Spelling suggestions: "subject:"vozes patológicas"" "subject:"nozes patológicas""
1 |
Wavelets, predição linear e LS-SVM aplicados na análise e classificação de sinais de vozes patológicas / Wavelets, LPC and LS-SVM applied for analysis and identification of pathological voice signalsFonseca, Everthon Silva 24 April 2008 (has links)
Neste trabalho, foram utilizadas as vantagens da ferramenta matemática de análise temporal e espectral, a transformada wavelet discreta (DWT), além dos coeficientes de predição linear (LPC) e do algoritmo de inteligência artificial, Least Squares Support Vector Machines (LS-SVM), para aplicações em análise de sinais de voz e classificação de vozes patológicas. Inúmeros trabalhos na literatura têm demonstrado o grande interesse existente por ferramentas auxiliares ao diagnóstico de patologias da laringe. Os componentes da DWT forneceram parâmetros de medida para a análise e classificação das vozes patológicas, principalmente aquelas provenientes de pacientes com edema de Reinke e nódulo nas pregas vocais. O banco de dados com as vozes patológicas foi obtido do Departamento de Otorrinolaringologia e Cirurgia de Cabeça e Pescoço do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (FMRP-USP). Utilizando-se o algoritmo de reconhecimento de padrões, LS-SVM, mostrou-se que a combinação dos componentes da DWT de Daubechies com o filtro LP inverso levou a um classificador de bom desempenho alcançando mais de 90% de acerto na classificação das vozes patológicas. / The main objective of this work was to use the advantages of the time-frequency analysis mathematical tool, discrete wavelet transform (DWT), besides the linear prediction coefficients (LPC) and the artificial intelligence algorithm, Least Squares Support Vector Machines (LS-SVM), for applications in voice signal analysis and classification of pathological voices. A large number of works in the literature has been shown that there is a great interest for auxiliary tools to the diagnosis of laryngeal pathologies. DWT components gave measure parameters for the analysis and classification of pathological voices, mainly that ones from patients with Reinke\'s edema and nodule in the vocal folds. It was used a data bank with pathological voices from the Otolaryngology and the Head and Neck Surgery sector of the Clinical Hospital of the Faculty of Medicine at Ribeirão Preto, University of Sao Paulo (FMRP-USP), Brazil. Using the automatic learning algorithm applied in pattern recognition problems, LS-SVM, results have showed that the combination of Daubechies\' DWT components and inverse LP filter leads to a classifier with good performance reaching more than 90% of accuracy in the classification of the pathological voices.
|
2 |
Wavelets, predição linear e LS-SVM aplicados na análise e classificação de sinais de vozes patológicas / Wavelets, LPC and LS-SVM applied for analysis and identification of pathological voice signalsEverthon Silva Fonseca 24 April 2008 (has links)
Neste trabalho, foram utilizadas as vantagens da ferramenta matemática de análise temporal e espectral, a transformada wavelet discreta (DWT), além dos coeficientes de predição linear (LPC) e do algoritmo de inteligência artificial, Least Squares Support Vector Machines (LS-SVM), para aplicações em análise de sinais de voz e classificação de vozes patológicas. Inúmeros trabalhos na literatura têm demonstrado o grande interesse existente por ferramentas auxiliares ao diagnóstico de patologias da laringe. Os componentes da DWT forneceram parâmetros de medida para a análise e classificação das vozes patológicas, principalmente aquelas provenientes de pacientes com edema de Reinke e nódulo nas pregas vocais. O banco de dados com as vozes patológicas foi obtido do Departamento de Otorrinolaringologia e Cirurgia de Cabeça e Pescoço do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (FMRP-USP). Utilizando-se o algoritmo de reconhecimento de padrões, LS-SVM, mostrou-se que a combinação dos componentes da DWT de Daubechies com o filtro LP inverso levou a um classificador de bom desempenho alcançando mais de 90% de acerto na classificação das vozes patológicas. / The main objective of this work was to use the advantages of the time-frequency analysis mathematical tool, discrete wavelet transform (DWT), besides the linear prediction coefficients (LPC) and the artificial intelligence algorithm, Least Squares Support Vector Machines (LS-SVM), for applications in voice signal analysis and classification of pathological voices. A large number of works in the literature has been shown that there is a great interest for auxiliary tools to the diagnosis of laryngeal pathologies. DWT components gave measure parameters for the analysis and classification of pathological voices, mainly that ones from patients with Reinke\'s edema and nodule in the vocal folds. It was used a data bank with pathological voices from the Otolaryngology and the Head and Neck Surgery sector of the Clinical Hospital of the Faculty of Medicine at Ribeirão Preto, University of Sao Paulo (FMRP-USP), Brazil. Using the automatic learning algorithm applied in pattern recognition problems, LS-SVM, results have showed that the combination of Daubechies\' DWT components and inverse LP filter leads to a classifier with good performance reaching more than 90% of accuracy in the classification of the pathological voices.
