Análise de Padrões de Voz através da Transformada em Ondeletas

Transcrição

1 Análise de Padrões de Voz através da Transformada em Ondeletas Giacomo de Lacerda A. Alves 1, Celso C. Caltabiano 1, Maurício J. A. Bolzan 1 1 UNIVAP /IPD Instituto de Pesquisa e Desenvolvimento, Av. Shishima Hifumi, Urbanova - São José dos Campos - SP, tchco_18@hotmail.com, cel_sub7@hotmail.com e bolzan@univap.br Resumo: O presente trabalho visa o reconhecimento de padrões de voz. Para isso, este trabalho está dividido em duas partes, sendo elas: primeiro, a análise de voz gravada através do espectro dinâmico dado pela Transformada em Ondeleta (TO), onde será possível detectar as principais freqüências; segundo, ao término da primeira parte, irar-se-á caracterizar quais as freqüências que são importantes em cada gravação, formando com isso um padrão característico da voz de uma pessoa, podendo agora ser utilizado na comparação com outros padrões armazenados. Palavras-chave: Análise, Padrões de Voz, Transformada em Ondeletas, Correlação. Área do Conhecimento: Engenharias 1. Introdução A biometria é o ramo da ciência que estuda a mensuração dos seres vivos. Cada vez mais é utilizada na verificação da identidade de pessoas através de suas características únicas e inerentes. Essas características podem ser fisiológicas (impressão digital, padrão da íris, geometria da mão) ou comportamentais (assinatura, padrão de voz, etc.). Por se tratarem de características únicas que não podem ser modificadas ou passadas para um terceiro, a aplicação da biometria em sistemas de segurança vem crescendo muito nos últimos anos, substituindo os sistemas tradicionais que se baseiam na idéia de que o usuário sabe algo (nome e senha) ou possui algo (cartão magnético, chave) que o identifica. A voz humana sofre grande variação devido a fatores físicos e emocionais e, por isso, a identificação e reconhecimento de padrões não possuem uma regra. Se forem utilizadas as ferramentas matemáticas tradicionais, como a Transformada de Fourier (TF), os resultados não estarão dentro de uma faixa confiável. Isso ocorre porque estes fatores físico e emocional introduzem não-estacionaridade (momentos estatísticos, como a média, variam com o tempo) na série temporal da voz (Bolzan, 004), ou seja, alteram a intensidade e na localização temporal de determinadas freqüências. Por isso, o uso de ferramentas matemáticas mais robustas como a Transformada em Ondeleta (TO), adotada neste trabalho, propiciará caracterizar tais alterações, além de qualificar a pessoa (Bolzan, 006). Atualmente existem diversos dispositivos eletrônicos de segurança disponíveis no mercado, desde chaves eletrônicas a sensores biométricos (Cândido e Nogueira, 009). Estes últimos têm recebido grande desenvolvimento como sensores baseados em leituras de digitais. Entretanto, sensores de reconhecimento de voz ainda carecem de maiores estudos, principalmente dada a sua novidade e seu mercado fechado. Por isso, este trabalho visa o estudo e desenvolvimento de um software capaz de gravar uma voz, analisá-la para reconhecer padrões determinantes e, finalmente, identificar o usuário da voz.. Metodologia Este trabalho consiste em duas partes: geração de espectros dinâmicos por TO para a caracterização de padrões de cada série temporal de voz e, reconhecimento desta voz em um banco de dados previamente montado. A realização deste trabalho, teve auxílio das ferramentas MATLAB R008a e MySQL Server 5.0. No MATLAB foi implementado a interface gráfica para a obtenção das amostras de sinais de voz, algoritmo para cálculos de TO e o algoritmo para gerar o espectros dinâmicos. O MySQL Server 5.0 foi utilizado como base de armazenamento dos dados coletados. O algoritmo para cálculos da TO e a geração dos espectros dinâmicos foi obtido através do trabalho de Torrence e Compo (1998). A amostra de voz consiste em um arquivo gravado por uma pessoa no formato wave contendo a seguinte frase: Análise de padrões. As amostras foram gravadas com uma margem de tolerância mínima no tempo da pronúncia dos fonemas para padronizar o tempo dos arquivos e dos espectros dinâmicos. 1

