Inicio


Publicación

Patrones Electromiográficos del Habla Subvocal: Registros y Clasificación


Información de la publicación

Información de la publicación
Tipo de publicación

Científica

Tipología

Investigación y estudios

Medio de publicación

Impreso: Artículo corto T4

Resumen

 En este trabajo, se describen los resultados obtenidos a partir de los registros, procesamiento y clasificación de las palabras en el idioma español a través del análisis de las señales de voz subvocal. La base de datos procesada tiene seis palabras (adelante, atrás, derecha, izquierda, arranque y parar), en este artículo, las señales fueron detectadas con electrodos superficiales colocados sobre la superficie de la garganta y adquiridas con una frecuencia de muestreo de 50 kHz. El acondicionamiento de la señal consiste en: la ubicación del área de interés mediante el análisis de la energía, y la filtración usando Transformada Discreta Wavelet. Por último, la extracción de características se realiza en el dominio de tiempo-frecuencia utilizando Wavelet Packet y técnicas estadísticas para ventanas. La clasificación se llevó a cabo con una red neuronal de retropropagación cuya formación se llevó a cabo con 70% de la base de datos obtenida. La tasa de clasificación correcta fue de 75% ± 2.

Autores

Luis Enrique Mendoza, Jesús Peña Rodríguez, Jairo Lenin Ramón Valencia

Registro ISBN

1692-1399

SNIES Área

Engineering

SNIES Categoría

Bioengineering

Fecha de publicación 23 de octubre de 2013
Fecha de aceptación 04 de noviembre de 2013
English information
Title

Electro-myographic patterns of sub-vocal Speech: Records and classification

Abstract

This paper describes the results obtained from recording, processing and classification of words in spoken Spanish by means of analysis of subvocal speech signals. The processed database has six words (forward, backward, right, left, start and stop), In this article, the signals are sensed with surface electrodes (placed on the surface of the throat) and acquired at a sampling frequency of 50 kHz. The signal conditioning consists of a couple of steps, namely the location of area of interest, using energy analysis; and a filtering stage, using Discrete Wavelet Transform. Finally, feature extraction is achieved in the time-frequency domain using Wavelet Packet and statistical techniques for windowing. Classification is carried out with a back propagation neural network whose training is performed with 70% of the database obtained. The correct classification rate was 75%±2.

Keywords

Electromyography, subvocal speech, Wavelet, neuronal network.

Información de apoyo a la difusión
Documentos Art_Jairo_Lenin_Ramón_Valencia.pdf
Etiquetado como: BIOINSTRUMENTACIÒN

Información de contacto

Contacto de Publicaciones