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

Abstract

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).