A avaliação perceptivo-auditiva tem papel fundamental no estudo e na avaliação da voz, no entanto, por ser subjetiva está sujeita a imprecisões e variações. Por outro lado, a análise acústica permite a reprodutibilidade de resultados, porém precisa ser aprimorada, pois não analisa com precisão vozes com disfonias mais intensas e com ondas caóticas. Assim, elaborar medidas que proporcionem conhecimentos confiáveis em relação à função vocal resulta de uma necessidade antiga dentro desta linha de pesquisa e atuação clínica. Neste contexto, o uso da inteligência artificial, como as redes neurais artificiais, indica ser uma abordagem promissora. Objetivo: Validar um sistema automático utilizando redes neurais artificiais para a avaliação de vozes rugosas e soprosas. Materiais e métodos: Foram selecionadas 150 vozes, desde neutras até com presença em grau intenso de rugosidade e/ou soprosidade, do banco de dados da Clínica de Fonoaudiologia da Faculdade de Odontologia de Bauru (FOB/USP). Dessas vozes, 23 foram excluídas por não responderem aos critérios de inclusão na amostra, assim utilizaram-se 123 vozes. Procedimentos: avaliação perceptivo-auditiva pela escala visual analógica de 100 mm e pela escala numérica de quatro pontos; extração de características do sinal de voz por meio da Transformada Wavelet Packet e dos parâmetros acústicos: jitter, shimmer, amplitude da derivada e amplitude do pitch; e validação do classificador por meio da parametrização, treino, teste e avaliação das redes neurais artificiais. Resultados: Na avaliação perceptivo-auditiva encontrou-se, por meio do teste Coeficiente de Correlação Intraclasse (CCI), concordâncias inter e intrajuiz excelentes, com p = 0,85 na concordância interjuízes e p variando de 0,87 a 0,93 nas concordâncias intrajuiz. Em relação ao desempenho da rede neural artificial, na discriminação da soprosidade e da rugosidade e dos seus respectivos graus, encontrou-se o melhor desempenho para a soprosidade no subconjunto composto pelo jitter, amplitude do pitch e frequência fundamental, no qual obteve-se taxa de acerto de 74%, concordância excelente com a avaliação perceptivo-auditiva da escala visual analógica (0,80 no CCI) e erro médio de 9 mm. Para a rugosidade, o melhor subconjunto foi composto pela Transformada Wavelet Packet com 1 nível de decomposição, jitter, shimmer, amplitude do pitch e frequência fundamental, no qual obteve-se 73% de acerto, concordância excelente (0,84 no CCI), e erro médio de 10 mm. Conclusão: O uso da inteligência artificial baseado em redes neurais artificiais na identificação, e graduação da rugosidade e da soprosidade, apresentou confiabilidade excelente (CCI > 0,80), com resultados semelhantes a concordância interjuízes. Dessa forma, a rede neural artificial revela-se como uma metodologia promissora de avaliação vocal, tendo sua maior vantagem a objetividade na avaliação. / The auditory-perceptual evaluation is fundamental in the study and analysis of voice. This evaluation, however, is subjective and tends to be imprecise and variable. On the other hand, acoustic analysis allows reproducing results, although these results must be refined since the analysis is not precise enough for intense dysphonia or chaotic waves. Therefore, the will to develop measurements allowing reliable knowledge related to vocal function is not new on this research and clinical actuation field. In this context, the use of artificial intelligence such as neural networks seems to be a promising research field. Objective: to validate an automatic system using artificial neural networks for evaluation of vocal roughness and breathiness. Methods: One hundred fifty (150) voices were selected from from Clínica de Fonoaudiologia da Faculdade de Odontologia de Bauru (FOB/USP) database. These voices presented variation from neutral to intense roughness and/or breathiness. Twenty-three of them were excluded since they did not match inclusion criteria. Thus, 123 voices were used for analysis. The procedures include use of auditoryperception based on two scales: visual analog scale of 100 mm and four points numerical scale. Additionally, the characteristics of voice signals were extracted by Wavelet Packet Transform and by analysis of acoustic parameters: jitter, shimmer, derivative amplitude and pitch amplitude. Validation of classifying system was carried out by parameterization, training, test and evaluation of artificial neural networks. Results: In the auditory-perceptual evaluation, excellent interrater (p=0.85) and intrarater (0.87<p<0.93) agreement were obtained by means of Intraclass Correlation Coefficient (ICC) testing. The artificial neural network performance has achieved the best results for breathiness in the subset composed by parameters jitter, pitch amplitude and fundamental frequency. In this case, the neural network obtained a rate of 74%, demonstrating excellent concordance with auditory-perceptual evaluation for visual analog scale (0.80 ICC) and mean error of 9 mm. As for roughness evaluation, the best subset is composed by Wavelet Packet Transform with 1 resolution level, jitter, shimmer, pitch amplitude and fundamental frequency. For this case, a 73% rate was achieved (0.84 ICC) and mean error of 10 mm was obtained. Conclusion: The use of artificial neural networks for roughness and breathiness evaluation present high reliability (ICC&gt;0.80), with results similar to interrater agreement. Thus, the artificial neural network reveals a promising method for vocal evaluation, bringing objective analysis as a strong advantage.

A avaliação perceptivo-auditiva tem papel fundamental no estudo e na avaliação da voz, no entanto, por ser subjetiva está sujeita a imprecisões e variações. Por outro lado, a análise acústica permite a reprodutibilidade de resultados, porém precisa ser aprimorada, pois não analisa com precisão vozes com disfonias mais intensas e com ondas caóticas. Assim, elaborar medidas que proporcionem conhecimentos confiáveis em relação à função vocal resulta de uma necessidade antiga dentro desta linha de pesquisa e atuação clínica. Neste contexto, o uso da inteligência artificial, como as redes neurais artificiais, indica ser uma abordagem promissora. Objetivo: Validar um sistema automático utilizando redes neurais artificiais para a avaliação de vozes rugosas e soprosas. Materiais e métodos: Foram selecionadas 150 vozes, desde neutras até com presença em grau intenso de rugosidade e/ou soprosidade, do banco de dados da Clínica de Fonoaudiologia da Faculdade de Odontologia de Bauru (FOB/USP). Dessas vozes, 23 foram excluídas por não responderem aos critérios de inclusão na amostra, assim utilizaram-se 123 vozes. Procedimentos: avaliação perceptivo-auditiva pela escala visual analógica de 100 mm e pela escala numérica de quatro pontos; extração de características do sinal de voz por meio da Transformada Wavelet Packet e dos parâmetros acústicos: jitter, shimmer, amplitude da derivada e amplitude do pitch; e validação do classificador por meio da parametrização, treino, teste e avaliação das redes neurais artificiais. Resultados: Na avaliação perceptivo-auditiva encontrou-se, por meio do teste Coeficiente de Correlação Intraclasse (CCI), concordâncias inter e intrajuiz excelentes, com p = 0,85 na concordância interjuízes e p variando de 0,87 a 0,93 nas concordâncias intrajuiz. Em relação ao desempenho da rede neural artificial, na discriminação da soprosidade e da rugosidade e dos seus respectivos graus, encontrou-se o melhor desempenho para a soprosidade no subconjunto composto pelo jitter, amplitude do pitch e frequência fundamental, no qual obteve-se taxa de acerto de 74%, concordância excelente com a avaliação perceptivo-auditiva da escala visual analógica (0,80 no CCI) e erro médio de 9 mm. Para a rugosidade, o melhor subconjunto foi composto pela Transformada Wavelet Packet com 1 nível de decomposição, jitter, shimmer, amplitude do pitch e frequência fundamental, no qual obteve-se 73% de acerto, concordância excelente (0,84 no CCI), e erro médio de 10 mm. Conclusão: O uso da inteligência artificial baseado em redes neurais artificiais na identificação, e graduação da rugosidade e da soprosidade, apresentou confiabilidade excelente (CCI > 0,80), com resultados semelhantes a concordância interjuízes. Dessa forma, a rede neural artificial revela-se como uma metodologia promissora de avaliação vocal, tendo sua maior vantagem a objetividade na avaliação. / The auditory-perceptual evaluation is fundamental in the study and analysis of voice. This evaluation, however, is subjective and tends to be imprecise and variable. On the other hand, acoustic analysis allows reproducing results, although these results must be refined since the analysis is not precise enough for intense dysphonia or chaotic waves. Therefore, the will to develop measurements allowing reliable knowledge related to vocal function is not new on this research and clinical actuation field. In this context, the use of artificial intelligence such as neural networks seems to be a promising research field. Objective: to validate an automatic system using artificial neural networks for evaluation of vocal roughness and breathiness. Methods: One hundred fifty (150) voices were selected from from Clínica de Fonoaudiologia da Faculdade de Odontologia de Bauru (FOB/USP) database. These voices presented variation from neutral to intense roughness and/or breathiness. Twenty-three of them were excluded since they did not