Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte

Voice analysis can be done in multiple ways, this processes have evolved through ages, becoming more complex and diversifying the utility of them, Nowadays procedures like detection, recognisement or clasification are based on analyses of the sound signal. This project addresses the recent need of m...

Full description

Autores:
Toro Cerón, Luis Gabriel
Tipo de recurso:
Fecha de publicación:
2018
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/6041
Acceso en línea:
http://hdl.handle.net/10819/6041
Palabra clave:
Análisis de estrés en la voz
Coeficientes Cepstrales en las Frecuencias de Mel,
Máquina de Vectores de Soporte
Aprendizaje automático
Voice stress analysis
Mel Frecuency Cepstral Coefficients
Support Vector Machine
Machine Learning
Estrés
Voz
Aprendizaje automático
Procesamiento de señales
Análisis de señales
Algoritmos
Rights
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia
id SANBUENAV2_6170b4e7e6477601428d2a93d9cf1ece
oai_identifier_str oai:bibliotecadigital.usb.edu.co:10819/6041
network_acronym_str SANBUENAV2
network_name_str Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
title Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
spellingShingle Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
Análisis de estrés en la voz
Coeficientes Cepstrales en las Frecuencias de Mel,
Máquina de Vectores de Soporte
Aprendizaje automático
Voice stress analysis
Mel Frecuency Cepstral Coefficients
Support Vector Machine
Machine Learning
Estrés
Voz
Aprendizaje automático
Procesamiento de señales
Análisis de señales
Algoritmos
title_short Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
title_full Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
title_fullStr Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
title_full_unstemmed Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
title_sort Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporte
dc.creator.fl_str_mv Toro Cerón, Luis Gabriel
dc.contributor.advisor.none.fl_str_mv Ruiz Sánchez, Santiago
dc.contributor.author.none.fl_str_mv Toro Cerón, Luis Gabriel
dc.subject.spa.fl_str_mv Análisis de estrés en la voz
Coeficientes Cepstrales en las Frecuencias de Mel,
Máquina de Vectores de Soporte
Aprendizaje automático
Voice stress analysis
Mel Frecuency Cepstral Coefficients
Support Vector Machine
Machine Learning
topic Análisis de estrés en la voz
Coeficientes Cepstrales en las Frecuencias de Mel,
Máquina de Vectores de Soporte
Aprendizaje automático
Voice stress analysis
Mel Frecuency Cepstral Coefficients
Support Vector Machine
Machine Learning
Estrés
Voz
Aprendizaje automático
Procesamiento de señales
Análisis de señales
Algoritmos
dc.subject.lemb.spa.fl_str_mv Estrés
Voz
Aprendizaje automático
Procesamiento de señales
Análisis de señales
Algoritmos
description Voice analysis can be done in multiple ways, this processes have evolved through ages, becoming more complex and diversifying the utility of them, Nowadays procedures like detection, recognisement or clasification are based on analyses of the sound signal. This project addresses the recent need of making processes that were initially considered subjectives, automatically, taking into a count of the different factors that might influence them, and always being forward to improve and contribute to the existing processes. The importance of it lies on the versatility of the algorythms, that can be used as well in different areas and for different purposes such as the field of medicine, humanities, social sciences and technology
publishDate 2018
dc.date.accessioned.none.fl_str_mv 2018-08-17T20:16:02Z
dc.date.available.none.fl_str_mv 2018-08-17T20:16:02Z
dc.date.issued.none.fl_str_mv 2018
dc.date.submitted.none.fl_str_mv 2018-08-17
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.spa.spa.fl_str_mv Trabajo de Grado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.identifier.citation.spa.fl_str_mv G. Toro Cerón, “Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de soporte de vectores”, Trabajo de grado, Ingeniería de Sonido, Universidad de San Buenaventura Medellín, Facultad de Ingenierías, 2018
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10819/6041
identifier_str_mv G. Toro Cerón, “Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de soporte de vectores”, Trabajo de grado, Ingeniería de Sonido, Universidad de San Buenaventura Medellín, Facultad de Ingenierías, 2018
url http://hdl.handle.net/10819/6041
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.cc.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
http://purl.org/coar/access_right/c_abf2
dc.format.spa.fl_str_mv pdf
dc.format.extent.spa.fl_str_mv 63 páginas
dc.format.medium.spa.fl_str_mv Recurso en linea
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.faculty.spa.fl_str_mv Ingenierias
dc.publisher.program.spa.fl_str_mv Ingeniería de Sonido
dc.publisher.sede.spa.fl_str_mv Medellín
institution Universidad de San Buenaventura
dc.source.bibliographicCitation.spa.fl_str_mv [1] S. Chu, S. Narayanan, and C.-C Jay Kuo, "Environmental sound recognition with timefrequency audio features," in IEEE Trans. Audio, Speech and Lang. Processing, vol. 17, 2009.
