instituto politecnico nacionaljesusolivares.com/multi/tesiskarla-itzel.pdf · instituto politecnico...

INSTITUTO POLITECNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA EN INGENIERÍA

Y TECNOLOGÍAS AVANZADAS

“Sistema de reconocimiento de voz para la

detección oportuna de dislexia en niños”

PROYECTO TERMINAL

QUE PARA OBTENER EL TÍTULO DE

Ingeniero en Telemática

PRESENTAN

Itzel Moreno Martínez

Karla Ivette Naranjo Juarez

ASESORES

M. en C. Andrés Lucas Bravo

Dr. Jesús Manuel Olivares Ceja

Dra. Benina Velázquez Ordoñez

Ciudad de México, enero 2018

INSTITUTO POLITECNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA EN INGENIERÍA

Y TECNOLOGÍAS AVANZADAS

“Sistema de reconocimiento de voz para la

detección oportuna de dislexia en niños”

PROYECTO TERMINAL

QUE PARA OBTENER EL TÍTULO DE

Ingeniero en Telemática

PRESENTAN

Itzel Moreno Martínez Karla Ivette Naranjo Juarez

ASESORES

M. en C.

Andrés Lucas Bravo

Dr. Jesús

Manuel Olivares Ceja

Dra. Benina

Velázquez Ordoñez

PRESIDENTE

SECRETARIO

M. en C. José Alfredo Bermúdez Sosa M. en C. Susana Araceli Sánchez

Nájera

DEDICATORIA


“A mi abuelo Gabino Martínez Aguilar, por enseñarnos que la mejor

herencia que se le puede otorgar a una persona es la educación”

AGRADECIMIENTOS


A la vida por ser la mejor universidad, por permitirme vivir este momento y compartirlo con quienes más

quiero: mi familia.

Al Instituto Politécnico Nacional por proporcionarme las herramientas necesarias para desarrollarme

profesionalmente y darme la mejor arma que un ser humano puede tener: la educación. ¡Gracias por

enseñarme a poner siempre: “La Técnica al Servicio de la Patria”!

A mis asesores el Dr. Jesús Manuel Olivares Ceja, el M. en C. Andrés Lucas Bravo y la Dra. Benina

Velázquez Ordoñez por su apoyo y atención brindada durante la realización del proyecto. ¡Gracias por el

tiempo dedicado!

Al M. en C. José Alfredo Bermúdez Sosa, mi profesor, quién con sus enseñanzas acrecentó mi amor e

interés por las telecomunicaciones.

A Gloria Martínez, mi madre, quién desde que inicio mi formación académica ha sabido guiarme y

apoyarme en cada momento. ¡Gracias por estar siempre a mi lado!

A Gabino Martínez y Ma. del Socorro Martínez, por ser mis segundos padres, y siempre apoyarme en mis

éxitos y fracasos. ¡Gracias por todas las muestras de amor que me han regalado!

A mis adorados hermanos, Álvaro y Adrián, con quienes he compartido la mayor parte de mi vida y por

tener siempre una palabra de aliento para mí. ¡Gracias por su lealtad!

A los niños de México, por quienes inicio este proyecto y con el cual buscamos que tengan una mejor

calidad de vida.

AGRADECIMIENTOS

Karla Ivette Naranjo Juarez

A través de estas líneas me gustaría expresar mi más profundo agradecimiento a todas las personas que han

estado a mi lado durante esta trayectoria, en especial a quienes participaron en la elaboración de este

proyecto.

Principalmente quiero agradecer a mis asesores el Dr. Jesús Olivares, el M. en C. Andrés L. Bravo y a la

Dra. Benina Velázquez, por dirigir este proyecto, por brindarnos su apoyo, su tiempo y por compartir con

nosotras sus conocimientos.

A mi mamá Josefina Juárez, por ofrecerme su apoyo incondicional, por sus sacrificios, por escucharme

siempre y por gastar su valioso tiempo en mí. A mi papá Everardo Naranjo, por darme todas las facilidades

para alcanzar mis objetivos, por enseñarme el valor del trabajo, el esfuerzo y la perseverancia. Gracias a

ambos por creer en mí.

A mis hermanos, que con sus consejos me han impulsado en todo momento. A cada uno de ellos le

agradezco por todo lo que me han enseñado, por compartir conmigo sus experiencias, por sostenerme y

guiarme desde siempre.

A Christopher Rodríguez, le agradezco por acompañarme en este camino, por enseñarme y aprender

conmigo, por sus innumerables palabras de aliento y por seguir creciendo juntos.

Quiero hacer una mención especial y darles las gracias a todos los niños, que con su voz hicieron posible

este proyecto.

Por último es para mí un honor, dar gracias al Instituto Politécnico Nacional por permitirme, crecer, estudiar

y forjarme en sus aulas, hasta convertirme en Ingeniera Telemática.

11

ÍNDICE

CAPÍTULO I: INTRODUCCIÓN .............................................................................................................. 25

1.1 Planteamiento del problema .................................................................................................................. 26

1.2 Propuesta de solución ........................................................................................................................... 26

1.2.1 Descripción general ....................................................................................................................... 26

1.3 Alcances ................................................................................................................................................ 28

1.4 Metodología .......................................................................................................................................... 28

1.5 Objetivo General ................................................................................................................................... 28

1.6 Objetivos Específicos ............................................................................................................................ 28

1.7 Estado del Arte ...................................................................................................................................... 29

1.7.1 Proyectos sobre el trastorno de la dislexia ..................................................................................... 29

1.7.2 Trabajos sobre reconocimiento de voz ........................................................................................... 30

CAPÍTULO II: MARCO TEÓRICO .......................................................................................................... 33

2.1 Dislexia ................................................................................................................................................. 33

2.1.1 Tipos de Dislexia ........................................................................................................................... 33

2.1.2 Diccionario fonético de palabras de difícil pronunciación para niños con dislexia ....................... 34

2.2 Proceso de producción de la voz ........................................................................................................... 37

2.2.1 Sonido ............................................................................................................................................ 37

2.2.2 Aparato Fonador ............................................................................................................................ 37

2.2.3 Lenguaje ......................................................................................................................................... 39

2.2.4 Lengua............................................................................................................................................ 39

2.2.5 Habla .............................................................................................................................................. 39

2.2.5.1 Unidades fundamentales del habla .......................................................................................... 39

2.3 Reconocimiento de voz ......................................................................................................................... 40

2.3.1 Señal de voz ....................................................................................................................................... 41

2.3.2 Captación de la señal de voz .......................................................................................................... 42

2.3.2.1 ADC ........................................................................................................................................ 42

2.3.2.2 Muestreo ................................................................................................................................. 43

2.3.2.3 Efecto Alias ............................................................................................................................. 44

2.3.2.4 Cuantización ........................................................................................................................... 45

2.3.2.5 Codificación ............................................................................................................................ 46

12

2.3.2.6 Especificación del formato de archivo de audio ..................................................................... 46

2.3.3 Preprocesamiento ........................................................................................................................... 47

2.3.3.1 Filtrado de la señal de voz ....................................................................................................... 47

2.3.3.2 Filtro de promedio móvil ........................................................................................................ 47

2.3.3.3 Filtro pasa banda ..................................................................................................................... 48

2.3.3.4 Preénfasis ................................................................................................................................ 49

2.3.3.5 Segmentación .......................................................................................................................... 49

2.3.3.6 Ventaneo ................................................................................................................................. 50

2.3.3.7 Detección de inicio y fin de palabra ........................................................................................ 51

2.3.3.8 Rabiner-Sambur ...................................................................................................................... 51

2.3.3.9 Normalización ......................................................................................................................... 54

2.3.4 Procesamiento ................................................................................................................................ 54

2.3.4.1 Extracción de características ................................................................................................... 54

2.3.4.2 Codificación de Predicción Lineal (LPC) ............................................................................... 54

2.3.5 Reconocimiento de patrones .......................................................................................................... 57

2.3.5.1 Aprendizaje automático .......................................................................................................... 58

2.3.5.2 Supervisado ............................................................................................................................. 58

2.3.5.3 Algoritmo 𝑘-NN...................................................................................................................... 58

2.3.5.4 No supervisado ........................................................................................................................ 59

2.3.5.5 Algoritmo 𝑘-Means ................................................................................................................. 59

CAPÍTULO III: ANÁLISIS ....................................................................................................................... 65

3.1 Descripción general del sistema ............................................................................................................ 65

3.1.1 Perspectiva del producto ................................................................................................................ 65

