0 avis
Convolutional neural network for audibility assessment of acoustic alarms.
(Utilisation d’un réseau de neurones convolutif pour évaluer l’audibilité des alarmes sonores). Communication présentée à 7th Workshop on detection and classification of acoustic scenes and events (DCASE2022). Nancy, 3-4 novembre 2022.
Acte congres
Edition : Vandoeuvre-lès-Nancy, Institut national de recherche et de sécurité (INRS), 2022
Dans les lieux de travail bruyants, l'audibilité des alarmes acoustiques est essentielle pour assurer la sécurité des travailleurs. En pratique, les normes internationales précisent certains critères afin de s'assurer que les alarmes sont "clairement audibles". Cependant, ces recommandations peuvent conduire à des alarmes trop fortes, exposant ainsi les travailleurs à des niveaux sonores inutilement élevés, en particulier lorsque les niveaux sonores ambiants sont eux-mêmes importants. Pour cette raison, il semble nécessaire d'évaluer correctement l'audibilité des alarmes lors de leur dimensionnement. Elles doivent par ailleurs être réitérées à chaque fois que l'alarme ou l'environnement sonore change. Pour surmonter ce problème, cet article présente une approche orientée données pour estimer l'audibilité de nouveaux signaux d'alarme sans avoir à tester expérimentalement chaque nouvelle condition. Dans cette étude, un modèle de réseau neuronal convolutif est entraîné pour effectuer une tâche de classification binaire sur de courts extraits sonores étiquetés avec les résultats d'expériences psychoacoustiques. Les auteurs proposent une preuve de concept de cette approche et analysent ses performances en fonction des données utilisées lors de l’apprentissage et du contexte temporel utilisé par les réseaux pour prédire l'audibilité de l'alarme.