[2] Y. Hong-wu, L. Ya-li, and H. De-zhi, "Speaker recognition based on weighted melcepstrum," in Fourth International Conference on Computer Sciences and Convergence Information Techno- logy, 2009, pp. 200–203.
[3] L. Rabiner and B-H Juang, Fundamentals of Speech Recognition, Prentice Hall, Murray Hill, NJ, 1993.
[5] J. C. Gómez, “Reconocimiento Automático de Voz Reconocimiento Automático de Voz Basado en Técnicas de Comparación de Patrones”, Facultad de Ciencias Exactas, Ingeniería y Agrimensura, Universidad Nacional de Rosario. [Online]. Available: https://goo.gl/9mC5ET.
[6] S. Furui, “50 Years of Progress in Speech and Speaker Recognition Research”, ECTI Transactions on Computer and Information Technology, vol. 1, 2005, pp. 64-74.
[7] G. Martínez and G. Aguilar, "Sistema para Identificación de Hablantes Robusto a Cambios en la Voz", Ingenius: Revista de Ciencia y Tecnología, Núm. 8, Universidad Politécnica Salesiana, 2012. [Online]. Available: https://goo.gl/ca4qAa.
[8] [1] J. O’Neal, Introduction to Signal Transmission, IEEE Transactions on Communications, vol. 20, no. 5. 1972.
[9] C. Cortes, and V. Vapnik, “Support Vector Networks,” Machine Learning, Vol. 20, No. 3, 1995, pp. 273-297.
[10] G. Fant, "Analysis and synthesis of speech processes" Manual of phonetics, 1968, pp. 173- 177.
[11] D. Boswell, "Introduction to Support Vector Machines", 2002. [Online]. Available: https://goo.gl/SQo5hX.
[12] C. Burges, "A Tutorial on Support Vector Machines for Pattern Recognition" Kluwer Academic Publishers, Bell Laboratories, Lucent Technologies, 1998.
[13] P. Zwan, B. Kostek and A. Kupryjanow, "Automatic Classification of Musical Audio Signals Employing Machine Learning Approach," in Audio Engineering Society Convention, 2011.
[14] B. Andersen, J. Dyreby, B. Jensen, F. Kjaersfov, O. Mikkelsen, P. Nielsen and H. Zimmermann, “The Mel Scale and Coefficients”, Departament of Electronic Systems, Aalborg University, Aalborg, 2004. [Online]. Available: https://goo.gl/kQHnjU.
[15] N. Moureau, T. Sikora and K. Hyoung-Gook, “MPEG-7 AUDIO and Beyond: Audio Content Indexing and Retrieval”, 2005.
[16] E.S. Gopi, “Digital Speech Processing Using Matlab”, Springer, New Dehli, 2014.
[17] E. Roberts, “Data Compression”, Computer Science, University of Standford, 2000. [Online]. Available: https://goo.gl/JYFHNQ,
[18] P. Jackson and S. Haq, Surrey Audio-Visual Expressed Emotion (SAVEE) Database, 2015. [Online]. Available: https://goo.gl/QoaDsC.
[19] M. Slaney, “Auditory Toolbox: Technical Report 1998-010”, Interval Research Corporation, 1998.
[20] J. Garofolo, L. F. Lamel, W. Fisher, J. Fiscus, D. Pallet, N. Dahlgren and V. Zue, “TIMIT Acoustic-Phonetic Continuous Speech Corpus LDC93S1”, Philadelphia: Linguistic Data Consortium, The Trustees of the University of Pennsylvania, 1993.
[21] J. Garofolo, L. F. Lamel, W. Fisher, J. Fiscus, D. Pallet, N. Dahlgren and V. Zue, “The DARPA TIMIT Acoustic-Phonetic Continuous Speech Corpus”, Philadelphia: Linguistic Data Consortium, The Trustees of the University of Pennsylvania, 1990. [Online]. Available: https://goo.gl/woMThb:
[22] R. Solera Ureña, J. Padrell, D. Martín, A, Gallardo, C. Peláez and C. Díaz, "SVMs for Automatic Speech Recognition: a Survey", Signal Theory and Communications Departament, EPS Universidad San Carlos III de Madrid, Madrid, 2007.