2 Tendo em vista que nas gravações de voz existem períodos em que não há presença de concentração de energia relevante, ou seja, ausência de voz (início e fim da fala), foi necessário o desenvolvimento de um algoritmo com a finalidade de extrair esses períodos, afim de que a amostra a ser utilizada na etapa de reconhecimento contenha apenas a faixa de energia que caracterize a voz humana (préprocessamento)..1 A Transformada em Ondeletas O termo ondeleta refere-se a um conjunto de funções com forma de pequenas ondas geradas ψ( t) ψ( t) por dilatações,, e translações, ψ( t) ψ( t + 1 ), de uma função geradora simples ψ( t ), a ondeleta-mãe. Matematicamente, a função ondeleta numa escala a e posição b é expressada por: Ψ t b ( t = a 1/ Ψ (1) a a, b ) onde a e b são reais e a>0. Note-se que a equação (1) inclui o termo de normalização a 1/. A transformada em Ondeletas é definida por: 1 t b ( W f )( a b) f ( t ψ ψ, ) = dt / a a 1 () onde a função temporal f(t) constitui a série de dados a ser analisada. Existem dois tipos de funções ondeletas, a ondeleta contínua e a ondeleta discreta. Dentre as ondeletas discretas mais conhecidas estão, a Haar e Meyer, dentre outras (Daubechies, 199). A ondeleta contínua mais conhecida é a de Morlet, a qual sendo complexa, permite também a análise da fase e do módulo do sinal (Farge, 199). Esta última,foi utilizada neste trabalho e tem a seguinte equação: escolha da função ondeleta-mãe foi a Morlet. A Transformada em Ondeletas, utilizando Morlet como função base, possibilita a decomposição e a descrição da função f(t) no domínio da freqüência, de forma que se pode analisar esta função em diferentes escalas de freqüência e de tempo, tornando-se ideal a sua utilização para o trabalho (Barbosa, 008). A aplicação da TO sobre os sinais de voz geram os espectros de energia, que serão melhor descritos posteriormente. Esses espectros são gerados sobre um vetor que é armazenado em um banco de dados juntamente com a identificação do emissor (pessoa).. A Correlação Os vetores de dados extraídos do sinal de voz, através das técnicas anteriormente apresentadas, consistem em padrões que permitem representar as características vocais de uma pessoa. Sendo assim, para a identificação da similaridade entre os padrões de voz foi utilizada a técnica de correlação entre os valores que correspondem à quantidade de energia acumulada em cada espaço de tempo, através do coeficiente de Pearson, equação (4). Esta correlação é uma medida do grau de correlação linear entre duas variáveis quantitativas. r = ( xi x)( yi y) ( x x) y ( i )( ( i y) ) (4) Este coeficiente varia entre os valores -1 e 1. O valor 0 (zero) significa que não há relação linear, enquanto que o valor 1 indica uma relação linear perfeita. Já o valor -1 também indica uma relação linear perfeita, mas inversa, ou seja, quando uma das variáveis aumenta a outra diminui. Quanto mais próximo estiver de 1 ou -1, mais forte é a associação linear entre as duas amostras. A Tabela 1 mostra a classificação mais detalhada. Tabela 1 - Interpretação da correlação entre pontos ik t ψ ψ( t) = e e ( t / ) (3) onde K Ψ = 5. Tendo em vista que um sinal de voz é caracterizado pela sua não-estacionaridade, a

3 Para o reconhecimento de similaridade, foi desenvolvido um algoritmo que recebe as amostras de concentração de energia da voz a ser utilizada como referência e compara estes valores com cada uma das amostras existentes dentro do banco de dados. O objetivo é fornecer o grau de correlação entre cada um dos casos. O funcionamento do software como um todo pode ser representado pelo fluxograma a seguir: Figura - Espectro de energia gerado a partir de uma série temporal. Figura 1 Fluxograma de funcionamento do software. 3. Resultados Para a obtenção de resultados mais precisos, foram coletadas amostras de voz de pessoas de ambos os sexos com idade variando entre 14 e 5 anos. Em seguida, foi aplicada a TO sobre todas as séries temporais para gerar os espectros dinâmicos de cada uma delas, conforme a Figura. O gráfico superior da Figura representa o sinal de voz gravado. O gráfico inferior mostra o espectro dinâmico desta voz, sendo o eixo x o tempo de duração da gravação, o eixo y representa as freqüências contidas neste sinal de voz e, finalmente, a cor representa a energia associada a cada freqüência. Ao analisar os espectros dinâmicos, foi possível identificar semelhanças nas freqüências predominantes