REDES NEURAIS ARTIFICIAIS PARA A CLASSIFICAÇÃO DE SONS VOCÁLICOS

Transcrição

1 REDES EURIS RTIFICIIS R CLSSIFICÇÃO DE SOS VOCÁLICOS lexandre de Souza Brandão Unversdade Federal Flumnense GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, São Domngos teró RJ Brasl brandaoalexandre@g.com.br Edson Cataldo Unversdade Federal Flumnense Departamento de Matemátca plcada, Centro, teró, Brasl GMEC rograma de pós-graduação em Engenhara Mecânca rograma de pós-graduação em Engenhara de Telecomuncações Rua Máro Santos Braga, s/ o Centro teró RJ Brasl ecataldo@zpmal.com Jorge Carlos Lucero Unversdade de Brasíla Departamento de Matemátca DF lucero@mat.unb.br Fabana Rodrgues Leta Unversdade Federal Flumnense Departamento de Engenhara Mecânca GMEC rograma de ós-graduação em Engenhara Mecânca Rua asso da átra, São Domngos teró RJ- Brasl fabana@c.uff.br Resumo: este artgo, serão usadas redes neuras artfcas (R) para classfcação de padrões de voz obtdos através de medções acústcas realzadas sobre snas de voz dgtalzados. Os padrões são representados por vetores, cujas componentes correspondem a medções acústcas. Usando R classfcam-se os snas de vozes normas e com característcas de patologa: nódulo nas cordas vocas ou paralsa unlateral das cordas vocas. alavras-chave: Redes euras rtfcas, Modelagem, Classfcação de adrões, rocessamento de Snas bstract. In ths paper, we wll use artfcal neural network () to classfy patterns of voce (voced sounds) usng acoustc measures n sgnals orgnated from real voces. The used voce patterns consst n acoustc measurements vectors. Usng we classfy a real voce nto a set of real voces samples (normal voces and voces wth characterstcs of onesde paralyss of the vocal cords). Keywords: eural networks, Mechancal models, attern matchng, coustc measurements.. ITRODUÇÃO produção da voz ocorre a partr de um processo de contração-expansão dos pulmões. O escoamento de ar que é crado, passa pela larnge e, ncalmente homogêneo, se transforma em uma sére de pulsos (trem de pulsos ou snal glotal) de ar que chegam na boca e na cavdade nasal. Os pulsos de ar são modulados pela geometra da língua, dos dentes e dos lábos de forma a produzr o

2 que se conhece por voz. O snal glotal, porém, possu propredades mportantes de dfícl reprodução que estão ntmamente lgadas às característcas anatômcas e fsológcas da larnge. Um dos prncpas dferencadores do som é a forma de exctação. Identfcam-se dos tpos báscos de exctação: () vocálco e (2) não-vocálco. este trabalho, tratamos apenas de sons vocálcos. Uma das prncpas formas de se caracterzar o snal de voz é através de medções acústcas, pelo fato de que tas meddas podem revelar mportantes característcas fsológcas através de varações de seus valores [,2]. Quando conjuntos de medções acústcas aproxmadamente guas são obtdos, chegam-se aos chamados padrões de voz. Uma vez obtdos os padrões de voz, redes neuras artfcas (R) podem ser usadas para classfcá-los. s R possuem a habldade de nferr relações não-lneares complexas e também a capacdade de resolver os problemas sem a necessdade de defnção de lstas de regras.este contexto, a proposta deste artgo é mapear as característcas não lneares das medções acústcas através de redes neuras artfcas, buscando a classfcação entre três tpos de padrões de voz (normal, nódulo e paralsa). 2. MEDIÇÕES CÚSTICS SOBRE O SIL DE VOZ s medções acústcas descrtas neste artgo foram obtdas através do programa de análse fonétca RT [3], de lvre dstrbução. Os pulsos de ar do snal glotal são formados entre os nstantes de fechamento das cordas vocas, sendo o ntervalo de tempo entre eles equvalente ao período (T), ou cclo, do snal de voz. freqüênca fundamental do snal de voz (/T) é chamada de ptch e a varação dos ntervalos de tempo que representam os pulsos do snal de voz é chamada jtter. varação da ampltude do snal de voz, obtda através da dferença entre a ampltude do snal de voz obtda em um período e a do período segunte é chamada shmmer. ssm, jtter e shmmer são meddas da varação do período e da ampltude do snal, cclo-a-cclo, respectvamente. Há váras formas de se medr jtter e shmmer. s meddas que foram usadas neste trabalho serão descrtas a segur [4,5]. 2. Meddas de Jtter () Jtter (local): Jtter ( local ) + () onde é o número de amostras e e + são ntervalos de tempo consecutvos do snal de voz. () Jtter (rap) e Jtter (ppq5): Jtter ( rap) J + J J ( j ) J + + j + 0.5( J ) (2) onde é o número de amostras, e + são ntervalos de tempo consecutvos do snal de voz e J é o tamanho de uma janela de tempo. o caso de Jtter (rap) o valor de J é 3 e para o Jtter (ppq5) valor de J é 5. () Jtter (ddp): 464

