects of signal processing on the ability to recall speech would interact with background noise and individual differences in working memory capacity; 4) to explore the potential clinical application of the SWIR test; and 5) to examine the relationship between cognition and speech recognition in noise in new users over the first six months of hearing aid use. Results showed that, for experienced users, noise reduction freed up cognitive resources and alleviated the negative  impact of noise on memory when speech stimuli were presented in a background of speech babble spoken in the listener’s native language. The possible underlying mechanisms are that noise reduction facilitates auditory stream segregation between target and irrelevant speech and reduces the attention captured by the linguistic information in irrelevant speech. The effects of noise reduction and SWIR performance were modulated by individual differences in working memory capacity. SWIR performance was related to the self-reported outcome of hearing aid use. For new users, working memory capacity played a more important role in speech recognition in noise before acclimatization to hearing aid amplification than after six months. This thesis demonstrates for the first time that hearing aid signal processing can significantly improve the ability of individuals with hearing impairment to recall highly intelligible speech stimuli presented in babble noise. It also adds to the literature showing the key role of working memory capacity in listening with hearing aids, especially for new users. By virtue of its relation to subjective measures of hearing aid outcome, the SWIR test can potentially be used as a tool in assessing hearing aid outcome. / Avhandlingens övergripande mål var att studera kognitionens betydelse för talförståelse hos vana och nya hörapparatsanvändare. Syftena var att 1) utveckla ett kognitivt test (Sentence-final Word Identification and Recall, eller SWIR test) för att mäta en brusreducerande algoritms effekt på bearbetningen av tydligt tal (vardagsmeningar); 2) att med hjälp av SWIR testet undersöka huruvida hörapparatens signalbehandling påverkade återgivningen av uppfattat tal hos vana hörapparatsanvändare; 3) att utvärdera om effekten av signalbehandling på förmågan att komma ihåg tal påverkas av störande bakgrundsljud samt individuella skillnader i arbetsminnets kapacitet; 4) att undersöka den potentiella kliniska tillämpningen av SWIR testet och 5) att undersöka förhållandet mellan kognition och taluppfattning i störande bakgrundsljud hos nya hörapparatsanvändare under de första sex månaderna med hörapparater. Resultaten visade att för vana hörapparatsanvändare lindrade brusreduceringen det störande ljudets negativa inverkan på minnet när meningar presenterades i form av irrelevant tal på deltagarnas modersmål. De möjliga underliggande mekanismerna är att brusreducering underlättar diskriminering av de auditiva informationsflödena mellan det som ska uppfattas och det som är irrelevant, samt minskar graden av uppmärksamhet som fångas av den språkliga informationen i det irrelevanta talet. Effekterna av brusreducering och resultaten av SWIR var beroende av individuella skillnader i arbetsminnets kapacitet. Resultaten av SWIR har också samband med det självrapporterade utfallet av  hörapparatsanvändning. För nya användare spelar arbetsminnets kapacitet initialt en viktigare roll för taluppfattning i störande bakgrundsljud, innan anpassningen till hörapparatens förstärkning skett, än efter sex månader. Denna avhandling visar för första gången att hörapparatens signalbehandling kan signifikant förbättra möjligheten för individer med hörselnedsättning att minnas tydligt tal, som presenteras i störande bakgrundsljud. Avhandlingen bidrar till litteraturen med en diskussion om hur arbetsminnets kapacitet spelar roll i taluppfattning med hörapparat, i synnerhet för nya användare. Med stöd av dess samband med det självrapporterade utfallet, kan SWIR testet användas som redskap i bedömning av hörapparaters effekt.