entre as amostras nos fonemas A, NÁ, SE e DRÕES, independentemente da idade ou do sexo da pessoa. Entretanto, houve diferenças na enegia destes fonemas em função do sexo. Para as pessoas do sexo masculino, os dois primeiros fonemas, mencionados anteriormente, foi identificada maior concentração de energia numa faixa entre 300 Hz e 3000 Hz. Já nos dois últimos fonemas foi identificada uma concentração de energia maior na faixa entre 4096 Hz e 819 Hz. Entre as pessoas do sexo feminino, percebeu-se uma semelhança nos fonemas A e NÁ, onde, além da predominância da concentração de energia entre 300Hz e 3000 Hz, ocorreu uma concentração de energia após a faixa dos Hz. Essa característica na voz auxiliará no processo de reconhecimento, já que essa concentração de energia foi encontrada apenas em pessoas do sexo feminino. Mesmo com algumas características similares entre as amostras coletadas, percebeu-se a peculiaridade de cada amostra, onde cada pessoa tem uma faixa de freqüência com concentração de energia maior diferentemente de outra pessoa. Por exemplo, ao analisar as duas primeiras sílabas da palavra Análise em três pessoas do sexo masculino e com idade de anos, foi possível verificar pequenas diferenças entre as faixas predominantes de energia. Estas diferenças foram: na primeira amostra foram encontrados picos de energia entre 56 Hz e 048 Hz; na segunda amostra verificaram-se picos de energia entre 56 Hz e 104 Hz e, na terceira amostra foram encontrados picos de energia entre 00 Hz e 800 Hz. Após a geração dos espectros dinâmicos das amostras de voz coletadas, as concentrações de energia foram armazenadas em um banco de dados para posterior comparação. 3

4 A etapa de comparação foi executada utilizando os valores até então obtidos por meio dos algoritmos de gravação de voz, aplicação da Transformada de Ondeletas e de extração dos pontos relevantes. A extração dos pontos relevantes possibilitou um maior grau de confiabilidade no resultado obtido durante o processo de identificação de similaridade, já que a faixa de energia utilizada durante a comparação deve ser o mais próximo possível daquela que caracteriza a voz humana. No processo de identificação de similaridade foi comparada a faixa de energia obtida após a extração dos pontos irrelevantes com todas as demais amostras armazenadas no banco de dados para então se conhecer o coeficiente de Pearson entre cada comparação. Conhecendo os coeficientes, foi possível identificar a amostra armazenada que obteve melhor grau de correlação com a voz utilizada como referência. Foram realizadas sessenta comparações, sendo que em 93,33% dos casos o software identificou corretamente a pessoa. Em nenhuma das comparações os coeficientes de Pearson chegaram ao valor 1,0, mesmo comparando-se duas amostras de uma mesma pessoa, já que é extremamente difícil reproduzir as mesmas características (tonalidade, tempo de fala) em gravações diferentes. Essa diferença pode ser percebida na Figura 3, em que a amostra reconhecida como sendo a que mais se correlaciona com a amostra de referência contém um valor de 0,7836 de correlação. Figura 3 Correlação entre as amostras geradas. 4. Discussão Atualmente observa-se uma vasta gama de técnicas de análise espectral de séries temporais. Dentre essas técnicas, a análise de Fourier tradicional não é viável na investigação de fenômenos que possuem sinais não-estacionários, ou mesmo aqueles em que o sinal sofre variações bruscas de freqüência (Farge, 199). Já a Transformada em Ondeletas possui características que permitem analisar séries temporais com propriedades exclusivamente não-estacionárias, permitindo decompor a série temporal em tempo freqüência. Para o reconhecimento de padrões o meio mais utilizado é a técnica de redes neurais, que tem, como principais vantagens, a adaptatividade (habilidade de se ajustar a novas informações) e a generalização (podem aprender através de conjuntos de exemplos e apresentar respostas coerentes para entradas não vistas durante o treinamento). Porém, a modelagem de uma rede neural depende da análise consistente de um sistema muitas vezes complexo, implicando em dificuldades para definir qual arquitetura melhor responde às necessidades do problema proposto. Além da entrada, também se deve