match inclusion criteria. Thus, 123 voices were used for analysis. The procedures include use of auditoryperception based on two scales: visual analog scale of 100 mm and four points numerical scale. Additionally, the characteristics of voice signals were extracted by Wavelet Packet Transform and by analysis of acoustic parameters: jitter, shimmer, derivative amplitude and pitch amplitude. Validation of classifying system was carried out by parameterization, training, test and evaluation of artificial neural networks. Results: In the auditory-perceptual evaluation, excellent interrater (p=0.85) and intrarater (0.87<p<0.93) agreement were obtained by means of Intraclass Correlation Coefficient (ICC) testing. The artificial neural network performance has achieved the best results for breathiness in the subset composed by parameters jitter, pitch amplitude and fundamental frequency. In this case, the neural network obtained a rate of 74%, demonstrating excellent concordance with auditory-perceptual evaluation for visual analog scale (0.80 ICC) and mean error of 9 mm. As for roughness evaluation, the best subset is composed by Wavelet Packet Transform with 1 resolution level, jitter, shimmer, pitch amplitude and fundamental frequency. For this case, a 73% rate was achieved (0.84 ICC) and mean error of 10 mm was obtained. Conclusion: The use of artificial neural networks for roughness and breathiness evaluation present high reliability (ICC&gt;0.80), with results similar to interrater agreement. Thus, the artificial neural network reveals a promising method for vocal evaluation, bringing objective analysis as a strong advantage.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / One of the main causes of control loop performance degradation are the oscillations, which have a negative effect on the performance of these loops and may force the plant to operate at less than optimal conditions. One of the fundamental steps for the evaluation of industrial control loop performance is the detection and diagnosis of these oscillations, also motivated by the growing emphasis on security and earnings capacity of the installations. This paper uses wavelet analysis combined with other signal analysis techniques such as the autocorrelation function and the Granger Causality, to make the complete diagnosis of oscillations in control loops processes. Numerical test simulations are presented to demonstrate the effectiveness of the proposed method. First, the techniques are used for the diagnosis of a simple control loop in the format of internal model control. After, the methods are applied in a catalytic cracking unit operating under model predictive control (MPC). The results show the potentiality of the proposed methodology to real applications. / Uma das principais causas da degradação do desempenho em malhas de controle são as oscilações, as quais têm um efeito negativo sobre o desempenho dessas malhas e pode forçar a planta a operar em condições abaixo do ideal. Um dos passos fundamentais para a avaliação do desempenho de malhas de controle industriais são a detecção e diagnóstico dessas oscilações, motivados também pela crescente ênfase na segurança e capacidade de lucro das instalações. O presente trabalho usa a análise de Wavelet combinada com outras técnicas de análise de sinais, tais como a Função de Autocorrelação e a Causalidade de Granger, para fazer o diagnóstico completo de oscilações em malhas de controle de processos. Testes de simulações numéricas são apresentados para demonstrar a eficácia da metodologia proposta. Primeiramente, as técnicas são utilizadas para o diagnóstico de uma malha de controle simples no formato de controle por modelo interno. Posteriormente, os métodos são aplicados numa unidade de craqueamento catalítico operando sob controle preditivo (MPC). Os resultados obtidos mostram a potencialidade da metodologia proposta para aplicações reais.