3 Jtter ( ddp) (3) onde é o número de amostras,, +, +2 e +3 são ntervalos de tempo consecutvos do snal de voz. 2.2 Meddas de Shmmer () Shmmer (local): Shmmer ( local) + (4) onde é o número de amostras e e + são ampltudes do snal de voz correspondentes a ntervalos de tempo consecutvos. Shmmer (apq3), Shmmer (apq5) e Shmmer (apq): J + J ( ) + j j + 0.5( J ) (5) Shmmer ( apq3) J + J onde é o número de amostras e e + são ampltudes do snal de voz correspondentes a ntervalos de tempo consecutvos. o caso de Shmmer apq3 o valor de J é 3, no caso de Shmmer apq5 o valor de J é 5 e no caso de Shmmer apq o valor de J é.. Shmmer(ddp): Shmmer ( ddp) (6) onde é o número de amostras e, +, +2 e +3 correspondentes a ntervalos de tempo consecutvos. são as ampltudes do snal de voz 2.3 tch (freqüênca fundamental méda) lém das meddas de Jtter e Shmmer temos anda o tch que é a freqüênca cujo valor corresponde ao recíproco da méda dos ntervalos de tempo consderados. tch ( médo) (7) 3 MEDIÇÕES OS SIIS DE VOZ segur são apresentadas as tabelas geradas, a partr das medções descrtas acma, para padrões de voz normal, com nódulo e com paralsa unlateral respectvamente, sendo o fonema utlzado para análse a vogal sustentada /e/. Esta vogal fo escolhda para as medções por apresentar mas nítdas as medções descrtas na seção anteror. 465

4 Tabela Medções para vozes normas Tabela 2 Medções para vozes com nódulo Tabela 3 Medções para vozes com paralsa 4 REDES EURIS RTIFICIIS Uma rede neural artfcal consste em camadas de processadores nterlgadas por conexões ponderadas. fgura () mostra a R projetada para este trabalho. Fgura Rede eural rtfcal rojetada 466

5 este expermento utlza-se uma rede neural artfcal desenvolvda no ambente MTLB. Em redes neuras artfcas almentadas adante, os dados fluem das undades de entrada para as undades de saída de uma manera dreta, ou seja, não há realmentação. O algortmo de aprendzado da R é o de retropropagação e consste, bascamente, no segunte: dado um conjunto de pesos ncal, a rede neural recebe como amostras os valores das medções descrtas anterormente (na forma de um vetor de entrada). Cada vetor de entrada representa as característcas que se deseja dstngur entre as amostras de voz. Durante o trenamento da rede, o resultado correto para cada entrada é mostrado para a rede, ou seja, os pesos da rede são ajustados, através de uma regra chamada "regra delta", de modo que a rede mostre o resultado correto para cada uma das entradas conhecdas. "regra delta" consste em adconar ao valor do peso da conexão ponderada, a cada teração, um valor de ajuste baseado no gradente da função de erro do valor de saída da rede neural em relação ao valor da saída desejada. Maores detalhes sobre redes neuras e o algortmo de retropropagação podem ser encontrados em [6]. O ajuste da rede é testado colocando-se vetores de entrada que não foram usados para trenar a rede. déa é que vozes de um determnado padrão tenham vetores de medções com dstâncas eucldanas pequenas entre s. Desse modo, vetores de entrada que não foram usados para trenar a rede, mas que pertencem ao mesmo padrão, serão nterpolados entre os vetores que a rede conhece e classfcados como tas. fgura (2) apresenta um exemplo em que os vetores de entrada possuem três componentes (apenas para facltar a vsualzação gráfca). Fgura 2 Classfcação pela Rede eural ara um problema de classfcação de M classes, no caso três classes (normas, nódulo e paralsa), onde a unão das M classes dstntas forma o espaço de entrada ntero, necessta-se de um total de M saídas para representar todas as decsões de classfcação possíves [6]. rede é trenada com vetores-alvo bnáros S cujas componentes são escrtas como: S k quando a amostra pertence à classe C k S k 0 quando a amostra não pertence à classe C k partr desta notação, na rede projetada, a classe é representada por um vetor alvo de dmensão três. ssm, 467

6 S 0 padrão normal S padrão nódulo S 0 padrão paralsa 0 Uma rede neural classfcadora de múltplas camadas trenada com o algortmo de retropropagação, com um conjunto fnto de exemplos ndependentemente e dentcamente dstrbuídos (..d.), leva a uma aproxmação assntótca das probabldades de classe a posteror subjacentes [6], desde que o tamanho do conjunto de trenamento seja sufcentemente grande e que o processo de aprendzagem por retropropagação não fque preso em um mínmo local da função de erro do valor de saída da rede neural em relação ao valor da saída desejada. O número de neurônos na camada oculta depende de quão bem se deseja que a rede mapee ou absorva a varabldade do conjunto de amostras dsponível para trenamento [7]. Como não se tem noção a pror desta varabldade e o banco de amostras de voz conta, por enquanto, com apenas trnta amostras, este número de neurônos fo defndo expermentalmente. Ou seja, a rede fo trenada ncalmente com três neurônos na camada oculta, depos com quatro, depos com cnco, e assm por dante observando-se o índce de acertos em relação às amostras dexadas de fora do trenamento. confguração de camada oculta com cnco neurônos fo aquela em que se obteve maor índce de acertos. déa é começar com um número reduzdo de neurônos na camada oculta parte do prncípo de que o número de neurônos deve ser sempre pequeno em relação ao número de amostras para não sobre-parametrzar o modelo da rede (caso em que não se obtém melhora apesar do aumento do número de neurônos) [6]. Fo utlzada apenas uma camada oculta, pos se pode provar que uma rede neural com apenas uma camada oculta é capaz de realzar qualquer mapeamento. O número de amostras dexado de fora do trenamento fo baseado na segunte relação [6]: 2W r ótmo (8) 2( W ) onde r ótmo representa a fração do conjunto de amostras dsponível que será destnada ao trenamento da rede neural e W é o total de pesos da rede. ara o projeto da rede neste trabalho os dados são mostrados na tabela abaxo: Tabela 4 Total de pesos da rede neural projetada esos da entrada Vetores de componentes 5 neurônos ocultos 55 esos da saída 5 neurônos ocultos 5 3 neurônos saída olarzadores por neurôno 8 (5 ocultos e 3 saída) Total de pesos (W) 78 Substtundo-se W78 em (8) obtém-se r ótmo ssm 92,56% das amostras serão para trenar a rede e o restante para teste. Como há trnta amostras, vnte e sete delas serão utlzadas para trenamento e três para teste. rede neural artfcal fo trenada com duzentas épocas de trenamento, ou seja, o algortmo de retropropagação se repete duzentas vezes até que a dstânca eucldana entre o vetor de saída da rede e o vetor resposta desejado, para cada amostra de trenamento, seja mnmzada ou que as épocas de trenamento se encerrem (Tabela 5). 468

7 5 RESULTDOS OBTIDOS Tabela 5 Resumo da Rede eural rtfcal Tpo almentada adante lgortmo retro-propagação Camadas ocultas eurônos na camada oculta 5 eurônos na camada de saída 3 Função de atvação (camada oculta) Sgmóde Função de atvação (camada de saída) Lnear Conforme fo dto na seção 3, do total de trnta amostras, correspondentes à soma das amostras apresentadas nas tabelas, 2 e 3, vnte e sete foram usadas no trenamento da rede neural e três foram dexadas para testes. ssm, foram extraídas as colunas: 5 da tabela, 8 da tabela 2 e 7 da tabela 3. Estas colunas/amostras foram escolhdas por apresentarem valores em algumas de suas componentes mas acentuados em relação às suas respectvas tabelas/classes. Isto fo feto como uma forma de testar a capacdade de generalzação da rede neural artfcal, ou seja, oferecer um pouco mas de dfculdade ao teste da R. orém, as três colunas para o teste da R também poderam ter sdo retradas aleatoramente. Uma vez trenada a rede, seus resultados devem aproxmar-se dos vetores alvos correspondentes ao seu padrão, ou seja, cada componente de um vetor saída deve ser aproxmadamente 0 ou sendo o lmar de decsão 0,5. or exemplo, o resultado da rede a uma entrada para ser entenddo como normal deve ter a prmera componente do vetor coluna maor que 0,5 e as outras duas menores que 0,5. tabela 6 segur mostra a rede avalando corretamente a tabela teste, formada pelos 3 vetores colunas dexados de fora do trenamento anterormente Tabela 6 Classfcação correta para valores não usados no trenamento 6 COCLUSÕES Uma rede neural artfcal fo modelada para classfcar padrões de vozes: normas, com nódulo nas cordas vocas e com paralsa unlateral. Os resultados obtdos demonstram sua efcênca nesta classfcação, consegundo nterpolar com sucesso as três entradas dexadas de fora do trenamento entre as entradas dos seus respectvos grupos. 469

8 R trenada com este conjunto de amostras fo capaz de reconhecer corretamente os três tpos de vozes (amostras dexadas de fora do trenamento), além de uma amostra da mnha própra voz, que também fo reconhecda corretamente. precsão da R na sua tarefa de classfcação depende da varabldade dos valores das amostras usadas como exemplos para o seu trenamento, como também do número de amostras, da segunte forma: o número de amostras deve ser não apenas sufcente, mas deve também ser composto por amostras, cujos valores estejam sufcentemente dstrbuídos entre os valores possíves do sstema para permtr que a rede o modele com a precsão desejada. Isso justfca o fato de a R projetada neste artgo ter consegudo classfcar com sucesso, apesar do número pequeno de amostras, ou seja, não se tem noção da varabldade de cada grupo de vozes, porém provavelmente as vnte e sete amostras usadas possuem valores sufcentemente dstrbuídos para permtr que a rede nterpole corretamente. Outro fato a ser notado é que a quantdade de medções dferentes, que compõem o vetor de entrada da rede neural, aumenta a sua capacdade classfcadora. Essas medções são equvalentes a atrbutos de um objeto (amostra de voz), assm quanto maor a quantdade de atrbutos para comparação, maor a capacdade de dscernr entre duas classes de objetos. or exemplo, podemos ter dos objetos (amostras de voz) de classes dferentes com onze atrbutos (medções componentes do vetor de entrada). nda que essas duas amostras de voz possuam atrbutos semelhantes (passíves de erro de classfcação pela rede neural) em dez posções do vetor de entrada, a rede neural anda podera acertar se o atrbuto (medção) não pertencente aos dez menconados anterormente for sufcentemente dstnto entre as duas amostras. 7 REFERÊCIS [] ROS, M. O. nálse cústca da Voz para ré-dagnóstco de atologas da Larnge. 29p. Dssertação (Mestrado em Engenhara Elétrca). Escola de Engenhara de São Carlos, US, São aulo, 998. [2] VIEIR, M.. utomated Measures of Dysphonas and the honatory Effects of symmetres n the osteror Larynx. Tese (Doutorado em Engenhara Elétrca). Unversdade de Ednburg 997. [3] RT rograma para análse fonétca, [4] VIEIR M.., MCIES F. R., JCK M.. Comparatve ssessment of Electroglottographc and coustc Measures of Jtter n athologcal Voces. Journal of Speech, Language and Hearng Research, Vol. 40, 70-82, Feverero 997. [5] VIEIR M.., MCIES F. R., JCK M.. On the nfluence of laryngeal pathologes on acoustc and electroglottographc jtter measures. Journal of coustc Socety of merca. (2), Feverero 2002.[6] HYKI, S. Redes euras rncípos e rátca, 2a Edção, orto legre: Bookman, 200. [7] KOSKO, B. eural etworks and Fuzzy Systems. rentce-hall, US,