3.1.2 Funcionalidad del producto ............................................................................................................ 65

3.1.3 Características de los usuarios ....................................................................................................... 65

3.1.4 Restricciones .................................................................................................................................. 66

3.2 Requerimientos específicos del sistema .......................................................................................... 66

3.2.1 Requerimientos comunes de las interfaces .................................................................................... 67

3.2.1.1 Interfaces de usuario ............................................................................................................... 67

3.2.1.2 Interfaces de hardware ............................................................................................................ 67

3.2.1.3 Interfaces de software ............................................................................................................. 68

3.2.1.4 Interfaces de comunicación ..................................................................................................... 69

3.2.2 Requerimientos funcionales ........................................................................................................... 69

3.2.3 Requerimientos no funcionales ...................................................................................................... 70

13

3.2.3.1 Requisitos de rendimiento ....................................................................................................... 70

3.2.3.2 Seguridad ................................................................................................................................ 70

3.2.3.3 Fiabilidad ................................................................................................................................ 70

3.2.3.4 Disponibilidad ......................................................................................................................... 71

3.2.3.5 Mantenibilidad ........................................................................................................................ 71

3.2.3.6 Portabilidad ............................................................................................................................. 71

3.2.4 Otros requerimientos ...................................................................................................................... 71

3.3 Herramientas tecnológicas .................................................................................................................... 76

3.3.1 Sistema operativo ........................................................................................................................... 76

3.3.2 Lenguajes de programación ........................................................................................................... 77

3.3.3 Software de desarrollo ................................................................................................................... 78

3.3.4 Sistema Gestor de Base de Datos ................................................................................................... 82

3.3.5 Servidor .......................................................................................................................................... 83

CAPÍTULO IV: DISEÑO ....................................................................................................................... 88

4.1 Diccionario de mensajes ....................................................................................................................... 88

4.2 Modelado del sistema ........................................................................................................................... 88

4.2.1 Diagramas de casos de uso............................................................................................................. 88

4.2.2 Diagramas de secuencias ............................................................................................................... 99

4.2.3 Diagramas de actividades............................................................................................................. 102

4.2.4 Diagrama de clases ...................................................................................................................... 106

4.3 Base de Datos ...................................................................................................................................... 107

CAPÍTULO V. IMPLEMENTACIÓN ..................................................................................................... 111

5.1 Reconocimiento de voz ................................................................................................................... 111

5.1.1 Captura de la señal de voz ........................................................................................................ 112

5.1.1.1 Micrófono ............................................................................................................................. 112

5.1.2 Preprocesamiento ..................................................................................................................... 118

5.1.3 Procesamiento .......................................................................................................................... 130

5.1.4 Reconocimiento de patrones .................................................................................................... 135

5.2 Sistema de información ................................................................................................................... 139

CAPÍTULO VI: PRUEBAS Y RESULTADOS ....................................................................................... 156

6.1 Sugerencias para uso del sistema .................................................................................................... 160

VII. CONCLUSIONES ............................................................................................................................. 164

14

7.1 Reconocimiento de voz ................................................................................................................... 164

7.2 Sistema de información ................................................................................................................... 165

7.3 Trabajo a futuro ............................................................................................................................... 165

Bibliografía ............................................................................................................................................... 168

Anexo…………………………………………………………………………………...………………..164

15

ÍNDICE DE FIGURAS

Figura 1. 1 Sistema de reconocimiento de voz para la detección oportuna de dislexia en niños ................ 28

Figura 2.1: Esquema del aparato fonador humano...................................................................................... 38

Figura 2.2: Diagrama de las etapas del reconocimiento de voz del sistema ............................................... 41

Figura 2.3: Convertidor Analógico Digital ................................................................................................. 42

Figura 2.4: Muestreo de una señal analógica limitada en banda [16] ......................................................... 44

Figura 2.5: Representación del efecto alias que ocurre al submuestrear una señal [16] ............................. 45

Figura 2. 6 Cuantización y muestreo de una señal ...................................................................................... 46

Figura 2. 7 Diagrama a bloques del filtrado en la etapa de preprocesamiento. .......................................... 47

Figura 2. 8 Esquema filtro pasa banda ideal. .............................................................................................. 48

Figura 2.9: Diagrama a bloques de las etapas del módulo de reconocimiento de patrones ........................ 57

Figura 2.10: Diagrama a bloques del aprendizaje supervisado [27] ........................................................... 58

Figura 2.11: Diagrama a bloques del aprendizaje no supervisado [27] ...................................................... 59

Figura 2.12: Posicionamiento aleatorio de k=3 centroides iniciales en un conjunto de datos .................... 60

Figura 2.13: Se generan k-grupos al asignar cada dato al centroide más cercano ...................................... 60

Figura 2.14: Se repite el procedimiento hasta que los centros de cada clúster dejen de cambiar ............... 61

Figura 5. 1 Diagrama a bloques de las etapas del reconocimiento de voz. ............................................... 111

Figura 5. 2 Ejecución del programa de captura de la señal de voz. .......................................................... 112

Figura 5.3 Señal de voz de la palabra blanca con música en vivo ............................................................ 114

Figura 5.4 Señal de voz de la palabra blanca con música de fondo .......................................................... 114

Figura 5.5 Señal de voz de la palabra blanca con una conversación a 50 cm ........................................... 114

Figura 5.6 Señal de voz de la palabra blanca con una conversación a un metro ...................................... 114

Figura 5.7 Señal de voz de la palabra blanca con una conversación a tres metros ................................... 114

Figura 5.8 Señal de voz de la palabra blanca sin ruido ............................................................................. 114

Figura 5. 9 Señal de voz de la palabra blanca con ruido ambiental de transito ........................................ 115

Figura 5. 10 Señal de voz de la palabra blanca con música de fondo ....................................................... 115

Figura 5. 11 Señal de voz de la palabra blanca con una conversación a 50 cm ........................................ 116

Figura 5. 12 Señal de voz de la palabra blanca con una conversación 1 m .............................................. 116

Figura 5. 13 Señal de voz de la palabra blanca con una conversación a 3m ............................................. 116

Figura 5. 14 Señal de voz de la palabra blanca sin ruido .......................................................................... 116

Figura 5.15 Señal de voz de la palabra blanca con música en vivo .......................................................... 117

Figura 5.16 Señal de voz de la palabra blanca con música de fondo ........................................................ 117

Figura 5.17 Señal de voz de la palabra blanca con una conversación a 50 cm ......................................... 117

Figura 5.18 Señal de voz de la palabra blanca con una conversación a un metro .................................... 117

Figura 5.19 Señal de voz de la palabra blanca con una conversación a tres metros ................................. 117

Figura 5.20 Señal de voz de la palabra blanca sin ruido ........................................................................... 117

Figura 5. 21 Filtrado de promedio móvil con longitudes de M = 5, 8 y 12 coeficientes. ......................... 120

Figura 5. 22 Coeficientes del filtro FIR y Ventana de Hamming. ............................................................ 121

Figura 5. 23 Coeficientes del filtro FIR pasa banda. ................................................................................. 121

Figura 5. 24 Filtro FIR de orden 12 aplicado a la señal de voz ................................................................ 121

Figura 5. 25 Filtro Preénfasis aplicado a la señal de voz con a = 0.9 ....................................................... 122

16

Figura 5. 26 Señal de voz filtrada utilizando los tres filtros secuencialmente. ......................................... 122

Figura 5. 27 Centésimo segmento de la señal de voz de la palabra escapó .............................................. 123

Figura 5. 28 Ventaneo de un segmento de la señal de voz con distintas ventanas. .................................. 125

Figura 5. 29 Diagrama de flujo del algoritmo de detección de inicio y fin de palabra. ............................ 126

Figura 5. 30 Magnitud promedio de la palabra escapó. ............................................................................ 126

Figura 5. 31 Tasa de cruces por cero de la palabra escapó ....................................................................... 127

Figura 5. 32 a) Oscilograma de la señal de voz antes de ser recortada. b) Palabra escapó. ...................... 127

Figura 5. 33 Detección de inicio y fin de una palabra, con una conversación a 50 cm de distancia. ....... 128

Figura 5. 34 Detección de inicio y fin, posterior al filtrado de promedio móvil (M = 4). ........................ 128

Figura 5. 35 Palabra blanca recortada correctamente. .............................................................................. 129

Figura 5. 36 Alteración en la detección de inicio y fin de la palabra gemelo por ruido inicial. ............... 129

Figura 5. 37 Palabra gemelo recortada correctamente. ............................................................................. 130

Figura 5. 38 Espectro de potencia para un segmento de la señal .............................................................. 131

Figura 5. 39 Programa para el procesamiento de un archivo de audio en Java, ....................................... 135

Figura 5. 40 Almacenamiento de vectores de características por palabra. ............................................... 135

Figura 5. 41 Herramienta de agrupación ................................................................................................... 136

Figura 5.42 Diferencia entre el conjunto de palabras formado por /bala/ y /dala/ .................................... 138

Figura 5.43 Resultado proporcionado por el clasificador ......................................................................... 139

Figura 5. 44 Mapa del sitio ....................................................................................................................... 139

Figura 5. 45 Inicio de servicios en la distribución XAMPP ..................................................................... 140

Figura 5. 46 Base de datos en el servidor ................................................................................................. 140

Figura 5. 47 Estructura tabla Usuario en la base de datos. ....................................................................... 140

Figura 5. 48 Página de inicio del sistema .................................................................................................. 141

Figura 5. 49 Formulario de registro de usuario ......................................................................................... 142

Figura 5. 50 Menú de navegación del administrador. ............................................................................... 142

Figura 5. 51 Registro de un especialista por el administrador. ................................................................. 142

Figura 5. 52 Verificación de Cédula Profesional en el portal de gobernación. ......................................... 143

Figura 5. 53 Validación de un usuario en el sistema................................................................................. 143

Figura 5. 54 Menú de navegación del sistema de información ................................................................. 143

Figura 5. 55 Pantalla información del trastorno de Dislexia. .................................................................... 144

Figura 5. 56 Registrar pacientes en el sistema de información ................................................................. 144

Figura 5. 57 Pacientes inscritos en el sistema, .......................................................................................... 145

Figura 5. 58 Editar información de un paciente registrado. ...................................................................... 145

Figura 5. 59 Ayuda para realizar una grabación de voz ............................................................................ 146

Figura 5. 60 Presentación de las palabras que deben ser leídas durante la prueba. .................................. 146

Figura 5. 61 Subir archivos de audio de cada paciente ............................................................................. 147

Figura 5. 62 Archivos en el servidor ......................................................................................................... 147

Figura 5. 63 Cambio de contraseña en la pantalla Configuración. ........................................................... 148

Figura 5. 64 Descarga de archivos de audio y directorio de Archivos en el equipo del especialista. ....... 148

Figura 5. 65 Interfaz del especialista ........................................................................................................ 149

Figura 5. 66 Funcionamiento de la interfaz del especialista. .................................................................... 149

Figura 5. 67 Procesamiento de archivos de audio desde la interfaz del especialista. ............................... 150

Figura 5. 68 Resultado de la prevaloración por el sistema para el usuario Médico especialista. ............. 151

Figura 5. 69 Resultado de la prevaloración para el usuario Médico auxiliar. ........................................... 152

Figura 5. 70 Posición del micrófono para realizar una grabación. ............................................................ 161

17

ÍNDICE DE TABLAS

Tabla 1.1: Relación entre el resultado de la prueba diagnóstica y la presencia o ausencia del trastorno ... 27

Tabla 2.1: Palabras recopiladas de difícil pronunciación y su pronunciación 35

Tabla 2.2: Palabras de difícil pronunciación para niños en 1° y 2° grado 35

Tabla 2.3: Palabras de difícil pronunciación para niños en 3° grado 36

Tabla 2.4: Palabras de difícil pronunciación para niños en 4° grado 36

Tabla 2.5: Palabras de difícil pronunciación para niños en 5° y 6° grado 37

Tabla 2.6: Clasificación de los fonemas del español 40

Tabla 2.7: Ecuaciones de las ventanas más utilizadas para el ventaneo 50

Tabla 2. 8 Características principales de cada ventana 50

Tabla 3.1: Características del usuario administrador .................................................................................. 65

Tabla 3.2: Características del usuario médico auxiliar ............................................................................... 66

Tabla 3.3: Características del usuario médico especialista ......................................................................... 66

Tabla 3.4: Equipo de cómputo .................................................................................................................... 67

Tabla 3. 5 Características de micrófonos .................................................................................................... 68

Tabla 3.6: Recursos de software ................................................................................................................. 68

Tabla 3.7: Requerimientos funcionales ....................................................................................................... 69

Tabla 3.8: Requerimiento no funcional de rendimiento .............................................................................. 70

Tabla 3.9 Requerimientos no funcionales de seguridad .............................................................................. 70

Tabla 3.10: Requerimientos no funcionales de fiabilidad ........................................................................... 70

Tabla 3.11: Requerimiento no funcional de disponibilidad ........................................................................ 71

Tabla 3.12: Requerimiento no funcional de mantenibilidad ....................................................................... 71

Tabla 3.13: Requerimiento no funcional de portabilidad ............................................................................ 71

Tabla 3.14: Requerimientos legales ............................................................................................................ 71

Tabla 3.15: Identificación de riesgos .......................................................................................................... 72

Tabla 3.16: Priorización del Riesgo ............................................................................................................ 73

Tabla 3. 17(continuación): Priorización del Riesgo .................................................................................... 74

Tabla 3.18: Planeación de riesgos ............................................................................................................... 75

Tabla 3. 19(continuación): Planeación de riesgos....................................................................................... 76

Tabla 3.20: Sistema operativo ..................................................................................................................... 77

Tabla 3.21: Lenguajes de programación ..................................................................................................... 78

Tabla 3.22: Software de desarrollo ............................................................................................................. 79

Tabla 3. 23(continuación): Software de desarrollo ..................................................................................... 80

Tabla 3.24: Sistema Gestor de Base de Datos ............................................................................................ 82

Tabla 3.25: Servidor .................................................................................................................................... 83

Tabla 4.1 Diccionario de mensajes del sistema .......................................................................................... 88

Tabla 4.2: Atributos importantes del caso de uso 1 .................................................................................... 89

Tabla 4.3: Atributos importantes del caso de uso 2 .................................................................................... 90

Tabla 4.4: Aspectos importantes del caso de uso 3 ..................................................................................... 92


18


Tabla 4. 7: (continuación): Aspectos importantes del caso de uso 5 .......................................................... 95



Tabla 4.10: Aspectos importantes del caso de uso 8 ................................................................................... 98

Tabla 5.1 Relación Señal a Ruido del Micrófono 1 115



Tabla 5.4 Comparación de la SNR 118

Tabla 5.5 Número de segmentos para cada par de palabras. 131

Tabla 5.6 Número de segmentos para cada par de palabras. 132

Tabla 5. 7 Número de segmentos para cada par de palabras. 132



Tabla 5.10 Patrones de las palabras 136

Tabla 5. 11(continuación): Patrones de palabras 137

Tabla 6.1 Resultados obtenidos para la etapa de entrenamiento 156

Tabla 6. 2(continuaciòn): Resultados obtenidos para la etapa de entrenamiento 157

Tabla 6.3 Resultados obtenidos en la etapa de prueba 157

Tabla 6. 4(continuación): Resultados obtenidos en la etapa de prueba 158

Tabla 6.5 Resultados obtenidos en la etapa de validación 158

Tabla 6. 6(continuación) Resultados obtenidos en la etapa de validación 159

Tabla 6.7 Rendimiento del Reconocedor de Voz 159

Tabla 6. 8 (continuación): Rendimiento del Reconocedor de Voz 160

19

ÍNDICE DE DIAGRAMAS

Diagrama 4-1 Caso de uso "Ingresar al sitio" ....................................................................................... 89

Diagrama 4-2 Caso de uso "Captura de la voz" .......................................................................................... 90

Diagrama 4-3 Caso de uso "Preprocesamiento de la voz" .......................................................................... 92

Diagrama 4-4 Caso de uso "Procesamiento de la voz" ............................................................................... 93

Diagrama 4-5 Caso de uso "Entrenamiento de palabras" ........................................................................... 94

Diagrama 4-6 Caso de uso "Clasificación de palabras" .............................................................................. 96

Diagrama 4-7 Caso de uso "Presentación del diagnóstico" ........................................................................ 97

Diagrama 4-8 Caso de uso "Gestión de datos del sistema" ......................................................................... 98

Diagrama 4-9 secuencia "Ingresar al sitio" ................................................................................................. 99

Diagrama 4-10 secuencia "Captura de la voz" ............................................................................................ 99

Diagrama 4-11 secuencia "Preprocesamiento de la voz" .......................................................................... 100

Diagrama 4-12 secuencia "Procesamiento de la voz" ............................................................................... 100

Diagrama 4-13 secuencia "Entrenamiento de palabras" ........................................................................... 101

Diagrama 4-14 secuencia "Clasificación de palabras" .............................................................................. 101

Diagrama 4-15 Actividades “Ingresar al sitio” ......................................................................................... 102

Diagrama 4-16 Actividades "Captura de la voz" ...................................................................................... 102

Diagrama 4-17 Actividades "Preprocesamiento de la voz" ...................................................................... 103

Diagrama 4-18 Actividades "Procesamiento de la voz" ........................................................................... 103

Diagrama 4-19 Actividades “Entrenamiento de palabras” ....................................................................... 104

Diagrama 4-20 Actividades "Presentación de diagnóstico" ...................................................................... 105

Diagrama 4-21 Actividades "Gestión de datos del sistema" ..................................................................... 105

Diagrama 4-22 de clases del sistema ........................................................................................................ 106

Diagrama 4- 23: Modelo relacional de la base de datos ........................................................................... 107

21

RESUMEN

En las personas con discapacidad existen diferentes padecimientos, en este documento se aborda uno de

los trastornos del aprendizaje conocido como dislexia que tiene consecuencias, en quien la padece, tanto

en el ámbito personal, social, así como laboral; en muchas ocasiones son discriminados reduciendo sus

oportunidades de empleos bien remunerados.

Aunque el trastorno de la dislexia no tiene una cura definitiva, al detectarse oportunamente en la infancia

es posible que quien la padece al recibir el tratamiento adecuado supere parcialmente sus problemas y

pueda tener una mejor integración en la sociedad.

Este documento presenta una alternativa para hacer un diagnóstico oportuno en personas con dislexia.

Con el propósito de lograr una cobertura geográfica de la zona centro del país. En el lugar del diagnóstico

se tiene considerado que se encuentren especialistas en el área de tratamiento y corrección de los trastornos

del lenguaje para que evalúen los resultados proporcionados por el sistema propuesto y dar un

prediagnóstico de dislexia.

Se desarrolló un sistema con arquitectura cliente/servidor que integra dos módulos para realizar el

diagnóstico; el primero es el aprendizaje de patrones de voz de palabras que se conoce que son útiles para

la detección de la dislexia y que para este propósito se trabajó con archivos de audio, de niños que

proporcionaron la lectura de dichas palabras; el segundo módulo utiliza los resultados del primer módulo

y algoritmos de procesamiento de voz y medidas de distancia entre patrones para clasificar la voz de

personas que se quieran diagnosticar.

Este proyecto se enfoca en infantes que comienzan a leer o poseen un nivel lector de educación primaria.

Los participantes para este proceso, han sido voluntarios y sus datos se mantienen con un perfil

confidencial. Asimismo, las pruebas se realizaron con previo consentimiento de los padres o tutores de

cada niño.

Las comunicaciones integran protocolos de encriptación de información para procurar su consistencia y

confidencialidad. La herramienta telemática es un apoyo a los especialistas y de ninguna manera se

considera su sustitución.

Los resultados de las pruebas realizadas permiten considerar esta propuesta como una alternativa útil para

la detección temprana de la dislexia mediante el reconocimiento de voz.

Palabras clave: Dislexia, procesamiento de voz, aprendizaje en máquina «machine learning»,

identificación de patrones.

CAPÍTULO I: INTRODUCCIÓN

Sistema de reconocimiento de voz para la detección oportuna de la dislexia en niños

Capítulo I

24

Capítulo I

25

CAPÍTULO I: INTRODUCCIÓN

Las estadísticas del INEGI [1] en México, indican que al menos cinco millones de personas tienen algún

tipo de discapacidad física o mental. Entre estos problemas están los relacionados con el lenguaje, con una

población de aproximadamente el 5%; a nivel mundial este porcentaje es aún mayor afectando

principalmente a infantes. Las estadísticas de los Institutos de Salud de Estados Unidos «NIH, National

Institutes of Health» muestran que el 15% de la población tiene algún tipo de trastorno de aprendizaje, los

más comunes son las dificultades con la lectura y el habla.

