Procesamiento de Señales Provenientes del Habla Subvocal usando Wavelet Packet y Redes Neuronales

• Mendoza, Luis E. ^[1] ; Peña, Jesus ^[1] ; Muñoz-Bedoya, Luis A. ^[1] ; Velandia-Villamizar, Hernando J. ^[1]
  1. [1] Universidad de Pamplona

     Universidad de Pamplona

     Colombia

     
• Localización: TecnoLógicas, ISSN-e 2256-5337, ISSN 0123-7799, Nº. Extra 0, 2013 (Ejemplar dedicado a: Edición Especial), págs. 655-667
• Idioma: español
• Títulos paralelos:
  • Speech Subvocal Signal Processing using Packet Wavelet and Neuronal Network
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Este artículo presenta los resultados obtenidos del registro, procesamiento, reconocimiento y clasificación de palabras del lenguaje español mediante el análisis de las señales de voz de habla subvocal. El trabajo en conjunto será en un futuro enfocado en aplicaciones de telecomunicaciones como: chat para sordo mudos. La base de datos procesada está conformada por seis palabras (adelante, atrás, derecha, izquierda, iniciar y parar). Las señales fueron sensadas con electrodos superficiales dispuestos en la superficie de la garganta y adquiridas con una frecuencia de muestreo de 50 Khz. El acondicionamiento de las señales consistió en: la ubicación de la zona de interés mediante análisis de energía, y el filtrado usando Transformada Wavelet Discreta. Finalmente, la extracción de características se hizo en el dominio del tiempo-frecuencia empleando Wavelet Packet y técnicas estadísticas por ventaneo. La clasificación se llevó a cabo con una Red Neuronal por Retropropagación cuyo entrenamiento se realizó con el 70% de la base de datos obtenida. El porcentaje de acierto encontrado fue de 75%±2.

  • English

    This paper presents the results obtained from the recording, processing and classification of words in the Spanish language by means of the analysis of subvocal speech signals. The processed database has six words (forward, backward, right, left, start and stop). In this work, the signals were sensed with surface electrodes placed on the surface of the throat and acquired with a sampling frequency of 50 kHz. The signal conditioning consisted in: the location of area of interest using energy analysis, and filtering using Discrete Wavelet Transform. Finally, the feature extraction was made in the time-frequency domain using Wavelet Packet and statistical techniques for windowing. The classification was carried out with a backpropagation neural network whose training was performed with 70% of the database obtained. The correct classification rate was 75%±2.