Techn. University, Diss., 2006--Darmstadt.

Heidelberg, Univ., Diss., 2007. / Online publiziert: 2008.

Tübingen, Univ., Diss., 2007.

Universiẗat, Diss., 2002--Marburg.

Techn. University, Diss., 2003--Berlin.

Essen, Universiẗat, Diss., 2004--Duisburg.

Techn. Univ., Diss., 2005--Darmstadt

O presente trabalho apresenta um resumo da fisiologia de produção da voz humana, das patologias mais comuns da laringe e seus principais efeitos sobre o som fonado, e apresenta diversos métodos quantitativos de avaliação do som de vozes patológicas. É então proposto um novo método de avaliação da soprosidade da voz, baseado na Transformada Wavelet Discreta (DWT) através da análise multi-resolução, usando como base ortogonal de decomposição a base Haar. São feitas duas aquisições por dois diferentes procedimentos, dos sinais de voz de 64 pacientes. É mostrado que é possível se obter um índice acústico para a característica soprosidade da voz por intermédio da DWT. Este índice é estatisticamente correlacionado com dois outros índices existentes para soprosidade, para ambos os procedimentos de aquisição O método serve tanto para auxílio ao diagnóstico como acompanhamento dos resultados obtido por um tratamento. / This work shows a brief review of human voice production physiology, including the most common larynx pathologies and its effects in the voice quality, and the maio methods of pathologic quantitative vocal fold assessment. lt is proposed a novel method of breathiness of voice characteristic evaluation, based on the Discrete Wavelet Transform, using the orthonormal Haar basis as a reconstruction basis. Two procedures of data acquisition were used for the 64 subjects voice signals. Results are obtained and statistically compared with the ones obtained by classical methods, for both acquisition procedures. This method can be an auxiliary tool for the diagnosis as well as an assessment of a specific treatment.

Fast and accurate recognition of the Statistical Control Chart Patterns (SPCCP) is significant for supervising manufacturing processes to accomplish better control and to make high value products. SPCCP can display eight kinds of patterns: normal, stratification, systematic, increasing trend, decreasing trend, up shift, down shift and cyclic. With the exception of the natural pattern, all other patterns indicate that the supervised manufacturing process is not performing properly and actions need to be taken to correct the problems. This research proposes new approaches, neural networks and neural-fuzzy systems, to the (SPCCP) recognition. This dissertation also investigates the use of features extracted from statistical analysis for simple patterns, and wavelet analysis for concurrent patterns as the components of the input vectors. Results based on simulated data show that the proposed approaches perform better than conventional approaches. Our work concluded that the extracted features improve the performance of the proposed recognizer systems.

o exame para o diagnóstico de doenças da laringe é usualmente realizado através da videolaringoscopia e videoestroboscopia. A maioria das doenças na laringe provoca mudanças na voz do paciente. Diversos índices têm sido propostos para avaliar quantitativamente a qualidade da voz. Também foram propostos vários métodos para classificação automática de patologias da laringe utilizando apenas a voz do paciente. Este trabalho apresenta a aplicação da Transformada Wavelet Packet e do algoritmo Best Basis [COI92] para a classificação automática de vozes em patológicas ou normais. Os resultados obtidos mostraram que é possível classificar a voz utilizando esta Transformada. Tem-se como principal conclusão que um classificador linear pode ser obtido ao se empregar a Transformada Wavelet Packet como extrator de características. O classificador é linear baseado na existência ou não de nós na decomposição da Transformada Wavelet Packet. A função Wavelet que apresentou os melhores resultados foi a sym1et5 e a melhor função custo foi a entropia. Este classificador linear separa vozes normais de vozes patológicas com um erro de classificação de 23,07% para falsos positivos e de 14,58%para falsos negativos.