Sistema de detecção e classificação de patologias vocais baseado no domínio espectral da função de correntropia

• Ano de defesa: 2019
• Autor(a) principal: Santos, Yuri Pedro dos
• Orientador(a): Silveira, Luiz Felipe de Queiroz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Autocorrentropia; Patologias do trato vocal; Multilayer perceptron; Densidade espectral de correntropia
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/26829

Patologias vocais afetam negativamente a vida social e profissional dos enfermos, algumas inclusive podem levar a óbito, caso não sejam tratadas rapidamente. Dentre os principais procedimentos para o diagnóstico de patologias vocais pode-se citar: laringoscopia, avaliação perceptivo-auditiva, análise acústica da voz, avaliação aerodinâmica e autoavaliação da voz pelo paciente. Entretanto, o primeiro procedimentos é invasivo e os seguintes são subjetivos, dependendo da experiência do profissional que irá realizar a análise. Por isso, técnicas de processamento digital de sinais vêm sendo utilizadas no auxílio ao diagnóstico de patologias do trato vocal. Neste trabalho é apresentado um sistema de detecção e classificação de patologias vocais, utilizando uma técnica de classificação baseada em descritores obtidos por meio da função densidade espectral de correntropia (CSD, Correntropy Spectral Density), definida como a transformada de Fourier da função de autocorrentropia. Os descritores assim obtidos possuem informações de momentos estatísticos de segunda ordem e de ordem superior do sinal de voz, por meio das quais pode-se detectar eficientemente algumas patologias vocais e classificá-las. A classificação é feita por uma rede neural multilayer perceptron (MLP) , realizando uma classificação binária entre vozes normais e patológicas e, em seguida, entre patologias (edema e nódulo). O classificador foi avaliado por simulação computacional e os resultados obtidos indicam uma taxa de acerto de aproximadamente 94% na detecção e 97% na classificação entre patologias.