Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/454| Conjuntos difusos tipo 2 aplicados a la comparación difusa de patrones para clasificación de llanto de infantes con riesgo neurológico | |
| KAREN SANTIAGO SANCHEZ | |
| CARLOS ALBERTO REYES GARCIA MARIA DEL PILAR GOMEZ GIL | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Fuzzy set theory Pattern classification Fuzzy pattern matching Infant cry analysis | |
| The interest for analyze the baby’s cry has increased in the last years, nowadays computational models are in use to automate the identification of pathologies in the baby’s cry. For the classification of baby’s cry have been used methods based on artificial neural networks. In this thesis we propose a classification method based on the fuzzy pattern matching by applying type-2 fuzzy sets. This method use the Information of a element about its membership to a particular class and its relative importance with respect to other classes. We tested the classification with samples of baby´s crying labeled as asphyxia, hyperbilirubinemia and normal. Class hyperbilirubinaemia has not been classified automatically before. The classification process includes the extraction of characteristics of the signal crying, which are used to train the method proposed in this thesis, and subsequently to realize tests. To extract the characteristics of signal crying we used four methods commonly used for the analysis of speech: LPC (Linear Predictive Coding), MFCC (Mel Frequency Cepstral Coefficients), Intensity and Cochleograms. We performed tests with different combinations of characteristics and classes. The best results for classification using the three clases (hyperbilirubinemia, asphyxia and normal) were obtained with the combination of the characteristics LPC and Cochleograms, where we obtained an accuracy of 91.74 %. In the classification using two classes (hiperbilirrubinemia and normal) the best result was obtained with the combination of the characteristics LPC and MFCC with an accuracy of 95.56%. And with the combination: asphyxia and normal, better results were obtained (99.02% of accuracy) than similar works of classification of baby’s cry previously reported. El interés por analizar el llanto de infantes se ha incrementado en los últimos años; actualmente se utilizan modelos computacionales para automatizar la identificación de patologías en el llanto de infante. Para la clasificación del llanto de infante se han utilizado, entre otros, métodos basados en redes neuronales artificiales. En esta tesis se propone un método de clasificación basado en la comparación difusa de patrones aplicando conjuntos difusos tipo 2. La aplicación de este método utiliza, para realizar la clasificación, información tanto de la pertenencia de un elemento a determinada clase como de su importancia relativa con respecto a otras clases. Se probó la clasificación para llantos etiquetados como asfixia, hiperbilirrubinemia y normales, de los cuales, la clase hiperbilirrubinemia no se había clasificado de forma automática anteriormente. El proceso de clasificación incluye la extracción de características de la señal de llanto, las cuales se utilizan para entrenar el método propuesto en esta tesis, y posteriormente para realizar pruebas. Para extraer las características del llanto de infante se utilizaron cuatro métodos comúnmente aplicados a análisis de habla que son: LPC (por sus siglas en inglés Linear Predictive Coding), MFCC (por sus siglas en inglés Mel Frequency Cepstral Coefficients), cálculo de intensidad y cálculo de cocleograma. Se realizaron pruebas con distintas combinaciones de características y clases. Los mejores resultados para la clasificación utilizando las tres clases (hiperbilirrubinemia, asfixia y normal) se obtuvieron con la combinación de las características LPC-cocleogramas, donde se obtuvo una precisión del 91.74%. En la clasificación utilizando dos clases (hiperbilirrubinemia y normal) el mejor resultado se obtuvo con la combinación de las características LPC-MFCC con una precisión de 95.56%. Y con la combinación: asfixia y normal, se obtuvieron mejores resultados (99.02% de precisión) que trabajos similares de clasificación de llanto de infantes reportados anteriormente. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2009 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Santiago-Sanchez K. | |
| CIENCIA DE LOS ORDENADORES | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| SantiagoSK.pdf | 1.4 MB | Adobe PDF | Visualizar/Abrir |