Hypernasal Speech Detection by Acoustic Analysis of Unvoiced Plosive Consonants
Las personas con un mecanismo velofaringeo defectuoso hablan con una resonancia nasal anormal (habla hipernasal). Métodos de análisis de voz para detección de hipernasaliad comúnmente usan las vocales y las vocales nasales. Sin embargo para obtener una evaluación más general de esta anormalidad es n...
- Autores:
-
Sepúlveda-Sepúlveda, Alexander
Delgado-Trejos, Edilson
Murillo-Rendón, Santiago
Castellanos-Domínguez, Germán
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2009
- Institución:
- Instituto Tecnológico Metropolitano
- Repositorio:
- Repositorio ITM
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.itm.edu.co:20.500.12622/845
- Acceso en línea:
- https://revistas.itm.edu.co/index.php/tecnologicas/article/view/242
http://hdl.handle.net/20.500.12622/845
- Palabra clave:
- Análisis acústico
análisis del habla
hipernasalidad
consonantes oclusivas sordas y complejidad Rademacher
Acoustic analysis
speech analysis
hypernasality
unvoiced stop consonants and rademacher complexity.
- Rights
- License
- Copyright (c) 2017 Tecno Lógicas
Summary: | Las personas con un mecanismo velofaringeo defectuoso hablan con una resonancia nasal anormal (habla hipernasal). Métodos de análisis de voz para detección de hipernasaliad comúnmente usan las vocales y las vocales nasales. Sin embargo para obtener una evaluación más general de esta anormalidad es necesario analizar las paradas y las fricativas. Este estudio describe un método con alta capacidad de generalización para detección de hipernasalidad análisis de las consonantes oclusivas sordas españolas. Se muestra la importancia del análisis fonema por fonema, en contraste con la parametrización de la palabra completa que incluye segmentos irrelevantes desde el punto de vista de la clasificación. Los parámetros que correlacionan la incompetencia velofaringea (VPI) sobre las consonantes oclusivas sordas se usa en la fase de estimación de características. La clasificación se llevó a cabo usando una Maquina de Vector de Soporte (SVM), incluyendo el modelo de complejidad Rademacher con el objetivo de aumentar la capacidad de generalización. Rendimientos del 95.2% y del 92.7% fueron obtenidos en las etapas de elaboración y verificación para una repetida evaluación y clasificación de validación cruzada. |
---|