Feature selection in pathological voice classification using dinamyc of component analysis

Sarria Paja, Milton Orlando; Daza Santacoloma, Genaro; Godino Llorente, Juan Ignacio; Castellanos Domínguez, César Germán y Sáenz Lechón, Nicolas (2008). Feature selection in pathological voice classification using dinamyc of component analysis. En: "4th International Symposium on Image/Video Communications (ISIVC'08)", 09/07/2008-11/07/2008, Deusto, España. ISBN 978-84-9830-164-9.

Descripción

Título: Feature selection in pathological voice classification using dinamyc of component analysis
Autor/es:
  • Sarria Paja, Milton Orlando
  • Daza Santacoloma, Genaro
  • Godino Llorente, Juan Ignacio
  • Castellanos Domínguez, César Germán
  • Sáenz Lechón, Nicolas
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: 4th International Symposium on Image/Video Communications (ISIVC'08)
Fechas del Evento: 09/07/2008-11/07/2008
Lugar del Evento: Deusto, España
Título del Libro: Proceedings of the 4th International Symposium on Image/Video Communications over Fixed and Mobile Networks
Fecha: 2008
ISBN: 978-84-9830-164-9
Materias:
Escuela: E.U.I.T. Telecomunicación (UPM) [antigua denominación]
Departamento: Ingeniería de Circuitos y Sistemas [hasta 2014]
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (138kB) | Vista Previa

Resumen

This paper presents a methodology for the reduction of the training space based on the analysis of the variation of the linear components of the acoustic features. The methodology is applied to the automatic detection of voice disorders by means of stochastic dynamic models. The acoustic features used to model the speech are: MFCC, HNR, GNE, NNE and the energy envelopes. The feature extraction is carried out by means of PCA, and classification is done using discrete and continuous HMMs. The results showed a direct relationship between the principal directions (feature weights) and the classification performance. The dynamic feature analysis by means of PCA reduces the dimension of the original feature space while the topological complexity of the dynamic classifier remains unchanged. The experiments were tested with Kay Elemetrics (DB1) and UPM (DB2) databases. Results showed 91% of accuracy with 30% of computational cost reduction for DB1.

Más información

ID de Registro: 3401
Identificador DC: http://oa.upm.es/3401/
Identificador OAI: oai:oa.upm.es:3401
URL Oficial: http://www.isivc2008.deusto.es/index.php?option=com_frontpage&Itemid=1
Depositado por: Memoria Investigacion
Depositado el: 22 Jun 2010 11:19
Ultima Modificación: 20 Abr 2016 12:56
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM