Wavelet packet transform and multilayer perceptron to identify voices with a mild degree of vocal deviation / Transformada Wavelet packet y Perceptrón Multicapa para identificación de voces con grado leve de desvío vocal

Introduction. Laryngeal disorders are characterized by a change in the vibratory pattern of the vocal folds. This disorder may have an organic origin described by anatomical fold modification, or a functional origin caused by vocal abuse or misuse. The most common diagnostic methods are performed by invasive imaging features that cause patient discomfort. In addition, mild voice deviations do not stop the in-dividual from using their voices, which makes it difficult to identify the problem and increases the possibility of complications. Aim. For those reasons, the goal of the present paper was to develop a noninvasive alternative for the identification of voices with a mild degree of vocal deviation ap-plying the Wavelet Packet Transform (WPT) and Multilayer Perceptron (MLP), an Artificial Neural Network (ANN). Methods. A dataset of 74 audio files were used. Shannon energy and entropy mea-sures were extracted using the Daubechies 2 and Symlet 2 families and then the processing step was performed with the MLP ANN. Results. The Symlet 2 family was more efficient in its generalization, obtaining 99.75% and 99.56% accuracy by using Shannon energy and entropy measures, re-spectively. The Daubechies 2 family, however, obtained lower accuracy rates: 91.17% and 70.01%, respectively. Conclusion. The combination of WPT and MLP presented high accuracy for the identification of voices with a mild degree of vocal deviation

ntroducción. Los trastornos laríngeos se caracterizan por un cambio en el patrón vibratorio de los pliegues vocales. Este trastorno puede tener un origen orgánico, descrito como la modificación anatómica de los pliegues vocales, o de origen fun-cional, provocado por abuso o mal uso de la voz. Los métodos de diagnóstico más comunes se realizan mediante procedimientos invasivos que causan malestar al pa-ciente. Además, los desvíos vocales de grado leve no impiden que el individuo utilice la voz, lo que dificulta la identificación del problema y aumenta la posibilidad de complicaciones futuras.Objetivo. Por esas razones, el objetivo de esta investigación es desarrollar una he-rramienta alternativa, no invasiva para la identificación de voces con grado leve de desvío vocal aplicando Transformada Wavelet Packet (WPT) y la red neuronal artifi-cial del tipo Perceptrón Mutlicapa (PMC). Métodos. Fue utilizado un banco de datos con 78 voces. Fueron extraídas las me-didas de energía y entropía de Shannon usando las familias Daubechies 2 y Symlet 2 para después aplicar la red neuronal PMC. Resultados. La familia Symlet 2 fue más eficiente en su generalización, obteniendo un 99.75% y un 99.56% de precisión mediante el uso de medidas de energía y en-tropía de Shannon, respectivamente. La familia Daubechies 2, sin embargo, obtuvo menores índices de precisión: 91.17% y 70.01%, respectivamente. Conclusión. La combinación de WPT y PMC presentó alta precisión para la iden-tificación de voces con grado leve de desvío vocal

Recognition of fatigue status of pilots based on deep contractive auto-encoding network / 生物医学工程学杂志

We proposed a new deep learning model by analyzing electroencephalogram signals to reduce the complexity of feature extraction and improve the accuracy of recognition of fatigue status of pilots. For one thing, we applied wavelet packet transform to decompose electroencephalogram signals of pilots to extract the δ wave (0.4-3 Hz), θ wave (4-7 Hz), α wave (8-13 Hz) and β wave (14-30 Hz), and the combination of them was used as de-nosing electroencephalogram signals. For another, we proposed a deep contractive auto-encoding network-Softmax model for identifying pilots' fatigue status. Its recognition results were also compared with other models. The experimental results showed that the proposed deep learning model had a nice recognition, and the accuracy of recognition was up to 91.67%. Therefore, recognition of fatigue status of pilots based on deep contractive auto-encoding network is of great significance.

DETECCIÓN DE POTENCIALES EVOCADOS RELACIONADOS A EVENTOS EN INTERFACES CEREBRO-COMPUTADORA MEDIANTE TRANSFORMADA WAVELET / DETECTION OF EVENT-RELATED POTENTIALS IN BRAIN-COMPUTER INTERFACES USING THE WAVELET TRANSFORM / DETECÇÃO DE POTENCIAIS EVOCADOS RELACIONADOS A EVENTOS EM INTERFACES CÉREBRO-COMPUTADOR USANDO TRANSFORMADA WAVELET

Una interfaz cerebro computadora (ICC) es un sistema que provee una forma de comunicación directa entre el cerebro de una persona y el mundo exterior. Para el presente trabajo se utilizaron ICC basadas en EEG utilizando el paradigma de potenciales evocados relacionados con eventos (PRE). El objetivo de este trabajo es resolver en forma eficiente el problema de clasificación, en el cual se tienen dos clases posibles: registros con respuesta (PRE) y registros sin respuesta. Para esto se propone evaluar el desempeño de una ICC utilizando la transformada wavelet diádica discreta (DDWT, del inglés Dyadic Discrete Wavelet Transform) y la transformada wavelet packet (WPT, del inglés Wavelet Packet Transform) como métodos de extracción de características para la detección de la señal de PRE. La base de datos utilizada posee registros de EEG de época única de diez sujetos sanos. A partir de los patrones temporales (registros sin post-procesamiento) se generaron cinco conjuntos de patrones wavelet luego de aplicar la DDWT y WPT mediante diferentes técnicas. Se evaluó el desempeño de cada conjunto de patrones wavelet y de los patrones temporales mediante un clasificador lineal de Fisher. Se encontró que los patrones DDWT filtrados a 16 Hz presentan resultados de clasificación superiores a los patrones temporales. De esta manera al mejorar la etapa de extracción de características se mejora la clasificación, y consecuentemente, el desempeño del sistema completo de una ICC.

A brain-computer interface (BCI) is a system that provides a direct communication between the brain of a person and the outside world. For the present work we used an EEG-based event-related evoked potentials BCI. This paper aims to efficiently solve the problem of classification, which has two possible classes: recordings with evoked-potentials (ERP) and recordings without them. We proposed to evaluate the performance of a BCI using the discrete dyadic wavelet transform (DDWT) and the wavelet packet transform (WPT) as feature extraction methods for ERP signal detection. The database consisted of single-epoch EEG recordings from ten healthy subjects. From temporal patterns (recordings without any post-processing), five wavelet patterns were generated after applying DDWT and WPT via different techniques. The performance of the wavelet and temporal patterns were analyzed with the Fisher linear classifier finding that DDWT patterns, filtered at 16 Hz, presented better classification results than temporal patterns. This means that improving the feature extraction step, improves classification, and consequently, the performance of the entire BCI system.

Uma interface cérebro-computador (BCI) é um sistema que fornece uma forma de comunicação direta entre o cérebro de uma pessoa e o mundo exterior. Para este trabalho foram utilizados ICC baseado EEG evocados usando o paradigma de potenciais relacionados a eventos (ERP). O objetivo deste trabalho é resolver de forma eficiente o problema de classificação, em que há duas classes possíveis: registros Respondidas (PRE) e registros sem resposta. Para isso é avaliar o desempenho de uma ICC usando a wavelet diádica transformada discreta (DDWT, Discrete Wavelet Diádica Inglês Transform) e transformar pacote wavelet (WPT Transformada Wavelet Packet Inglês) como métodos de extração de características para a detecção de sinal PRE. A base de dados utilizada tem apenas EEG registra o tempo de dez indivíduos saudáveis. A partir dos padrões temporais (sem registros de pósprocessamento), cinco conjuntos de padrões após a aplicação wavelet e WPT DDWT gerado por várias técnicas. O desempenho de cada conjunto de padrões de wavelet e padrões temporais usando um classificador linear Fisher foi avaliado. Descobrimos que os padrões DDWT filtrados para 16 Hz apresentaram resultados acima da classificação padrões temporais. Assim, para melhorar a classificação de estágio de extração de características é melhorada, e, consequentemente, o desempenho de todo o sistema no ICC.

Classificação de sinais de voz utilizando a transformada Wavelet Packet e redes neurais artificiais / Classification of speech signals using the wavelet packet transform and artificial neural networks

This work proposes a disphonic voice classification system using Wavelet Packet Transform (WPT) and Best Basis Algorithm (BBA) as dimension reducer and 6 Artificial Neural Network (ANN) as specialist system...