[23] L. Rosasco, “SVM: An Introduction to Support Vector Machine, Classification, Biomedical Decision Support”, Department of Brain and Cognitive Science, Massachusetts Institute of Technology, 2009. [Online]. Available: https://goo.gl/8Gtfeh.
[24] W. Wang. “Machine Audition: Principles, Algorithms and Systems”, University of Surrey, UK, 2010.
[25] E. Weisstein, “Sign”, MathWorld--A Wolfram Web Resourc. [Online]. Available: https://goo.gl/EjT5r9.
[26] Kharagpur Data Analytics Group (KDAG), “SVM Simplified”, 2015. [Online]. Available: https://goo.gl/iozZZ3.
[27] D. R. Kiracofe, “Zero-Padding of FFTs”, Vibration Data Analysis, 2017. [Online] Available: https://goo.gl/iuLiVZ.
[28] H. Traünmuller and A. Eriksson, “The frecuency range of the voice fundamental in the specch of male and female adults”, Institutionen för lingvistik, Stockholms universitet, Stockholm, Sweden, 1994.
[29] A. Touazi and M. Debyeche, "A Case Study on Back-End Voice Activity Detection for Distributed Specch Recognition System Using Support Vector Machines," 2014 Tenth International Conference on Signal-Image Technology and Internet-Based Systems, Marrakech, 2014, pp. 21-26.
[30] K. Amol T. and R. M. R. Guddeti, "Multiclass SVM-based language-independent emotion recognition using selective speech features," 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), New Delhi, 2014, pp. 1069-1073.
[31] C. Chang and C. Lin, “LIBSVM – A Library for Support Vector Machines”, Department of Computer Science, National Taiwan University Taipei, Taiwan, 2016. [Online]. Available: https://goo.gl/HpGjlN.
[32] M. Giménez Fayos, “Una Aproximación Basada en Aprendizaje Automático para Diversos Problemas de Procesamiento de Lenguaje Natural en Redes Sociales”, Tesis de Maestría, Universidad Politècnica de València, 2016.
[33] D. Ellis, “Reproducing the Feature Outputs of Common Programs Using Matlab and melfcc.m”, Lab. for Recognition and Organization of Speech and Audio (LabROSA), Columbia University, New York, 2013. [Online]. Available: https://goo.gl/69yy7c.
[34] J. Giraldo, “Identificación Automática de Eventos Sonoros de Música y Tráfico en Grabaciones en Ambientes Controlados Mediante Descriptores de Audio y el Algoritmo de Clasificación de Máquinas de Soporte de Vectores (SVM)”, Trabajo de Grado, Ingeniería de Sonido, Facultad de Ingenierías, Universidad de San Buenaventura Medellín, 2016.
dc.source.bibliographicCitation.s.fl_str_mv [4] X. Valero and F. Alías, "Análisis de la Señal Acústica Mediante Coeficientes Cepstrales BioInspirados y su Aplicación al Reconocimiento de Paisajes Sonoros", Grup de Recerca en Tecnologies Mèdia, La Salle-Universitat Ramon Llull, 2012.
