Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30196
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Santos, Rafael Alberto dos | - |
dc.date.accessioned | 2022-11-29T14:15:01Z | - |
dc.date.available | 2022-11-29T14:15:01Z | - |
dc.date.issued | 2022-07-28 | - |
dc.identifier.citation | SANTOS, Rafael Alberto dos. Classificação automática de desordens vocais usando a variância wavelet. 2022. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2022. | pt_BR |
dc.identifier.uri | http://repositorio.utfpr.edu.br/jspui/handle/1/30196 | - |
dc.description.abstract | Vocal disorders may be present when the voice fails to fulfill its basic role of verbal and emotional transmission. These disturbances can be perceived by the variation of perceptual parameters of the voice, such as quality, pitch, and loudness. Changes in voice parameters can be measured and classified automatically through acoustic analysis. The present work proposes an algorithm for automatic classification of voice disorders, using wavelet variance in signals of vowel "a" with neutral pitch to form a feature vector. The pathology under analysis is nodules and Reinke's edema. These pathologies affect the vocal folds and alter acoustic parameters of voice signals. Classification is performed using a supervised learning technique called support vector machine. The experiments are performed as a binary classification between the groups Edema/Healthy, Nodule/Healthy, Edema/Nodule and Pathological/Healthy, being the pathological class formed by the pathologies nodule and Reinke's edema. In order to compare the results, the extraction of features of the voice signals is carried out with two other methods, the mel spectrogram and the mel frequency cepstral coefficients. The results obtained in the tests are promising and indicate that the features extracted from the signals using wavelet variance discriminate the classes and can replace the mel spectrogram and MFCC techniques. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Tecnológica Federal do Paraná | pt_BR |
dc.rights | openAccess | pt_BR |
dc.subject | Wavelets (Matemática) | pt_BR |
dc.subject | Reconhecimento automático da voz | pt_BR |
dc.subject | Classificação | pt_BR |
dc.subject | Wavelets (Mathematics) | pt_BR |
dc.subject | Automatic speech recognition | pt_BR |
dc.subject | Classification | pt_BR |
dc.title | Classificação automática de desordens vocais usando a variância wavelet | pt_BR |
dc.title.alternative | Automatic classification of vocal disorders using wavelet variance | pt_BR |
dc.type | masterThesis | pt_BR |
dc.description.resumo | Distúrbios vocais podem existir quando a voz não consegue cumprir seu papel básico de transmissão verbal e emocional. Esses distúrbios podem ser percebidos pela variação de parâmetros perceptuais da voz, tais como qualidade, tom e volume. As alterações dos parâmetros da voz podem ser medidas e classificadas de forma automática por meio da análise acústica. O presente trabalho propõe um algoritmo de classificação automática de distúrbios vocais, utilizando a variância wavelet em sinais de vogal "a" com tom neutro para formar um vetor de características. As patologias em análise são o nódulo e edema de Reinke. Essas patologias afetam as pregas vocais e alteram parâmetros acústicos dos sinais de voz. A classificação é realizada utilizando a técnica de aprendizagem supervisionada support vector machine. Os experimentos são realizados como uma classificação binária, entre os grupos Edema/Saudável, Nódulo/Saudável, Edema/Nódulo e Patológico/Saudável, sendo a classe patológica formada pelas patologias nódulo e edema de Reinke. Com o objetivo de comparar os resultados obtidos, realiza-se a extração de atributos dos sinais de voz com outros dois métodos, o mel espectrograma e os coeficientes cepstrais de frequência mel. Os resultados obtidos nos testes são promissores e indicam que as características extraídas dos sinais através da variância wavelet discriminam as classes e podem substituir as técnicas mel espectrograma e MFCC. | pt_BR |
dc.degree.local | Cornélio Procópio | pt_BR |
dc.publisher.local | Cornelio Procopio | pt_BR |
dc.creator.ID | https://orcid.org/0000-0002-8071-2264 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9906630950861529 | pt_BR |
dc.contributor.advisor1 | Scalassara, Paulo Rogerio | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5016119298122922 | pt_BR |
dc.contributor.referee1 | Agulhari, Cristiano Marcos | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/4935395556663775 | pt_BR |
dc.contributor.referee2 | Scalassara, Paulo Rogerio | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/5016119298122922 | pt_BR |
dc.contributor.referee3 | Guido, Rodrigo Capobianco | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/6542086226808067 | pt_BR |
dc.contributor.referee4 | Endo, Wagner | - |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/5229173673499346 | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | pt_BR |
dc.publisher.initials | UTFPR | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | pt_BR |
dc.subject.capes | Engenharia Elétrica | pt_BR |
Aparece nas coleções: | CP - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
classificacaoautomaticadedesordensvocais.pdf | 7,31 MB | Adobe PDF | ![]() Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.