Réduction du bruit par la transformée de Fourier et Machine Learning dans les aides auditives.

Abstract

Ce mémoire porte sur la réduction du bruit dans les signaux audio, avec une orientation spécifique vers les systèmes d'aides auditives. L'objectif est de concevoir une approche efficace permettant d'atténuer le bruit ambiant tout en préservant la clarté du signal vocal. La première partie du travail s'appuie sur les outils d'analyse fréquentielle, en particulier la transformée de Fourier, pour mettre en œuvre la méthode classique de soustraction spectrale. Bien que performante dans les contextes stationnaires, cette méthode montre ses limites en environnement dynamique. Pour surmonter ces difficultés, une solution hybride est proposée en intégrant un algorithme d'apprentissage supervisé, la machine à vecteurs de support (SVM), afin d'améliorer la détection des segments non vocaux. Trois variantes de soustraction spectrale sont implémentées et comparées : Estimation 00statique, VAD énergétique et VAD basé sur SVM. Les résultats expérimentaux, évalués selon le critère SDR et les spectrogrammes obtenus montrent une amélioration significative des performances pour l'approche intelligente, confirmant l'intérêt de combiner le traitement du signal classique et l'intelligence artificielle.