On the Performance of Sound Bubbles: An Analysis of Directional Performance and Underlying Acoustic Principles: An Analysis of Directional Performance and Underlying Acoustic Principles
Translated title
Om Lydboblers Ydeevne: En Analyse af Retningsafhængig Præstation og Underliggende Akustiske Principper: En Analyse af Retningsafhængig Præstation og Underliggende Akustiske Principper
Author
Bentsen, Emil Lunau
Term
4. semester
Education
Publication year
2025
Submitted on
2025-06-05
Pages
43
Abstract
This thesis examines an audio system designed to create "sound bubbles"—small zones where sound is clear for the intended listener and fades outside. It focuses on three questions: (1) how the sharpness of the bubble’s boundary depends on the chosen bubble size, (2) how performance changes with the angle between listener and loudspeaker, and (3) whether the system’s neural network implicitly relies on the inverse distance law—sound becomes weaker the farther it travels—to estimate speaker distance. Methods included a technical review of the original paper, a MATLAB simulation that modeled idealized bubble behavior using the inverse distance law, and a systematic evaluation of the trained neural network with custom test data. The data were generated under simplified conditions to isolate distance and angle: nearly anechoic (almost echo-free) environments and single-speaker test cases. The results suggest that the neural network uses cues consistent with the inverse distance law, as its performance patterns closely matched the MATLAB simulation. Because the tests involved low environmental variation, no reverberation, and idealized signal assumptions, these findings should be interpreted with caution. More realistic testing is needed to assess how well the system would work in real-world settings.
Denne kandidatafhandling undersøger et lydsystem, der skal skabe "lydbobler"—små zoner, hvor lyden er tydelig for den tilsigtede lytter og aftager udenfor. Arbejdet fokuserer på tre spørgsmål: (1) hvordan skarpheden af boblekanten afhænger af den valgte boblestørrelse, (2) hvordan ydeevnen ændrer sig med vinklen mellem lytter og højttaler, og (3) om det neurale netværk i systemet implicit bygger på den inverse afstandslov—lyd bliver svagere, jo længere den udbreder sig—til at anslå afstanden til højttaleren. Metoderne omfattede en teknisk gennemgang af den oprindelige artikel, en MATLAB-simulering, der modellerede idealiseret bobleadfærd med den inverse afstandslov, og en systematisk evaluering af det trænede neurale netværk med egenproducerede testdata. Dataene blev genereret under forenklede forhold for at isolere afstand og vinkel: næsten anekoiske (næsten ekkofrie) omgivelser og tests med én enkelt højttaler. Resultaterne tyder på, at det neurale netværk udnytter signaler i overensstemmelse med den inverse afstandslov, da dets præstationsmønstre lå tæt op ad MATLAB-simuleringen. Da testene havde lav miljøvariation, ingen efterklang og idealiserede signalantagelser, bør resultaterne tolkes med forsigtighed. Mere realistiske testforhold er nødvendige for at vurdere, hvor godt systemet vil fungere i praksis.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords
Deep learning ; Neurale netværk ; Afstandslov ; Lyd ; Lydbobler ; Akustik ; Datagenerering ; Simulering ; Test ; SNR