definir de forma ideal os parâmetros de aprendizagem, os pesos sinápticos e os níveis de bias, os quais são de severa importância para o processo de aprendizado, tornando a implementação da rede neural mais complexa. Considerando esses aspectos, foi escolhida a técnica de correlação de pontos, com o intuito de verificar o seu desempenho em comparações de dados não lineares. O índice de acerto foi acima do esperado no escopo deste trabalho, tendo em vista que a correlação não é a técnica mais utilizada para estes fins. Cabe ressaltar que foram feitas análises em amostras de diversos perfis, adolescentes, adultos, de ambos os sexos em diferentes ambientes de captação de voz. Percebeu-se que para o reconhecimento de voz sobre uma população pequena, a fusão entre a Transformada em Ondeletas e a técnica de correlação pode ser eficiente, já que foram obtidos índices de correlação perfeita entre amostras da mesma pessoa, muito acima dos índices comparados entre amostras de pessoas diferentes. A utilização da Transformada em Ondeletas teve grande importância nesta análise, já que através dela foi possível identificar padrões que caracterizam a voz. A divisão do problema de reconhecimento de fala em três fases principais (busca de sinais, préprocessamento e processamento) estabeleceu a possibilidade de aprimorar os estudos em cada uma delas individualmente, facilitando o desenvolvimento deste projeto. A relativa independência existente entre as fases assegurou que os avanços realizados não causariam danos externos à fase. É fundamental a importância dos métodos de pré-processamento no atual estado da computação, onde ainda é necessário reduzir ou comprimir os dados (voz), para que haja um tratamento em um tempo considerado satisfatório, 4

5 já que o tempo de processamento é muito alto, tendo em vista a quantidade de cálculos realizados. Nesta compressão de dados é imprescindível evitar a perda das características essenciais da informação. Mesmo que no futuro seja resolvido o problema do manuseio de grandes volumes de dados, ainda poderá ser interessante efetuar uma alteração ou melhora em certos tipos de dados para um melhor processamento e até mesmo um aumento de performance. 5. Conclusão Para a parte de aplicação em TO, foi mostrado que é possível determinar de forma simples e bastante rápida a covariabilidade na energia entre duas grandezas físicas, evidenciando as características quantitativas de cada uma delas. A transformada em ondeletas revela, no tempo, que parte do sinal analisado transporta energia significativa e em quais freqüências(escalas) isso acontece. Isso mostra que a técnica em Ondeletas é uma forma robusta para processamento de sinais não-estacionários. Mesmo com a porcentagem de acerto obtida nos teste de reconhecimento utilizando o coeficiente de correlação de Pearson como parâmetro ter sido alta (93,33%), sabe-se que essa não é uma técnica muito eficiente, se utilizada para grandes populações. Essa porcentagem alta deve-se ao fato da utilização da Transformada em Ondeletas, que possibilitou analisar as concentrações de energia em cada freqüência em cada espaço de tempo. Com esse trabalho, conclui-se que a utilização da Transformada em Ondeletas juntamente com a aplicação de uma rede neural propiciará um maior grau de confiabilidade para o reconhecimento de padrões de voz em populações maiores. - Cândido, B. L.; Nogueira, T. C., Sistema de Controle de Acesso Biométrico (SCAB). Trabalho de Conclusão de Curso em Engenharia da Computação, Universidade do Vale do Paraíba, Daubechies, I. Ten lectures on wavelets, SIAM, 199. p Torrence, C. e Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, v. 79, n. 1, p Farge, M., Wavelet transforms and their applications to turbulence. Journal of the Atmospheric Sciences, Palo Alto, v.4, p , 199. Referências - Barbosa, A. C. Barros; Blitzkow, Denizar. Ondaletas: Histórico e Aplicação. Trabalho de Doutorado do Instituto de Astronomia, Geofísica e Ciências Atmosféricas da Universidade de São paulo. IAG/USP, Bolzan, M. J. A. Análise da Transformada em Ondeletas Aplicada em Sinal Geofísico. Revista Brasileira de Ensino de Física, v. 6, n. 1, p , Bolzan, M. J. A. Transformada em Ondeleta: Uma necessidade. Revista Brasileira de Ensino de Física, v. 8, n. 4, p ,