A MFCC-Based CELP Speech Coder for Server-Based Speech Recognition in Network Environments

Yoon, Jae Sam; Lee, Gil‐Ho; Kim, Hong Kook

doi:10.1093/ietfec/e90-a.3.626

Cited by 6 publications

(2 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A esto le sigue una etapa de logaritmo de la energía obtenida de cada filtro y posteriormente la transformada inversa de Fourier. El resultado final es un vector de características llamado MFCC[13,20,21].El Cuartil qp, de una variable aleatoria está definido como el número q más pequeño, tal que la función de distribución acumulativa es mayor o igual a una probabilidad p, donde p se encuentra entre 0 < p < 1. Esto se puede definir con la función de densidad de probabilidad continua f(x) a través de (1):∫ ( ) −∞ .…”

unclassified

Detección y extracción automática de eventos S1, S2, S3 y S4 en sonidos del corazón

Mayorga¹,

Chávez²,

Arguelles³

et al. 2017

RCS

View full text Add to dashboard Cite

Resumen. Debido a la limitación de los rangos de frecuencia en la percepción humana, las enfermedades cardiacas son difícilmente detectadas solo por auscultación con estetoscopio clásico. En muchos de los casos resulta en un diagnóstico tardío, y además de esto las técnicas actuales no logran ser suficientes o los equipos son sofisticados y costosos. Diversas propuestas han surgido en la literatura para otros eventos acústicos como la voz, estos se apoyan en transformadas de Hilbert-Huang, y detección de eventos. Por lo que en el presente artículo se propone un método novedoso de detección automática de eventos en señales HS. La propuesta en este trabajo está basada en Detección de Actividad de Voz, Modelos Mezclados Gaussianos (VAD-GMM), y la transformada de Hilbert (HT). Los resultados son alentadores logrando hasta un 97% de eficiencia en la clasificación mediante Modelos Ocultos de Markov (HMM), para eventos de S1, S2, S3 y S4 en sonidos del corazón (HS). Palabras clave: Sonidos del corazón (HS), detección de actividad de voz (VAD), modelos mezclados gaussianos (GMM), transformada de Hilbert (HT).

show abstract

unclassified

Detección y extracción automática de eventos S1, S2, S3 y S4 en sonidos del corazón

Mayorga¹,

Chávez²,

Arguelles³

et al. 2017

RCS

View full text Add to dashboard Cite

show abstract

“…Dado que la energía será real y par, la transformada de Fourier inversa es un producto interno donde subsisten únicamente las partes pares, resultando igual a calcular la Transformada Discreta Cosenoidal (DCT). El resultado final es un vector de características llamado MFCC [15,18,24] …”

Section: Vectores Mfccunclassified

Determining optimal size of HMM-GMM models to classify bio-acoustic signals

Mayorga-Ortiz

Druzgalski

Miranda-Vega

et al.

View full text Add to dashboard Cite

RESUMENEste artículo está relacionado con el análisis y la propuesta de una arquitectura HMM-GMM para clasificación de señales HS y LS, haciendo un énfasis en el tamaño del modelo. Actualmente, las enfermedades respiratorias y cardiovasculares son un problema a nivel mundial y con una alta mortandad, esto podría ser disminuido mediante un diagnóstico temprano y objetivo; las herramientas digitales y el empleo de reconocimiento de patrones ampliarían las perspectivas de aplicación. Particularmente, aquí se demuestra que los modelos HMM-GMM son eficientes para consultorios de atención primaria, así mismo los extractores de características tales como MFCC y Cuantiles mejoran la tarea de clasificación. Si bien la visualización con siluetas, dendrogramas y algoritmos tales como BIC no son concluyentes cuando se aplican GMM's, no obstante sí fue el punto de partida para dimensionar el tamaño del modelo, disminuyendo la cantidad de experimentos con distintos tamaños del mismo. Adicionalmente, se constata que la estructura de señales normales HS y LS cambian cuando hay patologías y permite la clasificación aplicando MFCC o Cuantiles. Además, se observa que con una gran cantidad de datos se podrían obtener modelos más robustos y adaptados, pero esto no es una limitante para el cálculo de los modelos. Palabras clave: cuantíl, Coeficientes Cepstrales en Frecuencia Mel (MFCC), Modelos Ocultos de Markov (HMM), Modelos Mezclados Gaussianos (GMM).

show abstract

Intra- and inter-frame prediction in bandwidth scalable coding of wideband speech

Song

2011

IET Signal Process.

View full text Add to dashboard Cite

A MFCC-Based CELP Speech Coder for Server-Based Speech Recognition in Network Environments

Cited by 6 publications

References 5 publications

Detección y extracción automática de eventos S1, S2, S3 y S4 en sonidos del corazón

Detección y extracción automática de eventos S1, S2, S3 y S4 en sonidos del corazón

Determining optimal size of HMM-GMM models to classify bio-acoustic signals

Intra- and inter-frame prediction in bandwidth scalable coding of wideband speech

Contact Info

Product

Resources

About