Innowearable AB has developed a product called Inno-XTM that calculates musclefatigue during three exercises: squat jumps, wall sit, and leg extension. Inno-X uses an accelerometer and a surface electromyography sensor. The goal of thisproject was to create the signal processing part of a machine-learning (ML) pipeline that classifies the exercises in real-time. Data was collected from the sensors to create a training environment that could later be translated to a real-time environment using a sliding window technique. A Savitsky-Golay filter (SG), lowpass, and highpass filters were tested in order to remove noise from the signal. The best filter proved to be the SG filter. Both time and frequency domain features were used in feature extraction. The finished product used 24 features from both domains combined. These methods together with the ML algorithms created in a collabora-tive project led to a classification accuracy for the training environment of 98.62%, while the real-time environment reached 90%. By collecting a larger and more diverse dataset, and addressing the issue of leg extension and wall sit exercises being too similar, real-time classification can be further improved which will make the ML pipeline usable for Innowearables’ customers. / Innowearable AB har utvecklat en produkt som heter Inno-XTM som räknar ut muskeltröttheten vid 3  övningar: upphopp, jägarvila och benextensioner. Inno-X använder en accelerometer och en yt-elektromyografi-sensor. Målet med projektet var att skapa signalprocesseringsdelen av en machine learning (ML) pipelinesom klassificerar dessa övningar i realtid. Data samlades in från sensorerna för att skapa en träningsmiljö som sedan kunde gå  över i realtidsmiljö genom attanvända en sliding-window teknik. Savitsky-Golay (SG) filter, högpassfilter, och lågpassfilter användes för att reducera brus i sensorsignalerna. SG filtret presterade bäst. Features från både tids- och frekvensdomän användes i feature extraction. Slutprodukten använde 24 features kombinerat från båda domänen. Dessa metoder tillsammans med ML algoritmer som togs fram i ett partnerprojekt gav ett resultat i träningsmiljön på 98.62% i klassificeringsnoggrannhet och 90% för realtidsmiljön. Genom att samla större mängd data med mer diversitet och lösa problemetatiken i att jägarvila och benextensioner  är för lika, kommer realtidsklas-sifikationen förbättras vilket hade gjort att ML pipelinen blir användbar för Innowearables kunder.

A denoising autoencoder is a type of neural network which excels at removingnoise from noisy input data. In this project, a denoising autoencoder isoptimized for removing noise from mobile positioning data. The mobilepositioning data with noise is generated specifically for this project. In orderto generate realistic noise, a study in how real world noise looks like is carriedout. The project aims to answer the question: can a denoising autoencoderbe used to remove noise from mobile positioning data? The results showthat using this method can effectively cut the noise in half. In this reportit is mainly analyzed how the amount of hidden layers and respective sizesaffected the performance. It was concluded that the most optimal design forthe autoencoder was a single hidden layer model with multiple more nodes inthe hidden layer than the input and output layer. / En brusreducerande autoencoder är ett sorts neuralt nätverk som är specialiserat för att ta bort brus från indata. I detta projekt optimeras en brusreducerande autoencoder för att ta bort brus från mobilpositioneringsdata. Till projektet skapades helt ny mobilpositioneringsdata med realistiskt brus. Detta gjordes genom att studera hur verkligt brus ser ut och skapa ett program som efterliknar detta. Projektets syfte var att undersöka om en brusreducerande autoencoder kan användas för att ta bort brus från mobilpositioneringsdata. Resultaten visar att metoden kan ta bort ungefär hälften av bruset. I rapporten undersöks och analyseras även hur antalet dolda lager och antalet noder i dessa lager påverkade mängden brus som autoencodern lyckades ta bort. Från de gjorda testerna drogs slutsatsen att den mest optimala designen var en enkel design med ett enda dolt lager som hade betydligt fler noder än input- och outputlagren.

Image classification using data from neuromorphic vision sensors is a challenging task that affects the use of dynamic vision sensor cameras in real- world environments. One impeding factor is noise in the neuromorphic event stream, which is often generated by the dynamic vision sensors themselves. This means that effective noise filtration is key to successful use of event- based data streams in real-world applications. In this paper we harness two feature representations of neuromorphic vision data in order to apply conventional frame-based image tools on the neuromorphic event stream. We use a standard noise filter to evaluate the effectiveness of noise filtration using a popular dataset converted to neuromorphic vision data. The two feature representations are the best-of-class standard Histograms of Averaged Time Surfaces (HATS) and a simpler grid matrix representation. To evaluate the effectiveness of the noise filter, we compare classification accuracies using various noise filter windows at different noise levels by adding additional artificially generated Gaussian noise to the dataset. Our performance metrics are reported as classification accuracy. Our results show that the classification accuracy using frames generated with HATS is not significantly improved by a noise filter. However, the classification accuracy of the frames generated with the more traditional grid representation is improved. These results can be refined and tuned for other datasets and may eventually contribute to on- the- fly noise reduction in neuromorphic vision sensors. / Händelsekameror är en ny typ av kamera som registrerar små ljusförändringar i kamerans synfält. Sensorn som kameran bygger på är modellerad efter näthinnan som finns i våra ögon. Näthinnan är uppbyggd av tunna lager av celler som omvandlar ljus till nervsignaler. Eftersom synsensorer efterliknar nervsystemet har de getts namnet neuromorfiska synsensorer. För att registrera små ljusförändringar måste dessa sensorer vara väldigt känsliga vilket även genererar ett elektroniskt brus. Detta brus försämrar kvalitén på signalen vilket blir en förhindrande faktor när dessa synsensorer ska användas i praktiken och ställer stora krav på att hitta effektiva metoder för brusredusering. Denna avhandling undersöker två typer av digitala framställningar som omvandlar signalen ifrån händelsekameror till något som efterliknar vanliga bilder som kan användas med traditionella metoder för bildigenkänning. Vi undersöker brusreduseringens inverkan på den övergripande noggrannhet som uppnås av en artificiell intelligens vid bildigenkänning. För att utmana AIn har vi tillfört ytterligare normalfördelat brus i signalen. De digitala framställningar som används är dels histogram av genomsnittliga tidsytor (eng. histograms of averaged time surfaces) och en matrisrepresentation. Vi visar att HATS är robust och klarar av att generera digitala framställningar som tillåter AIn att bibehålla god noggrannhet även vid höga nivåer av brus, vilket medför att brusreduseringens inverkan var försumbar. Matrisrepresentationen gynnas av brusredusering vid högre nivåer av brus.