|
3 |
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.
|
4 |
Estudo de técnicas para classificação de vozes afetadas por patologias. / Study of techniques to classify voices affected by pathologies.MARINUS, João Vilian de Moraes Lima. 17 August 2018 (has links)
Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-08-17T14:06:04Z
No. of bitstreams: 1
JOÃO VIVLIAN DE MORAES LIMA MARINUS - DISSERTAÇÃO PPGCC 2010..pdf: 2343869 bytes, checksum: 46e0a7984b1b956fbea2bfcba9e1f631 (MD5) / Made available in DSpace on 2018-08-17T14:06:04Z (GMT). No. of bitstreams: 1
JOÃO VIVLIAN DE MORAES LIMA MARINUS - DISSERTAÇÃO PPGCC 2010..pdf: 2343869 bytes, checksum: 46e0a7984b1b956fbea2bfcba9e1f631 (MD5)
Previous issue date: 2010-11-29 / Nos últimos anos, várias pesquisas na área de processamento digital de voz estão sendo
feitas, no sentido de criar técnicas que auxiliem o diagnóstico preciso por um especialista
de patologias do trato vocal de maneira não invasiva, fazendo com que o paciente se sinta
confortável na hora do exame. Este trabalho trata da investigação de técnicas para a classificação de vozes afetadas por patologias da laringe, em especial edema de Reinke, visando a construção de um sistema de apoio ao especialista. O sistema de auxílio ao diagnóstico de patologias da laringe, proposto nesta dissertação, é constituido de 3 etapas principais: pré-processamento do sinal de voz, extração de características e classificação. A etapa de pré-processamento consiste na aquisição do sinal de voz, na aplicação de um filtro de pré ênfase para a minimização dos efeitos da radiação dos lábios e da variação da área da glote, seguido da segmentação e janelamento do sinal. Também foi investigada a não utilização da pré-ênfase nessa etapa. Na fase de extração de características, são utilizados coeficientes obtidos a partir da análise por predição linear (coeficientes LPC), coeficientes cepstrais, coeficientes delta-cepstrais e um vetor de características combinando coeficientes LPC e coeficientes cepstrais. A etapa de classificação é dividida em duas partes: classificação entre voz normal e voz afetada por patologia, sem especificar qual patologia, e caso o sinal seja classificado como voz afetada por patologia, tem-se uma segunda parte, a qual é realizada a classificação entre voz afetada por edema de Reinke e voz afetada por outra patologia. Para as duas partes, foram testados 3 diferentes classificadores: Redes Neurais Multilayer Perceptron - MLP, Modelos de Misturas de Gaussianas e Quantização Vetorial. Para diferenciar
entre voz normal e voz afetada por patologia, os melhores resultados foram obtidos
utilizando Redes Neurais. Para diferenciar entre voz afetada por edema e voz afetada por
outra patologia, os melhores resultados foram obtidos utilizando Quantização Vetorial. Em
ambos os casos, os melhores resultados foram obtidos ao se utilizar coeficientes cepstrais e sem utilização da pré-ênfase. / In recent years, several studies in digital voice processing are being made in order to create techniques to support a noninvasive accurate diagnosis of vocal tract diseases by aspecialist, making the patient feel comfortable during examination. This work deals with the investigation of techniques for classification of voices affected by laryngeal pathologies, especially Reinke’s edema, aiming to build a support system to the specialist. The system for the diagnosis of laryngeal pathologies, proposed here, consists of three main steps: preprocessing the speech signal, feature extraction and classification. Preprocessing corresponds the acquisition of voice signal, the application of a pre-emphasis filter for minimizing the radiation effects from the lips and from variation in glottal area, and the signal segmentation and windowing. The non-use of pre-emphasis was also investigated at this point. In the feature extraction step, we use coefficients obtained from the linear prediction analysis (LPC coefficients), cepstral coefficients, delta-cepstral coefficients, and afeature vectorc ombining LPC and cepstral coefficients. The classification is divided into two parts: classification of normal voice versus voice affected by pathology, without specifying which pathology, and if the signal is classified as voice affected by pathology, second part happens, which is performed by the classification between voice affected by Reinke’s edema and voice affected by other pathology. For both parties, 3 different classifiers were tested: Neural Networks Multilayer Perceptron - MLP, Gaussian Mixture Models and Vector Quantization. To differentiate between normal voice and voice affected by pathology, the best results were obtained using Neural Networks. To differentiate between voice affected by edema and voice affected by pathology, the best results were obtained using vector quantization. In both cases, the best results were obtained when usingcepstral coefficients and withoutuse of pre-emphasis.
|
Page generated in 0.0606 seconds