dc.source.instname.spa.fl_str_mv Universidad de San Buenaventura - Medellín
dc.source.other.spa.fl_str_mv Biblioteca USB Medellín (San Benito): CD-4844t
dc.source.reponame.spa.fl_str_mv Biblioteca Digital Universidad de San Buenaventura
bitstream.url.fl_str_mv https://bibliotecadigital.usb.edu.co/bitstreams/7b6bfb54-50e2-4462-8b05-e2da69540849/download
https://bibliotecadigital.usb.edu.co/bitstreams/3925639c-654e-473d-81cb-a8d28a985483/download
https://bibliotecadigital.usb.edu.co/bitstreams/6d36f819-eeef-421d-888f-5ceb40a60aa1/download
https://bibliotecadigital.usb.edu.co/bitstreams/2b345441-e2e0-4ebb-9010-1aabdbc5fe2f/download
bitstream.checksum.fl_str_mv 6e93053bcc982ee1c9ce80d16fe22d68
0c7b7184e7583ec671a5d9e43f0939c0
80a9b5c8845376d5bfa484d38c526763
aafcee425380330cfb3584682ac945c2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1812932466408685568
spelling Comunidad Científica y AcadémicaRuiz Sánchez, Santiagoca21b6b6-18af-4d69-90af-2a7fed4cb6d3-1Toro Cerón, Luis Gabriel8912840b-9055-4ad5-b10d-8a264c037efb-12018-08-17T20:16:02Z2018-08-17T20:16:02Z20182018-08-17Voice analysis can be done in multiple ways, this processes have evolved through ages, becoming more complex and diversifying the utility of them, Nowadays procedures like detection, recognisement or clasification are based on analyses of the sound signal. This project addresses the recent need of making processes that were initially considered subjectives, automatically, taking into a count of the different factors that might influence them, and always being forward to improve and contribute to the existing processes. The importance of it lies on the versatility of the algorythms, that can be used as well in different areas and for different purposes such as the field of medicine, humanities, social sciences and technologyEl análisis de la voz se puede realizar de múltiples maneras y procesos, dichos procesos han evolucionado a través del tiempo llegando a ser más complejos y diversificando su utilidad. Actualmente procesos como la detección, el reconocimiento o la clasificación se fundamentan en análisis sobre la señal sonora. Este trabajo responde a la necesidad actual de automatizar procesos que anteriormente se consideraban subjetivos, teniendo en cuenta los diversos factores que pueden incidir sobre éstos y con miras a mejorar y aportar a los procesos actuales existentes, la importancia del mismo radica en la versatilidad de estos algoritmos que pueden ser empleados en diferentes áreas y para diversos fines, como por ejemplo en la medicina, las humanidades, ciencias sociales y tecnologíapdf63 páginasRecurso en lineaapplication/pdfG. Toro Cerón, “Análisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de soporte de vectores”, Trabajo de grado, Ingeniería de Sonido, Universidad de San Buenaventura Medellín, Facultad de Ingenierías, 2018http://hdl.handle.net/10819/6041spaIngenieriasIngeniería de SonidoMedellínAtribución-NoComercial-SinDerivadas 2.5 ColombiaPor medio de este formato manifiesto mi voluntad de AUTORIZAR a la Universidad de San Buenaventura, Sede Bogotá, Seccionales Medellín, Cali y Cartagena, la difusión en texto completo de manera gratuita y por tiempo indefinido en la Biblioteca Digital Universidad de San Buenaventura, el documento académico-investigativo objeto de la presente autorización, con fines estrictamente educativos, científicos y culturales, en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión Andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre derechos de autor. Como autor manifiesto que el presente documento académico-investigativo es original y se realiza sin violar o usurpar derechos de autor de terceros, por lo tanto, la obra es de mi exclusiva autora y poseo la titularidad sobre la misma. La Universidad de San Buenaventura no será responsable de ninguna utilización indebida del documento por parte de terceros y será exclusivamente mi responsabilidad atender personalmente cualquier reclamación que pueda presentarse a la Universidad. Autorizo a la Biblioteca Digital de la Universidad de San Buenaventura convertir el documento al formato que el repositorio lo requiera (impreso, digital, electrónico o cualquier otro conocido o por conocer) o con fines de preservación digital. Esta autorización no implica renuncia a la facultad que tengo de publicar posteriormente la obra, en forma total o parcial, por lo cual podrá, dando aviso por escrito con no menos de un mes de antelación, solicitar que el documento deje de estar disponible para el público en la Biblioteca Digital de la Universidad de San Buenaventura, así mismo, cuando se requiera por razones legales y/o reglas del editor de una revista.http://creativecommons.org/licenses/by-nc-nd/2.5/co/http://purl.org/coar/access_right/c_abf2[1] S. Chu, S. Narayanan, and C.