Publicação
Deep learning aplicado a classificação de patologias da voz
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | pt_PT |
| dc.contributor.advisor | Teixeira, João Paulo | |
| dc.contributor.advisor | Cândido Junior, Arnaldo | |
| dc.contributor.author | Guedes, Victor | |
| dc.date.accessioned | 2020-01-31T12:21:13Z | |
| dc.date.available | 2020-01-31T12:21:13Z | |
| dc.date.issued | 2019 | |
| dc.date.submitted | 2018 | |
| dc.description | Dupla diplomaçaão com a UTFPR - Universidade Tecnológica Federal do Paraná | pt_PT |
| dc.description.abstract | 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, Shimmer e 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 laringite x 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. | pt_PT |
| dc.description.abstract | The classification of voice related pathologies using Deep Learning concepts has been increasing considerably in recent years. Good results have already been obtained for classification in sustained speech with vowels, but there are still few studies related to the classification of this problem using continuous speech. Therefore, the focus of this dissertation is to implement the main models of Deep Learning for the classification of voice pathologies in continuous speech, using the German phrase "Guten Morgen, wie geht 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 for multi-class and binary analyzes. In addition, a previous study for the classification with vowels 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, Shimmer and Autocorrelation, in the binary classification between laryngitis and healthy. For the phrases, a comparative study between neural networks, convolutional and recurrent models with the parameter MFCCs and Spectrograms in the Mel scale, obtaining results of 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 is obtained 59% and 40% of F-measure for 3 classes and 4 classes, respectively. | pt_PT |
| dc.identifier.tid | 202388328 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10198/20502 | |
| dc.language.iso | por | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | pt_PT |
| dc.subject | Long short-term memory | pt_PT |
| dc.subject | Rede neuronais convolucional | pt_PT |
| dc.subject | Redes neuronais artificias | pt_PT |
| dc.subject | Transfer learning | pt_PT |
| dc.title | Deep learning aplicado a classificação de patologias da voz | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Sistemas de Informação | pt_PT |