Detecção de Desvios Vocais Utilizando Modelos Auto Regressivos e o Algoritmo KNN

80 Pages·2017·1.46 MB·Portuguese

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E
UNIVERSIDADEFEDERALDO RIO GRANDE DO NORTE DA COMPUTAÇÃO
Detecção de Desvios Vocais Utilizando Modelos
Auto Regressivos e o Algoritmo KNN
Winnie de Lima Torres
Orientador: Prof. Dr. AldayrDantasdeAraújo
Co-orientador: Prof. Dr. AllandeMedeirosMartins
Dissertação de Mestrado apresentada ao
Programa de Pós-Graduação em Engenharia
ElétricaedaComputaçãodaUFRN(áreade
concentração: Automação e Sistemas) como
parte dos requisitos para obtenção do título
deMestreemCiências.
Número de ordem: M519
Natal, RN, janeiro de 2018
UFRN/BibliotecaCentralZilaMamede
Catalogaçãodapublicaçãonafonte.
Torres,WinniedeLima.
Detecçãodedesviosvocaisutilizandomodelosautoregressivoseoalgoritmo
KNN/WinniedeLimaTorres-Natal,2018
59f. : il.
Dissertação(Mestrado)-UniversidadeFederaldoRioGrandedoNorte. Cen-
trodeTecnologia. ProgramadePós-GraduaçãoemEngenhariaElétrica.
Orientador: Prof. Dr. AldayrDantasdeAraújo.
Co-orientador: AllandeMedeirosMartins
1. Detecção de desvios vocais – Dissertação. 2. Modelos auto regressivos -
Dissertação. 3. K-Nearest Neighbor - Dissertação. I. Araújo, Aldayr Dantas de.
II.Martins,AllandeMedeiros. III.Título.
RN/UF/BCZM CDU628.147.25
Detecção de Desvios Vocais Utilizando Modelos
Auto Regressivos e o Algoritmo KNN
Winnie de Lima Torres
À minha família, com todo meu
amor e gratidão, por serem meus
exemplos e fazerem tudo por mim ao
longo dessa caminhada.
Agradecimentos
À Deus, pela saúde, paz e sabedoria necessária para o desenvolvimento dos meus planos
enatomadadasdecisõesquesurgiramaolongodomeucaminho.
Aos meus pais, Raimundo da Costa Torres e Maria Celi de Lima Torres pelo amor, com-
preensão,paciência,proteção,apoio,ensinamentos,porconfiaremeacreditarememmim
enãomediremesforçosduranteminhajornada.
Ao meu orientador, professor Aldayr Dantas de Araújo, sou grata pela oportunidade, pa-
ciência,empenhoemmeajudarnosmomentosqueprecisei,pelacompreensãoemrelação
àsadversidadesousurpresasquesurgiramnaminhacaminhadaepelocompartilhamento
deconhecimentos.
Àminhairmã,RayzaTorres,peloapoiodadoetorcidaduranteessesanos.
Ao meu namorado, Ícaro Bezerra, pelo estímulo e incentivo para que eu cursasse o mes-
trado na UFRN, carinho, pelas trocas de conhecimentos, sugestões, conversas, enorme
paciênciaecompreensãonodecorrerdessaetapa.
Ao professor, Allan Martins, pelo auxílio prestado e pelos sábios conselhos durante a
realizaçãodestetrabalho.
Ao professor, Ademar Costa, pela amizade e ensinamentos proporcionados ao longo dos
anos.
Aosamigosecolegaspelosmomentosdedescontraçãoepelaajudaduranteomestrado.
Aosmeusfamiliaresportorcerempelomeusucesso.
Resumo
Alguns campos da ciência propõem-se a estudar distúrbios no trato vocal a partir de
análisessobre padrõesde vibraçãoda voz. Em geral,a importânciadessaspesquisas está
na identificação, em uma fase mais específica, de doenças de maior ou menor gravidade,
a serem sanadas com terapia vocal ou que requerem maior atenção, gerando inclusive a
necessidade de procedimentos cirúrgicos para o seu controle. Embora, já exista na lite-
ratura indicações de que o processamento digital de sinais permite diagnosticar, de um
modonãoinvasivo,patologiaslaríngeas,comodoençasvocaisqueocasionemedema,nó-
dulo e paralisia, não existe definição do método mais indicado e das características, ou
parâmetros, mais adequados para detectar a presença de desvios vocais. Sendo assim,
nestetrabalhoépropostoumalgoritmoparadetecçãodedesviosvocaispormeiodaaná-
lise de sinais de voz. Para a realização deste trabalho, utilizou-se dados constantes no
banco de dados Disordered Voice Database, desenvolvido pelo Massachusetts Eye and
Ear Infirmary (MEEI), devido sua utilização em pesquisas na área acústica de voz. Fo-
ram utilizados 166 sinais contidos nessa base de dados, com sinais de vozes saudáveis e
de vozes patológicas afetadas por edema, por nódulo e por paralisia nas pregas vocais. A
partir dos sinais de voz, foram gerados modelos Auto Regressivos (AR e ARMA) para
representaçãodessessinaise,utilizandoosparâmetrosdosmodelosobtidos,foiutilizado
o algoritmo K-Nearest Neighbors (KNN) para a classificação dos sinais analisados. Com
ointuitodeanalisaraeficiênciadoalgoritmopropostonesteestudo,osresultadosobtidos
desse algoritmo foram comparados com um método de detecção considerando apenas
distância euclidiana entre os sinais. Os resultados encontrados apontam que o método
propostonestetrabalhoapresentaumbomresultado,gerandoumataxadeacertonaclas-
sificaçãoacimade71%(maiorqueos31%apartirdousodadistânciaeuclidiana). Além
disso, o método utilizado é de fácil implementação, podendo ser utilizado em hardwa-
res mais simples. Logo, essa pesquisa tem potencial para gerar um classificador barato
e acessível para a utilização em larga escala por profissionais de saúde, como uma alter-
nativa de pré análise não invasiva para detecção de patologias otorrinolaringológicas que
afetemavoz.
Palavras-chave: Detecção de desvios vocais, modelos auto regressivos, k-nearest
neighbor.
Abstract
Some fields in Science propose to study vocal tract disorders from an analysis about
voicevibrationpatterns. Generally,theweightofthoseresearchesisgivenbytheidentifi-
cation – in a more specific level – of diseases in different stages of severity, which would
beredressedthroughvoicetherapyormeansthatrequiremoreattention,hencegenerating
the need of surgical procedures for its control. Although there are evidences in literature
that the Digital Signal Processing allows a non-invasive diagnosis of laryngeal patholo-
gies, such as vocal cord disorders, which provoke swelling, nodules, and paralyses, there
is no definition of any most indicated method, and characteristics or appropriated para-
meterstodetectvoicedeviations. Thus,thepresentpaperproposesanalgorithmtodetect
vocal deviances through the Voice Signal Analysis. In order to complete this study, it
hadbeenuseddatafromtheDisorderedVoiceDatabase,developedbytheMassachusetts
EyeandEarInfirmary(MEEI)duetotheirwideuseinresearchesregardingthevoiceand
speech. Atotalof166signalsfromthisdatabasewereused,includinghealthyvoicesand
pathologic voices affected by swelling, nodule, and vocal fold paralysis. From the voice
signals, autoregressive processes of order (AR and ARMA) were generated for a repre-
sentation of those signals, and – by using the models’ parameters obtained – it had been
used the KNN algorithm for a classification of the signals analyzed. Seeking an analysis
of the efficiency of the algorithm proposed in this study, the results obtained from this
algorithm were compared to a detection method, which only considers the Euclidian dis-
tance between the signals. The results found point that the propositioned method in this
work presents a satisfactory result, generating a hit rate on the classification above 71%
(morethanthe31%fromtheuseoftheEuclidiandistance). Moreover,themethodusedis
easytoimplement,sothatitcanbeusedalongwithsimplerhardware. Consequently,this
research has the potential to generate a cheap and accessible sorter for wide-scale use by
health care professionals as a non-invasive pre-analysis to detect otorhinolaryngological
pathologiesthataffectthevoice.
Keywords: Detectionofvocaldeviations,autoregressivemodels,k-nearestneighbor.
Sumário
Sumário i
ListadeFiguras iii
ListadeTabelas iv
ListadeAbreviaturaseSiglas viii
1 Introdução 1
1.1 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 ObjetivoGeral . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 ObjetivosEspecíficos . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 OrganizaçãodoTrabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 EstadodaArte 5
3 AnálisedaVoz 13
3.1 ProcessodeProduçãodaVoz . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 PatologiasdaLaringe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.1 EdemadeReinke . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.2 NódulosVocais . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.3 Paralisia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4 IdentificaçãodeSistemas 19
4.1 ModelagemeIdentificaçãodeSistemas . . . . . . . . . . . . . . . . . . 19
4.2 ModelosdeRepresentaçõesdeEquaçõeseSistemas . . . . . . . . . . . . 22
4.3 ModelosAutoRegressivosouSériesTemporais . . . . . . . . . . . . . . 23
4.4 MétododosMínimosQuadrados . . . . . . . . . . . . . . . . . . . . . . 26
4.5 ClassificaçãodeDados . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.5.1 MetodologiaKNN . . . . . . . . . . . . . . . . . . . . . . . . . 28
5 Metodologia 30
5.1 BasedeDados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.2 AnáliseInicialdosSinaisdeVoz . . . . . . . . . . . . . . . . . . . . . . 30
5.3 AlgoritmosdeIdentificação . . . . . . . . . . . . . . . . . . . . . . . . . 32
i
6 Resultados 35
6.1 ResultadosdaAnáliseInicialdosSinaisdeVoz . . . . . . . . . . . . . . 35
6.2 ResultadosdaIdentificação . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.3 ResultadosdaClassificaçãoUtilizandooKNN . . . . . . . . . . . . . . 38
7 ConsideraçõesFinaisePerspectivas 44
Referências 46
A ResultadosdasAnálisesdosSinaisdeVoz 52
A.1 ResultadosdaClassificaçãoUtilizandoaDistânciaEuclidiana . . . . . . 52
A.2 ResultadosdaClassificaçãoKNNcomosSinaisIdentificados . . . . . . 52
B ResultadosdosSinaisNormaisVersusPatológicos 59
B.1 ResultadosdaClassificaçãoUtilizandoaDistânciaEuclidiana . . . . . . 59
B.2 ResultadosdaClassificaçãoKNNcomosSinaisIdentificados . . . . . . 59
Lista de Figuras
3.1 Sistemasenvolvidosnaproduçãodosinaldevoz. . . . . . . . . . . . . . 14
3.2 Modelosimplificadodomecanismodeproduçãodafala. . . . . . . . . . 14
3.3 Edemanaspregasvocais. . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4 Nódulonaspregasvocais. . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5 Paralisiaunilateral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.6 Paralisiabilateral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1 Princípiosparaaconstruçãodeummodelomatemático. . . . . . . . . . . 20
4.2 Diagramacomprocedimentodeidentificação. . . . . . . . . . . . . . . . 21
4.3 DinâmicadoKNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.1 Gráficodedispersãodosmodelosdesinaisnoplanoα xα . . . . . . . 33
1 2
5.2 Gráficodedispersãodosmodelosdesinaisnoplanoα xα xα . . . . 34
1 2 3
iii