-C Jay Kuo, "Environmental sound recognition with timefrequency audio features," in IEEE Trans. Audio, Speech and Lang. Processing, vol. 17, 2009.[2] Y. Hong-wu, L. Ya-li, and H. De-zhi, "Speaker recognition based on weighted melcepstrum," in Fourth International Conference on Computer Sciences and Convergence Information Techno- logy, 2009, pp. 200–203.[3] L. Rabiner and B-H Juang, Fundamentals of Speech Recognition, Prentice Hall, Murray Hill, NJ, 1993.[5] J. C. Gómez, “Reconocimiento Automático de Voz Reconocimiento Automático de Voz Basado en Técnicas de Comparación de Patrones”, Facultad de Ciencias Exactas, Ingeniería y Agrimensura, Universidad Nacional de Rosario. [Online]. Available: https://goo.gl/9mC5ET.[6] S. Furui, “50 Years of Progress in Speech and Speaker Recognition Research”, ECTI Transactions on Computer and Information Technology, vol. 1, 2005, pp. 64-74.[7] G. Martínez and G. Aguilar, "Sistema para Identificación de Hablantes Robusto a Cambios en la Voz", Ingenius: Revista de Ciencia y Tecnología, Núm. 8, Universidad Politécnica Salesiana, 2012. [Online]. Available: https://goo.gl/ca4qAa.[8] [1] J. O’Neal, Introduction to Signal Transmission, IEEE Transactions on Communications, vol. 20, no. 5. 1972.[9] C. Cortes, and V. Vapnik, “Support Vector Networks,” Machine Learning, Vol. 20, No. 3, 1995, pp. 273-297.[10] G. Fant, "Analysis and synthesis of speech processes" Manual of phonetics, 1968, pp. 173- 177.[11] D. Boswell, "Introduction to Support Vector Machines", 2002. [Online]. Available: https://goo.gl/SQo5hX.[12] C. Burges, "A Tutorial on Support Vector Machines for Pattern Recognition" Kluwer Academic Publishers, Bell Laboratories, Lucent Technologies, 1998.[13] P. Zwan, B. Kostek and A. Kupryjanow, "Automatic Classification of Musical Audio Signals Employing Machine Learning Approach," in Audio Engineering Society Convention, 2011.[14] B. Andersen, J. Dyreby, B. Jensen, F. Kjaersfov, O. Mikkelsen, P. Nielsen and H. Zimmermann, “The Mel Scale and Coefficients”, Departament of Electronic Systems, Aalborg University, Aalborg, 2004. [Online]. Available: https://goo.gl/kQHnjU.[15] N. Moureau, T. Sikora and K. Hyoung-Gook, “MPEG-7 AUDIO and Beyond: Audio Content Indexing and Retrieval”, 2005.[16] E.S. Gopi, “Digital Speech Processing Using Matlab”, Springer, New Dehli, 2014.[17] E. Roberts, “Data Compression”, Computer Science, University of Standford, 2000. [Online]. Available: https://goo.gl/JYFHNQ,[18] P. Jackson and S. Haq, Surrey Audio-Visual Expressed Emotion (SAVEE) Database, 2015. [Online]. Available: https://goo.gl/QoaDsC.[19] M. Slaney, “Auditory Toolbox: Technical Report 1998-010”, Interval Research Corporation, 1998.[20] J. Garofolo, L. F. Lamel, W. Fisher, J. Fiscus, D. Pallet, N. Dahlgren and V. Zue, “TIMIT Acoustic-Phonetic Continuous Speech Corpus LDC93S1”, Philadelphia: Linguistic Data Consortium, The Trustees of the University of Pennsylvania, 1993.[21] J. Garofolo, L. F. Lamel, W. Fisher, J. Fiscus, D. Pallet, N. Dahlgren and V. Zue, “The DARPA TIMIT Acoustic-Phonetic Continuous Speech Corpus”, Philadelphia: Linguistic Data Consortium, The Trustees of the University of Pennsylvania, 1990. [Online]. Available: https://goo.gl/woMThb:[22] R. Solera Ureña, J. Padrell, D. Martín, A, Gallardo, C. Peláez and C. Díaz, "SVMs for Automatic Speech Recognition: a Survey", Signal Theory and Communications Departament, EPS Universidad San Carlos III de Madrid, Madrid, 2007.[23] L. Rosasco, “SVM: An Introduction to Support Vector Machine, Classification, Biomedical Decision Support”, Department of Brain and Cognitive Science, Massachusetts Institute of Technology, 2009. [Online]. Available: https://goo.gl/8Gtfeh.[24] W. Wang. “Machine Audition: Principles, Algorithms and Systems”, University of Surrey, UK, 2010.[25] E. Weisstein, “Sign”, MathWorld--A Wolfram Web Resourc. [Online]. Available: https://goo.gl/EjT5r9.[26] Kharagpur Data Analytics Group (KDAG), “SVM Simplified”, 2015. [Online]. Available: https://goo.gl/iozZZ3.[27] D. R. Kiracofe, “Zero-Padding of FFTs”, Vibration Data Analysis, 2017. [Online] Available: https://goo.gl/iuLiVZ.[28] H. Traünmuller and A. Eriksson, “The frecuency range of the voice fundamental in the specch of male and female adults”, Institutionen för lingvistik, Stockholms universitet, Stockholm, Sweden, 1994.[29] A. Touazi and M. Debyeche, "A Case Study on Back-End Voice Activity Detection for Distributed Specch Recognition System Using Support Vector Machines," 2014 Tenth International Conference on Signal-Image Technology and Internet-Based Systems, Marrakech, 2014, pp. 21-26.[30] K. Amol T. and R. M. R. Guddeti, "Multiclass SVM-based language-independent emotion recognition using selective speech features," 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), New Delhi, 2014, pp. 1069-1073.[31] C. Chang and C. Lin, “LIBSVM – A Library for Support Vector Machines”, Department of Computer Science, National Taiwan University Taipei, Taiwan, 2016. [Online]. Available: https://goo.gl/HpGjlN.[32] M. Giménez Fayos, “Una Aproximación Basada en Aprendizaje Automático para Diversos Problemas de Procesamiento de Lenguaje Natural en Redes Sociales”, Tesis de Maestría, Universidad Politècnica de València, 2016.[33] D. Ellis, “Reproducing the Feature Outputs of Common Programs Using Matlab and melfcc.m”, Lab. for Recognition and Organization of Speech and Audio (LabROSA), Columbia University, New York, 2013. [Online]. Available: https://goo.gl/69yy7c.[34] J. Giraldo, “Identificación Automática de Eventos Sonoros de Música y Tráfico en Grabaciones en Ambientes Controlados Mediante Descriptores de Audio y el Algoritmo de Clasificación de Máquinas de Soporte de Vectores (SVM)”, Trabajo de Grado, Ingeniería de Sonido, Facultad de Ingenierías, Universidad de San Buenaventura Medellín, 2016.[4] X. Valero and F. Alías, "Análisis de la Señal Acústica Mediante Coeficientes Cepstrales BioInspirados y su Aplicación al Reconocimiento de Paisajes Sonoros", Grup de Recerca en Tecnologies Mèdia, La Salle-Universitat Ramon Llull, 2012.Universidad de San Buenaventura - MedellínBiblioteca USB Medellín (San Benito): CD-4844tBiblioteca Digital Universidad de San BuenaventuraAnálisis de estrés en la vozCoeficientes Cepstrales en las Frecuencias de Mel,Máquina de Vectores de SoporteAprendizaje automáticoVoice stress analysisMel Frecuency Cepstral CoefficientsSupport Vector MachineMachine LearningEstrésVozAprendizaje automáticoProcesamiento de señalesAnálisis de señalesAlgoritmosIngeniero de SonidoAnálisis de estrés en la voz utilizando coeficientes cepstrales de Mel y máquina de vectores de soporteTrabajo de grado - PregradoTrabajo de Gradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fPublicationORIGINALAnalisis_Estres_Voz_Toro_2018.pdfAnalisis_Estres_Voz_Toro_2018.pdfapplication/pdf1991618https://bibliotecadigital.usb.edu.co/bitstreams/7b6bfb54-50e2-4462-8b05-e2da69540849/download6e93053bcc982ee1c9ce80d16fe22d68MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82071https://bibliotecadigital.usb.edu.co/bitstreams/3925639c-654e-473d-81cb-a8d28a985483/download0c7b7184e7583ec671a5d9e43f0939c0MD52TEXTAnalisis_Estres_Voz_Toro_2018.pdf.txtAnalisis_Estres_Voz_Toro_2018.pdf.txtExtracted texttext/plain102505https://bibliotecadigital.usb.edu.co/bitstreams/6d36f819-eeef-421d-888f-5ceb40a60aa1/download80a9b5c8845376d5bfa484d38c526763MD53THUMBNAILAnalisis_Estres_Voz_Toro_2018.pdf.jpgAnalisis_Estres_Voz_Toro_2018.pdf.jpgGenerated Thumbnailimage/jpeg6164https://bibliotecadigital.usb.edu.co/bitstreams/2b345441-e2e0-4ebb-9010-1aabdbc5fe2f/downloadaafcee425380330cfb3584682ac945c2MD5410819/6041oai:bibliotecadigital.usb.edu.co:10819/60412023-02-24 11:31:35.291http://creativecommons.org/licenses/by-nc-nd/2.5/co/https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.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