In this work we explore online secondary path modelling (SPM) in the context of spatial active noise control (ANC). Specifically, we are interested in the reduction of broadband noise over a three-dimensional region, without restrictions on microphone and loudspeaker array placement. As spatial ANC generally requires many channels, both ANC and SPM methods must have low computational cost. The SPM methods are intended to be used with a specific spatial ANC algorithm based on kernel interpolation. By incorporating SPM, the spatial ANC method is enabled to operate under timevarying secondary paths. Four SPM methods are considered in detail, of which three are based on the auxiliary noise technique. Descriptions of the algorithms are presented for the multichannel case, in addition to block-based implementations taking advantage of the fast Fourier transform to drastically reduce computational cost. Impulse responses to simulate a soundfield are recorded using a programmable robot arm. The algorithms are evaluated through simulations to show their respective strengths and weaknesses. It is found that the auxiliary noise based SPM methods have good convergence properties for both control filter and secondary path estimate, although the auxiliary noise’s degrading effect on the residual noise leads to a similar total noise reduction as the auxiliary noise free method. For all algorithms, the noise control performance worsens, and the convergence time increases by more than an order of magnitude, compared to when the secondary paths are known. It is verified that the kernel interpolation based spatial ANC method successfully reduces noise over a region even when used with online SPM. / I detta projekt undersöks sekundärvägsmodellering för spatial aktiv brusreducering. Fokus ligger på minskning av brus över en tredimensionell region, för metoder utan några restriktioner när det gäller mikrofon- och högtalarplacering. Efterssom spatial brusreducering generellt kräver många kanaler, behöver både sekundärvägsmodellering samt brusreducering ha mycket låg beräkningskostnad. Metoderna för sekundärvägsmodellering är menade att användas tillsammans med en specifik spatial brusreduceringsalgoritm baserad på kärninterpolation. Genom att inkludera sekundärvägsmodellering kan den spatiala brusreduceringsmetoden operera även då sekundärvägarna är tidsvarierande. Fyra metoder för sekundärvägsmodellering är undersökta i detalj, tre av vilka är baserade på auxiliärbrusprincipen. Dessa algoritmer är beskrivna för multikanalsfallet, tillsammans med blockbaserade implementationer som utnyttjar den snabba Fouriertransformen för att drastiskt minska sina beräkningskostader. Impulssvar som kan användas för att simulera ett ljudfält är inspelade med hjälp av en programmerbar robotarm. Algoritmerna är utvärderade genom simuleringar för att visa deras respektive styrkor och svagheter. Experimenten visade att de algoritmer som använder sig av auxiliärbrus har bra konvergenskaraktäristik för både kontrollfilter och sekundärvägsestimat. Däremot, på grund av auxiliärbrusets negativa inverkan på residualbruset i rummet, är den totala brusreduceringen snarlik det den auxiliärbrusfria metoden ger. För alla algoritmer blir brusreduceringen försämrad och konvergenstiden ökad med mer än en storleksordning när sekundärvägsmodellering används, jämfört med när sekundärvägarna är kända. Det verifierades också att den spatiala brusreduceringsmetoden baserad på kärninterpolation kan reducera brus över en region även när den används tillsammans med sekundärvägsmodellering.

