Phase Space Reconstruction is a method that allows to reconstruct the phase space of a system using only an one dimensional time series as input. It can be used for calculating Lyapunov-exponents and detecting chaos. It helps to understand complex dynamics and their behavior. And it can reproduce datasets which were not measured. There are many different methods which produce correct reconstructions such as time-delay, Hilbert-transformation, derivation and integration. The most used one is time-delay but all methods have special properties which are useful in different situations. Hence, every reconstruction method has some situations where it is the best choice. Looking at all these different methods the questions are: Why can all these different looking methods be used for the same purpose? Is there any connection between all these functions? The answer is found in the frequency domain : Performing a Fourier transformation all these methods getting a similar shape: Every presented reconstruction method can be described as a multiplication in the frequency domain with a frequency-depending reconstruction function. This structure is also known as a filter. From this point of view every reconstructed dimension can be seen as a filtered version of the measured time series. It contains the original data but applies just a new focus: Some parts are amplified and other parts are reduced. Furthermore I show, that not every function can be used for reconstruction. In the thesis three characteristics are identified, which are mandatory for the reconstruction function. Under consideration of these restrictions one gets a whole bunch of new reconstruction functions. So it is possible to reduce noise within the reconstruction process itself or to use some advantages of already known reconstructions methods while suppressing unwanted characteristics of it. / Attraktorrekonstruktion („Phase Space Reconstruction“) ist eine Technik, die es ermöglicht, aus einer einzelnen Zeitreihe den vollständigen Phasenraum eines Systems zu rekonstruieren und somit Rückschlüsse auf topologische Eigenschaften dieses dynamischen Systems zu ziehen. Sie findet Verwendung in der Bestimmung von Lyapunov-Exponenten und zur Reproduktion von unbeobachteten Systemgrößen. Es gibt viele verschiedene Methoden zur Attraktorrekonstruktion wie z.B. die Time-Delay-Methode or Rekonstruktion durch Ableitung, Integration oder mithilfe einer Hilbert-Transformation. Zumeist wird der Time-Delay-Ansatz verwendet, es gibt jedoch auch diverse Problemstellungen, in welchen die alternativen Methoden bessere Ergebnisse liefern. Die Kernfragen, die beim Vergleich dieser Methoden entsteht, sind: Wie kommt es, dass alle Ansätze, trotz ihrer teilweise sehr unterschiedlichen Struktur, denselben Zweck erfüllen? Gibt es Übereinstimmungen zwischen all diesen Methoden? Die Antwort lässt sich im Frequenzraum finden: Nach einer Fourier-Transformation besitzen alle genannten Methoden plötzlich eine sehr ähnliche Struktur. Jede Methode transformiert sich im Frequenzraum zu einer einfachen Multiplikation des Eingangssignals mit einer frequenzabhängigen Rekonstruktionsfunktion. Diese Struktur ist in der Datenanalyse auch bekannt als Filter. Aus dieser Perspektive lässt sich jede Rekonstruktionsdimension als gefilterte Zeitreihe der ursprünglichen Zeitreihe interpretieren: Sie enthält den Originaldatensatz, allerdings mit einem verschobenen Fokus: Einige Eigenschaften der Originalzeitreihe werden unterdrückt, während andere Teile verstärkt wiedergegeben werden. Des weiteren zeige ich in der Diplomarbeit, dass nicht jede beliebige Funktion im Frequenzraum zur Rekonstruktion verwendet werden kann. Ich stelle drei Eigenschaften vor, welche jede Rekonstruktionsfunktion erfüllen muss. Unter Beachtung dieser Bedingungen ergeben sich nun diverse Möglichkeiten für neue Rekonstruktionsfunktionen. So ist es z.B. möglich gleichzeitig mit der Rekonstruktion das Ursprungssignal auch zu filtern, oder man kann bereits bestehende Rekonstruktionsfunktionen so abwandeln, dass unerwünschte Nebeneffekte der Rekonstruktion abgemildert oder gar ganz unterdrückt werden.

Earthquakes, floods, rainfall represent a class of nonlinear systems termed chaotic, in which the relationships between variables in a system are dynamic and disproportionate, however completely deterministic. Classical linear time series models have proved inadequate in analysis and prediction of complex geophysical phenomena. Nonlinear approaches such as Artificial Neural Networks, Hidden Markov Models and Nonlinear Prediction are useful in forecasting of daily discharge values in a river. The focus of these methods is on forecasting magnitudes of future discharge values and not the prediction of floods. Chaos theory provides a structured explanation for irregular behavior and anomalies in systems that are not inherently stochastic. Time Series Data Mining methodology combines chaos theory and data mining to characterize and predict complex, nonperiodic and chaotic time series. Time Series Data Mining focuses on the prediction of events.

O objetivo deste trabalho foi avaliar vozes saudáveis e com alterações patológicas aplicando análise de Padrões Visuais de Dinâmica Vocal (PVDV) em conjunto com análise acústica e análise perceptivo-auditiva. Foram avaliadas 91 vozes da vogal sustentada /a/ do português do Brasil, de sujeitos de ambos os gêneros com idades entre 21 e 88 anos. As vozes foram gravadas com taxa de amostragem de 22.050 Hz, 16 bits, mono canal e formato WAV. Foram obtidos valores de jitter, shimmer e freqüência fundamental. Para análise perceptivo-auditiva foram avaliadas rugosidade, soprosidade, tensão e instabilidade. Para descrever a dinâmica dos sinais de voz dos PVDV foi utilizada a técnica de reconstrução de espaço de fase e foram analisados qualitativamente os parâmetros de loops, regularidade e convergência de traçados. Foram aplicados testes estatísticos paramétricos e não paramétricos. Os resultados demonstram que jitter apresenta uma correlação negativa com loop, regularidade e convergência dos traçados; e que shimmer tem correlação negativa com convergência e loops. As características de rugosidade e soprosidade estão correlacionadas negativamente com os três parâmetros dinâmicos. A análise qualitativa dos PVDV é uma técnica promissora, por considerar os componentes caótico e determinístico da voz. É sugerido que não substitui as técnicas existentes, embora possa aperfeiçoar e complementar os métodos usados por profissionais fonoaudiólogos e otorrinolaringologistas. / The aim of this research was to analyze healthy and pathologic voices using Vocal Dynamic Visual Patterns (VDVP) in combination with acoustical and perceptual analysis. Ninety one voice signals of sustained vowel /a/ from Brazilian Portuguese, from male and female patients, were analyzed using acoustical analysis, perceptual analysis and Vocal Dynamic Visual Patterns (VDVP) analysis. All voice samples were quantized in amplitude with 16 bits and recorded in mono-channel WAV format. The sampling frequency was 22050 Hz. Acoustical values for jitter, shimmer and fundamental frequency were obtained. Roughness, breathiness, strain and irregularity were analyzed for perceptual analysis. Phase space reconstruction technique was performed in order to describe the voice signal nonlinear characteristics by Vocal Dynamic Visual Patterns. Results showed negative correlation for jitter and the 3 dynamic parameters, as well as, for shimmer with convergence and loops. Roughness and breathiness were negative correlated with dynamical parameters. Vocal Dynamic Visual Pattern analysis is a promising technique for voice evaluation; including voice chaotic and deterministic components. It is suggested that visual pattern analysis do not replace the existing voice analysis techniques, although it complements and improves the voice evaluation methods available for speech therapist and laryngologists.

O objetivo deste trabalho foi avaliar vozes saudáveis e com alterações patológicas aplicando análise de Padrões Visuais de Dinâmica Vocal (PVDV) em conjunto com análise acústica e análise perceptivo-auditiva. Foram avaliadas 91 vozes da vogal sustentada /a/ do português do Brasil, de sujeitos de ambos os gêneros com idades entre 21 e 88 anos. As vozes foram gravadas com taxa de amostragem de 22.050 Hz, 16 bits, mono canal e formato WAV. Foram obtidos valores de jitter, shimmer e freqüência fundamental. Para análise perceptivo-auditiva foram avaliadas rugosidade, soprosidade, tensão e instabilidade. Para descrever a dinâmica dos sinais de voz dos PVDV foi utilizada a técnica de reconstrução de espaço de fase e foram analisados qualitativamente os parâmetros de loops, regularidade e convergência de traçados. Foram aplicados testes estatísticos paramétricos e não paramétricos. Os resultados demonstram que jitter apresenta uma correlação negativa com loop, regularidade e convergência dos traçados; e que shimmer tem correlação negativa com convergência e loops. As características de rugosidade e soprosidade estão correlacionadas negativamente com os três parâmetros dinâmicos. A análise qualitativa dos PVDV é uma técnica promissora, por considerar os componentes caótico e determinístico da voz. É sugerido que não substitui as técnicas existentes, embora possa aperfeiçoar e complementar os métodos usados por profissionais fonoaudiólogos e otorrinolaringologistas. / The aim of this research was to analyze healthy and pathologic voices using Vocal Dynamic Visual Patterns (VDVP) in combination with acoustical and perceptual analysis. Ninety one voice signals of sustained vowel /a/ from Brazilian Portuguese, from male and female patients, were analyzed using acoustical analysis, perceptual analysis and Vocal Dynamic Visual Patterns (VDVP) analysis. All voice samples were quantized in amplitude with 16 bits and recorded in mono-channel WAV format. The sampling frequency was 22050 Hz. Acoustical values for jitter, shimmer and fundamental frequency were obtained. Roughness, breathiness, strain and irregularity were analyzed for perceptual analysis. Phase space reconstruction technique was performed in order to describe the voice signal nonlinear characteristics by Vocal Dynamic Visual Patterns. Results showed negative correlation for jitter and the 3 dynamic parameters, as well as, for shimmer with convergence and loops. Roughness and breathiness were negative correlated with dynamical parameters. Vocal Dynamic Visual Pattern analysis is a promising technique for voice evaluation; including voice chaotic and deterministic components. It is suggested that visual pattern analysis do not replace the existing voice analysis techniques, although it complements and improves the voice evaluation methods available for speech therapist and laryngologists.

