Spelling suggestions: "subject:"voice acoustic analyses."" "subject:"voice coustic analyses.""
1 |
Análise acústica para classificação de patologias da voz empregando análise de Componentes Principais, Redes Neurais Artificiais e Máquina de vetores de Suporte.ESPINOLA, Sérgio de Brito. 19 September 2017 (has links)
Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2017-09-19T15:36:01Z
No. of bitstreams: 1
Dissertacao_SergioEspinola_CEEI_UFCG.pdf: 59559230 bytes, checksum: 045a4738e365ab656e17da8b2185cb9b (MD5) / Made available in DSpace on 2017-09-19T15:36:01Z (GMT). No. of bitstreams: 1
Dissertacao_SergioEspinola_CEEI_UFCG.pdf: 59559230 bytes, checksum: 045a4738e365ab656e17da8b2185cb9b (MD5)
Previous issue date: 2014-03-12 / Estima-se que um terço da força de trabalho humana dependa da voz para
realização de seus ofícios. Procedimentos médicos avaliam a qualidade vocal do
indivíduo sendo os mais usados aqueles baseados na escuta da voz (subjetivo)
ou na inspeção das dobras (ou pregas) vocais por exames sofisticados
(objetivos, porém invasivos e caros). A análise acústica da voz busca extrair
medidas robustas para descrever vários fenômenos associados à produção da
fala ou características intrínsecas do ser humano como frequência fundamental,
timbre, etc. O presente estudo consiste na caracterização de um modelo de
processamento digital de Voz para apoio ao diagnóstico no contexto da
construção de sistemas de identificação automatizados de patologias da fala.
Para análise da técnica proposta foi utilizada uma base de dados (base KAY) que
foi estruturada por especialistas num arranjo de seis grupos de Patologias. A
esse, acrescentado também um de vozes “Normal”. Assim, 182 vozes foram
escolhidas, as quais dispunham de um catálogo indexado de cerca de 33
descritores, para cada voz, calculados da elocução da vogal \a\ sustentada. Ao
selecionar combinações desses descritores – como perturbações em frequência
(jitter), em amplitude (shimmer) etc, este estudo encontrou evidências
estatísticas e mostrou ser possível: a) Separar vozes normais das patológicas –
esperado, b) Separar patologias específicas (Paralisia, Edema de Reinke,
Nódulos) com acurácia de 100% (para a grande maioria dessas combinações) e
cerca de 92% (para Nódulos contra Reinke); c) Discriminá-las por meio de
classificadores (redes neurais artificiais e máquina de vetores de suporte) e
reduzir a dimensionalidade e complexidade (quantidade de dados) via técnica de
análise de componentes principais (ACP) sobre esses descritores para a
separação intra patologias; e d) Testes estatísticos com os grupos locais
confirmaram também limiares de indícios de Anormalidade presentes na
literatura. A utilização de menor quantidade de descritores – obtida pós ACP
(compressão) – mostrou-se também eficiente (mesmas taxas de acurácia). / It is estimated one-third of the work force relies on the use the voice in their jobs. The clinical diagnostic may be performed on voice listening by a specialist (subjective perspective) or through invasive and often not cheaper exams to
check vocal structures. The area of Voice Acoustic analyses aims to extract
robust measurements to describe several phenomena associated with voice
production, or human being particular characteristics like fundamental frequency,
timbre, etc. This study consisted of a model characterizing the digital voice
processing for support in building automatic systems for the identification of
disorders of speech (to aid diagnosis of pathologies). To support this
investigation and proposed model, a commercial voice database (KAY base) was
used with the endorsement from medical specialists. Derived acoustic analyses of
those speech samples data records were presented to professionals for
classification and six “severities groups” case-studied were built. After these
analyses, one Normal group was added and, at the end, 182 voices have been
selected. Their refined audio database contain, among other things, an indexed
list of vocal descriptors calculated on the presence of the utterance of the vowel
\a\ sustained speech. Statistical evidences were found: a) Difference between
pathological groups vocal descriptors to normal (expected); b) It was achieved
100% from true positive, most cases, among Paralysis, Reinke's Edema and
Nodules separations; c) from few cases, there were detected minor distinctions:
Paralysis, Reinke's Edema, Nodules and Edema (pair comparison) with
disordered groups; c) Among Machine Learning Algorithms (artificial neural
networks "RN" and support vector machine "SVM"), the technique of Principal
Components Analyses (PCA) and main statistics performed, it was found facts to
help to structure some automated recognition systems. These Supervised
learning methods showed that it could be possible to generate classification
predictions (disordered presence) for the response to new data; and d) Inner
tests also confirmed literature established reference thresholds. Hence
considering suitable combinations of descriptors with two machine learning
classifiers, as showed, is sufficient suitable and worthy.
|
Page generated in 0.0857 seconds