Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
Santos, Yuri Pedro dos |
Orientador(a): |
Silveira, Luiz Felipe de Queiroz |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
https://repositorio.ufrn.br/jspui/handle/123456789/26829
|
Resumo: |
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. |