Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Teixeira, João Paulo Ramos | - |
Autor(es): dc.contributor | Candido Junior, Arnaldo | - |
Autor(es): dc.contributor | Teixeira, João Paulo Ramos | - |
Autor(es): dc.contributor | Pereira, Maria João Tinoco Varanda | - |
Autor(es): dc.contributor | Freitas, Diamantino Rui da Silva | - |
Autor(es): dc.creator | Guedes, Victor de Oliveira | - |
Data de aceite: dc.date.accessioned | 2022-02-21T22:19:00Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T22:19:00Z | - |
Data de envio: dc.date.issued | 2020-11-15 | - |
Data de envio: dc.date.issued | 2020-11-15 | - |
Data de envio: dc.date.issued | 2019-07-03 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/12481 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/672455 | - |
Descrição: dc.description | O presente trabalho é resultado de um convênio de dupla diplomação com a Escola Superior de Tecnologia e de Gestão de Bragança | - |
Descrição: dc.description | The classification of voice related pathologies using Deep Learning concepts has beenincreasing considerably in recent years. Good results have already been obtained forclassification in sustained speech with vowels, but there are still few studies related tothe classification of this problem using continuous speech. Therefore, the focus of thisdissertation is to implement the main models of Deep Learning for the classification ofvoice pathologies in continuous speech, using the German phrase "Guten Morgen, wiegeht es Ihnen?"From the Saarbruecken Voice Database. The pathologies of dysphonia,laryngitis and paralysis of the vocal cords, as well as the healthy class, are used formulti-class and binary analyzes. In addition, a previous study for the classification withvowels in the same pathologies is also carried out. The best result for the vowels is 99% accuracy for the implementation of an LSTM model with parameters Jitter, Shimmerand Autocorrelation, in the binary classification between laryngitis and healthy. Forthe phrases, a comparative study between neural networks, convolutional and recurrentmodels with the parameter MFCCs and Spectrograms in the Mel scale, obtaining resultsof 76% F-measure for dysphonia x healthy, 68% F-measure for laryngitis x healthy, 80%F-measure for healthy x paralysis of the vocal cords. For multi-class classification isobtained 59% and 40% of F-measure for 3 classes and 4 classes, respectively. | - |
Descrição: dc.description | A classificação de patologias relacionadas a voz utilizando conceitos de Deep Learning vem crescendo consideravelmente nos últimos anos. Bons resultados já foram obtidos para a classificação em fala sustentada com vogais, mas ainda existem poucos trabalhos relacionadas a classificação deste problema utilizando fala contínua. Por isso, é foco desta dissertação realizar a implementação dos principais modelos de Deep Learning para a classificação de patologias da voz em fala contínua, utilizando a frase alemã “Guten Morgen,wie geht es Ihnen?” da base de dados Saarbruecken Voice Database. São utilizados as patologias de disfonia, laringite e paralisia das cordas vocais, além da classe dos saudáveis,para análises multi classe e binária. Além disso, também é realizado um estudo prévio para a classificação com vogais nas mesmas patologias. O melhor resultado para as vogais é de 99% de exatidão para a implementação de um modelo LSTM com parâmetros Jitter,Shimmere Autocorrelação, na classificação binária entre laringite e saudável. Para as frases, é realizado um estudo comparativo entre modelos de redes neuronais, convolucionais e recorrentes para os parâmetros MFCCs e Espectrogramas na escala Mel obtendo resultados de 76% de medida-F para disfonia x saudável, 68% de medida-F para laringitex saudável, 80% de medida-F para paralisia x saudável. Para classificação multi classe é obtido 59% e 40% de medida-F para 3 classes e 4 classes, respectivamente. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Medianeira | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Ciência da Computação | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Transferência de aprendizagem | - |
Palavras-chave: dc.subject | Distúrbios da voz | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Transfer of training | - |
Palavras-chave: dc.subject | Voice disorders | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Título: dc.title | Deep learning aplicado a classificação de patologias da voz | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: