Wyniki wyszukiwania - BazTech

1

Discriminant analysis of vowels of tracheoesophageal speakers

Mięsikowska M., Radziszewski L.

Pomiary Automatyka Kontrola

|

2013

|

R. 59, nr 6

523--525

EN

The aim of this study was to compare normal (NL) and tracheoesophageal (TE) vowel speech signals in order to show differences between them. Cepstral features extracted from vowels of NL and TE speech were analyzed using discriminant analysis. The comparison was made on the basis of the classification function coefficients and the results of the classification for each speech. Vowels recordings were acquired from 10 NL speakers and 12 TE speakers. Discriminant analysis was based on cepstral features extracted from vowel recordings, and was performed separately for NL speech and TE speech. Then a comparison between the coefficients of classification functions of NL and TE vowels using the Euclidean distance was made. Based on the resulting classification matrix of NL and TE speech, the results of classification were compared. The discriminant analysis based on cepstral features showed 79% of the mean classification score for TE speech. The Euclidean distance showed low differences between vowel /a/ of NL speech and vowel /a/ of TE speech and between vowel /o/ of NL speech and vowel /o/ of TE speech.

PL

Celem pracy było porównanie sygnału mowy przetokowej (TE) do mowy normalnej (NL) w zakresie samogłosek, aby wykazać różnice pomiędzy sygnałami. Współczynniki cepstralne uzyskane z samogłosek mowy NL i TE poddano analizie dyskryminacyjnej. Na podstawie uzyskanych współczynników funkcji klasyfikacyjnych oraz otrzymanych wyników klasyfikacji dokonano porównania sygnałów mowy NL i TE. Nagrania samogłosek pozyskane zostały od 10 mówców mowy NL i 12 mówców mowy TE. Analizę dyskryminacyjną przeprowadzono w oparciu o współczynniki cepstralne oddzielnie dla mowy NL i mowy TE. Następnie dokonano porównania uzyskanych współczynników funkcji klasyfikacyjnych samogłosek mowy NL i mowy TE, wykorzystując do tego celu odległość Euklidesa. Na podstawie macierzy klasyfikacji otrzymanej dla mowy NL i TE porównano rezultaty klasyfikacji. Analiza dyskryminacyjna w oparciu o współczynniki cepstralne wykazała 79% jako średni wynik klasyfikacji dla mowy TE. Odległość Euklidesa wskazuje na najmniejsze różnice w zakresie samogłoski /a/ i /o/ mowy NL i TE.

2

Cepstral analysis of vowels of esophageal speakers

Mięsikowska M., Radziszewski L.

Pomiary Automatyka Kontrola

|

2012

|

R. 58, nr 11

968-971

EN

The aim of this study was to compare normal (NL) and esophageal (ES) speech signals in scope of vowels in order to show differences between signals. A discriminant analysis based on cepstral features extracted from vowels of NL and ES speech was performed. The comparison was made on the basis of the classification function coefficients and the results of the classification for each speech. Vowels recordings were acquired from 10 NL speakers and 10 ES speakers. The discriminant analysis was based on cepstral features extracted from vowel recordings, and was performed separately for NL speech and ES speech. Then a comparison between coefficients of classification functions of NL and ES vowels using the Euclidean distance was made. Based on the resulting classification matrix of NL and ES speech, the results of classification were compared. The discriminant analysis based on cepstral features showed 76% of the mean classification score for ES speech and 90% for NL speech. The Euclidean distance showed low differences between the vowel /a/ of NL speech and the vowel /a/ of ES speech and between the vowel /e/ of NL speech and the vowel /e/ of ES speech.

PL

Celem pracy było porównanie sygnału mowy normalnej (NL) i przełykowej (ES) w zakresie samogłosek w celu wykazania różnic pomiędzy sygnałami. Przeprowadzono analizę dyskryminacyjną współczynników cepstralnych uzyskanych z samogłosek mowy NL i ES. Porównania dokonano na podstawie uzyskanych współczynników funkcji klasyfikacyjnych oraz otrzymanych wyników klasyfikacji dla każdej mowy. Sygnał mowy każdej samogłoski pozyskany został od 10 mówców mowy NL i 10 mówców mowy ES. Analizę dyskryminacyjną przeprowadzono w oparciu o współczynniki cepstralne oddzielnie dla mowy NL i mowy ES. Następnie dokonano porównania uzyskanych współczynników funkcji klasyfikacyjnych samogłosek mowy NL i mowy ES, wykorzystując do tego celu odległość Euklidesa. Na podstawie macierzy klasyfikacji otrzymanej dla mowy NL i ES porównano rezultaty klasyfikacji. Analiza dyskryminacyjna w oparciu o współczynniki cepstralne wykazała 76% jako średni wynik klasyfikacji dla mowy ES, natomiast 90% dla mowy NL. Odległość Euklidesa wskazuje na najmniejsze różnice w zakresie samogłoski /a/ i /e/ mowy NL i ES.

3

Speech signal processing and analysis tool

Mięsikowska M.

Pomiary Automatyka Kontrola

|

2007

|

R. 53, nr 12

43-45

EN

The project's objective is to create a tool intended for processing, analysis, and parameterizing human speech signal. The main aim is to obtain a speech signal image with some selected parameterization methods. The methods include use of 2D parameterization grid [1, 2] as well as cepstral coefficients CC [3]. Obtaining signal image as well as its further analysis without signal preprocessing is extremely difficult and the process doesn't guarantee desirable results. For this reason the tool is based on two main modules. The first one is intended for signal preprocessing, preparing it for further analysis. The other one provides signal parameterization methods. The tool was implemented in Java language.

PL

W pracy podjęto próbę stworzenia narzędzia umożliwiającego przetwarzanie, analizę i parametryzację sygnału mowy. Głównym celem jest pozyskanie obrazu sygnału mowy za pomocą wybranych metod parametryzacji. Wybrane metody parametryzacji sygnału mowy to parametryzacja za pomocą siatki dwuwymiarowej [1, 2] oraz współczynniki cepstralne [3]. Zobrazowanie sygnału oraz jego dalsza analiza bez operacji wstępnego przetworzenia sygnału jest procesem trudnym i nie zawsze przynosi pożądane rezultaty. Wobec tego narzędzie wyposażono w dwa zasadnicze moduły. Pierwszy moduł odpowiedzialny jest za wstępne przetworzenie sygnału, przygotowujące sygnał do dalszej analizy. Drugi moduł dostarcza metod parametryzacji sygnału mowy. Narzędzie zaimplementowano w języku Java.