Diversos estudos foram realizados para detecção de patologias na laringe. Essas patologias causam alteração na frequência, amplitude e formato de onda do sinal de voz e podem ser estudadas através dos parâmetros convencionais de análise como jitter e shimmer, ou sob o enfoque da dinâmica não linear. Essas técnicas são não invasivas e servem de apoio ao especialista da área de fonoaudiologia para o diagnóstico de patologias nas pregas vocais. As técnicas de análise acústica baseiam-se no formato de onda vocal no domínio do tempo e domínio da frequência, enquanto que a técnica de análise não linear utilizada nesse trabalho baseia-se no atrator reconstruído do sinal de voz. O objetivo dessa tese é diferenciar vozes normais e patológicas e entre patologias usando a técnica de análise não linear conhecida como Seção de Poincaré. Foram analisados 48 sinais de vozes humanas, divididos em 3 grupos (16 normais, 16 com nódulo e 16 com edema de Reinke). Em seguida foram selecionados 3 trechos de 500 ms nos intervalos 0.5s-1.0s, 2.0s-2.5s e 4.0s-4.5s chamado de primeiro critério e um trecho 500ms no trecho de maior variação de pitch, chamado de segundo critério. Em seguida, o atrator foi reconstruído em 3 dimensões, determinado o atrator médio, e de cada ponto do atrator médio foi extraída a seção de Poincaré. De cada seção de Poincaré foi calculada a dispersão dos pontos do atrator no plano através da média e desvio padrão das dispersão dos pontos da seção de Poincaré em relação ao ponto médio da seção. A validação da ferramenta desenvolvida para essa tese foi realizada utilizando um sinal senoidal inserindo jitter gradativamente, onde verificou-se uma variação proporcional da média da dispersão. Os resultados obtidos mostraram que não foi possível diferenciar patologias mas foi possível classificar vozes normais das patológicas. O melhor intervalo para classificar as vozes normais das patológicas utilizando o primeiro critério foi entre 0.5s-1.0s pois nesse intervalo todas as vozes normais foram classificadas corretamente. No entanto, 6 vozes patológicas foram classificadas como normais com 2 vozes patológicas na fronteira que separa as vozes normais das patológicas. O segundo critério classificou todas as vozes normais corretamente e apenas uma voz patológica foi classificada como patológica. Concluiu-se que a ferramenta proposta utilizando o segundo critério mostrou-se superior em relação ao primeiro critério para diferenciar vozes normais das patológicas. / Several studies have been performed to detect pathologies of the larynx. These pathologies cause changes in the frequency, amplitude, and waveform of the voice signal. They can be studied by means of conventional analysis parameters such as jitter and shimmer, or from nonlinear dynamics concepts. These techniques are noninvasive and can help the speech therapist to better diagnose the pathologies in the vocal folds. The acoustic analysis techniques are based on the voice waveform in the time and frequency domains, while the non-linear analysis techniques are based on the attractor reconstructed from the speech signal.The aim of this thesis is to differentiate normal and pathological voices using a nonlinear analysis technique named Poincaré section. We analyzed 48 human voice signals divided into 3 groups (16 normal, 16 nodule and 16 Reinke\'s edema). Then, we analyzed 3 stretches of 500ms in the intervals 0.5s-1.0s, 2.0s-2.5s e 4.0-4.5s, denominated first criteria, and a stretch of 500ms in a higher variation in pitch, denominated second criteria. The attractor was then reconstructed in three dimensions, the average attractor was determined, and at each point of the average attractor, a Poincaré section was extracted. From each Poincaré section, the dispersion of the points of the attractor was calculated in the plane by means of the statistical average and standard deviation related to the medium point of the section. The validation of the tool developed for this thesis was achieved by inserting jitter gradually in a sinusoidal wave, where there was a proportional variation of average\'s dispersion was observed. The results obtained for this set of voices showed that the average and standard deviation of dispersion of the points in the Poincaré section differentiate the groups of voices, but not the pathological groups. The Statistical tests of Anova and Tukey were used to analyze the 3 groups and all group pairings, two by two, with a statistical significance of 5%. The best interval to classify normal voices from pathological voices by means of the first criteria was between 0.5s-1.0s, given the fact that in this interval, all normal voices were correctly classified. However, 6 pathological voices were classified as normal voices, with 2 voices border lining the frontier between normal voices from pathological voices. The second criteria classified all normal voices correctly, with only one pathological voice incorrectly classified. In conclusion, the second criteria tool proposed by this thesis was proven superior to differentiate normal voices from pathological ones.

Diversos estudos foram realizados para detecção de patologias na laringe. Essas patologias causam alteração na frequência, amplitude e formato de onda do sinal de voz e podem ser estudadas através dos parâmetros convencionais de análise como jitter e shimmer, ou sob o enfoque da dinâmica não linear. Essas técnicas são não invasivas e servem de apoio ao especialista da área de fonoaudiologia para o diagnóstico de patologias nas pregas vocais. As técnicas de análise acústica baseiam-se no formato de onda vocal no domínio do tempo e domínio da frequência, enquanto que a técnica de análise não linear utilizada nesse trabalho baseia-se no atrator reconstruído do sinal de voz. O objetivo dessa tese é diferenciar vozes normais e patológicas e entre patologias usando a técnica de análise não linear conhecida como Seção de Poincaré. Foram analisados 48 sinais de vozes humanas, divididos em 3 grupos (16 normais, 16 com nódulo e 16 com edema de Reinke). Em seguida foram selecionados 3 trechos de 500 ms nos intervalos 0.5s-1.0s, 2.0s-2.5s e 4.0s-4.5s chamado de primeiro critério e um trecho 500ms no trecho de maior variação de pitch, chamado de segundo critério. Em seguida, o atrator foi reconstruído em 3 dimensões, determinado o atrator médio, e de cada ponto do atrator médio foi extraída a seção de Poincaré. De cada seção de Poincaré foi calculada a dispersão dos pontos do atrator no plano através da média e desvio padrão das dispersão dos pontos da seção de Poincaré em relação ao ponto médio da seção. A validação da ferramenta desenvolvida para essa tese foi realizada utilizando um sinal senoidal inserindo jitter gradativamente, onde verificou-se uma variação proporcional da média da dispersão. Os resultados obtidos mostraram que não foi possível diferenciar patologias mas foi possível classificar vozes normais das patológicas. O melhor intervalo para classificar as vozes normais das patológicas utilizando o primeiro critério foi entre 0.5s-1.0s pois nesse intervalo todas as vozes normais foram classificadas corretamente. No entanto, 6 vozes patológicas foram classificadas como normais com 2 vozes patológicas na fronteira que separa as vozes normais das patológicas. O segundo critério classificou todas as vozes normais corretamente e apenas uma voz patológica foi classificada como patológica. Concluiu-se que a ferramenta proposta utilizando o segundo critério mostrou-se superior em relação ao primeiro critério para diferenciar vozes normais das patológicas. / Several studies have been performed to detect pathologies of the larynx. These pathologies cause changes in the frequency, amplitude, and waveform of the voice signal. They can be studied by means of conventional analysis parameters such as jitter and shimmer, or from nonlinear dynamics concepts. These techniques are noninvasive and can help the speech therapist to better diagnose the pathologies in the vocal folds. The acoustic analysis techniques are based on the voice waveform in the time and frequency domains, while the non-linear analysis techniques are based on the attractor reconstructed from the speech signal.The aim of this thesis is to differentiate normal and pathological voices using a nonlinear analysis technique named Poincaré section. We analyzed 48 human voice signals divided into 3 groups (16 normal, 16 nodule and 16 Reinke\'s edema). Then, we analyzed 3 stretches of 500ms in the intervals 0.5s-1.0s, 2.0s-2.5s e 4.0-4.5s, denominated first criteria, and a stretch of 500ms in a higher variation in pitch, denominated second criteria. The attractor was then reconstructed in three dimensions, the average attractor was determined, and at each point of the average attractor, a Poincaré section was extracted. From each Poincaré section, the dispersion of the points of the attractor was calculated in the plane by means of the statistical average and standard deviation related to the medium point of the section. The validation of the tool developed for this thesis was achieved by inserting jitter gradually in a sinusoidal wave, where there was a proportional variation of average\'s dispersion was observed. The results obtained for this set of voices showed that the average and standard deviation of dispersion of the points in the Poincaré section differentiate the groups of voices, but not the pathological groups. The Statistical tests of Anova and Tukey were used to analyze the 3 groups and all group pairings, two by two, with a statistical significance of 5%. The best interval to classify normal voices from pathological voices by means of the first criteria was between 0.5s-1.0s, given the fact that in this interval, all normal voices were correctly classified. However, 6 pathological voices were classified as normal voices, with 2 voices border lining the frontier between normal voices from pathological voices. The second criteria classified all normal voices correctly, with only one pathological voice incorrectly classified. In conclusion, the second criteria tool proposed by this thesis was proven superior to differentiate normal voices from pathological ones.

No description available.