A wind tunnel from the 1950s located in Bromma, Stockholm, once used for military research is today used for commercial activities. Today the tunnel is used for indoor wingsuit flight and the facility has an interest in reducing the overall noise generated by the tunnel. Acoustic measurements indicate noise problems in the 50 Hz range. A 3D and a 2D model was structured with physical measured dimensions of the wind tunnel for simulations.Results indicate that a 37 dB decrease of the second higher order azimuthal spinning mode was achievable with the same number of monopole anti-sources as fan blades with each individual monopole modeling an enclosed loudspeakers. This acoustic mode was identified as the most problematic due to the cut-on frequency for the geometry coinciding with the fundamental blade pass frequency of the fan source during normal operating conditions. / På 1950-talet byggdes en vindtunnel i Bromma, Stockholm kallad "LT1". Vindtunneln användes då för militär utveckling för bland annat flygförsvaret. Idag drivs den efter en period utan användning kommersiellt för flygning av ekorrdräkt så kallad "Wingsuit" inomhus. Området kring tunneln har kommersialierats under tiden den var ur drift och omgivande verksamheter påverkas av ljud från vindtunnelns verksamhet varför tunnelns verksamhet söker förbättringsmöjligheter avseende bullerdämpning. Akustiska mätningar i och utanför tunneln indikerar ett problemområde kring frekvensen 50 Hz som härstammar från den stora fläkt som skapar flödet i tunneln. Vindtunneln modellerades i 3D och 2D med hjälp av fysiskt uppmätta dimensioner på plats. Modellerna användes sedan för att kunna numeriskt simulera och beräkna möjligheten att dämpa ljudet från fläkten med hjälp av aktiv kontroll. Resultaten indikerar att en 37 dB ljudreduktion är möjlig av andra ordningens högre akustiska snurrande mod. Detta var möjligt att uppnå med lika många anti-källor modellerade som monopoler vilket motsvarar slutna högtalare, som fläktblad. Denna akustiska mod identifierades som den mest problematiska eftersom cut-on frekvensen för tunnelns geometri sammanfaller med den fundamentala bladpass-frekvensen för fläkten under normal drift.

Atrial fibrillation is a common heart arrhythmia which is characterized by a missing or irregular contraction of the atria. The disease is a risk factor for other more serious diseases and the total medical costs in society are extensive. Therefore it would be beneficial to improve and optimize the prevention and detection of the disease.   Pulse palpation and heart auscultation can facilitate the detection of atrial fibrillation clinically, but the diagnosis is generally confirmed by an ECG examination. Today there are several algorithms that detect atrial fibrillation by analysing an ECG. A common method is to study the heart rate variability (HRV) and by different types of statistical calculations find episodes of atrial fibrillation which deviates from normal sinus rhythm.   Two algorithms for detection of atrial fibrillation have been evaluated in Matlab. One is based on the coefficient of variation and the other uses a logistic regression model. Training and testing of the algorithms were done with data from the Physionet MIT database. Several steps of signal processing were used to remove different types of noise and artefacts before the data could be used.   When testing the algorithms, the CV algorithm performed with a sensitivity of 91,38%, a specificity of 93,93% and accuracy of 92,92%, and the results of the logistic regression algorithm was a sensitivity of 97,23%, specificity of 93,79% and accuracy of 95,39%. The logistic regression algorithm performed better and was chosen for implementation in Java, where it achieved a sensitivity of 97,31%, specificity of 93,47% and accuracy of 95,25%. / Förmaksflimmer är en vanlig hjärtrytmrubbning som kännetecknas av en avsaknad eller oregelbunden kontraktion av förmaken. Sjukdomen är en riskfaktor för andra allvarligare sjukdomar och de totala kostnaderna för samhället är betydande. Det skulle därför vara fördelaktigt att effektivisera och förbättra prevention samt diagnostisering av förmaksflimmer.   Kliniskt diagnostiseras förmaksflimmer med hjälp av till exempel pulspalpation och auskultation av hjärtat, men diagnosen brukar fastställas med en EKG-undersökning. Det finns idag flertalet algoritmer för att detektera arytmin genom att analysera ett EKG. En av de vanligaste metoderna är att undersöka variabiliteten av hjärtrytmen (HRV) och utföra olika sorters statistiska beräkningar som kan upptäcka episoder av förmaksflimmer som avviker från en normal sinusrytm.   I detta projekt har två metoder för att detektera förmaksflimmer utvärderats i Matlab, en baseras på beräkningar av variationskoefficienten och den andra använder sig av logistisk regression. EKG som kommer från databasen Physionet MIT används för att träna och testa modeller av algoritmerna. Innan EKG-signalen kan användas måste den behandlas för att ta bort olika typer av brus och artefakter.   Vid test av algoritmen med variationskoefficienten blev resultatet en sensitivitet på 91,38%, en specificitet på 93,93% och en noggrannhet på 92,92%. För logistisk regression blev sensitiviteten 97,23%, specificiteten 93,79% och noggrannheten 95,39%. Algoritmen med logistisk regression presterade bättre och valdes därför för att implementeras i Java, där uppnåddes en sensitivitet på 91,31%, en specificitet på 93,47% och en noggrannhet på 95,25%.