La adquisición del lenguaje oral es un acto natural en las personas, que se adquiere con la exposición

del niño al mundo hablante de los adultos; el lenguaje escrito es una habilidad cultural que requiere de un

proceso de enseñanza-aprendizaje explícito y sistemático. Leer y escribir son habilidades de comunicación

básicas que han constituido el desarrollo del ser humano. El tener dificultades específicas de aprendizaje

en la lectura y escritura, contribuye a obstaculizar la adquisición de conocimiento e involucra conflictos

sociales en el proceso formativo. Dentro de los trastornos de lectura y escritura se encuentra la dislexia.

La dislexia [2], es un trastorno del habla que se presenta en las personas desde la infancia y persiste en

el tiempo afectando habilidades básicas como la lectura y la escritura repercutiendo en problemas de

aprendizaje. Las personas se verán afectadas por el trastorno, aunque tengan capacidades intelectuales

normales o incluso superiores. La revista “México Sano” de la Secretaría de Salud publicó que

aproximadamente el 8% de los niños que cursan la primaria presentan dislexia, que como se ha expuesto

afecta su capacidad y desarrollo.

Los síntomas de la dislexia se pueden notar desde que los infantes comienzan a decir sus primeras

palabras, pero usualmente el diagnóstico se realiza hasta que empiezan a leer y escribir. En algunos casos

los niños con trastornos de aprendizaje [3], presentan también trastornos en la lectura pero no es

necesariamente dislexia; porque esta se puede confundir con dificultades de atención, cuestiones

madurativas o emocionales.

La detección oportuna de la dislexia le permite a los afectados mejorar su calidad de vida y darles

mejores oportunidades para estudiar y completar una carrera, otorgándoles al mismo tiempo la oportunidad

de mejorar la interacción con su entorno y así evitarles la marginación social a que se encuentran expuestos.

En este documento se aborda el problema de la dislexia ya que, si no se trata oportunamente, causa

afectaciones socioeconómicas para quien la padece. Como alternativa de solución se propone una

herramienta de reconocimiento de voz que ayude a la detección oportuna en niños de la zona centro del

país, otorgando un resultado validado por un especialista para que los afectados puedan iniciar un

tratamiento acorde sus características.

La organización formal de este documento es la siguiente. En el Capítulo 1, se brinda una introducción

al trastorno de la dislexia y se propone al reconocimiento de voz como alternativa para su detección.

Capítulo 2, se desarrolla el sustento teórico que fundamenta el planteamiento del problema y su propuesta

de solución. Capítulo 3, es el resultado del análisis de requerimientos para la realización del sistema.

Capítulo 4, se presenta el diseño del sistema. Y finalmente como Anexo, se adjunta una carta que ilustra el

proceso llevado a cabo para la obtención de muestras de voz a utilizar en el entrenamiento del sistema.

Capítulo I

26

1.1 Planteamiento del problema

El trastorno de la dislexia afecta a hombres y mujeres desde la infancia con consecuencia para quien

la padece en la edad adulta, de tener nulas o pocas oportunidades en el ámbito laboral. Actualmente no se

conoce una cura definitiva, solamente tratamientos para mejorar las oportunidades de un mayor desarrollo

académico y social en comparación a vivir sin tratamiento. Los resultados son mejores cuando los

tratamientos se inician en edades tempranas del desarrollo de las personas, por lo tanto, su detección

oportuna permite iniciar su atención.

Algunas de las pruebas para detectar la dislexia [4] se basan en lo que escriben los niños, pero se ha

detectado que estas no son completamente certeras porque la opinión de los especialistas varía; solamente

sirven como indicadores para que algunos niños sean evaluados más exhaustivamente por personal

especializado en el área de tratamiento y corrección de los trastornos del lenguaje.

Al querer detectar la dislexia mediante el reconocimiento de voz en la infancia, conlleva a utilizar la

lectura como medio de diagnóstico. Esto requiere que los niños sean llevados con los especialistas que

hacen las valoraciones correspondientes; por lo tanto, los niños que no pueden acudir a los centros de

atención que cuentan con el personal para su diagnóstico, por ahora, tienen menores posibilidades, en caso

de ser positivo su padecimiento, de iniciar algún tipo de tratamiento que asegure su integración más

adecuada al entorno social.

1.2 Propuesta de solución

Se plantea una alternativa a la detección oportuna de la dislexia con el fin de mejorar los primeros

entornos de aprendizaje del afectado, lo que en un futuro le permitirá obtener oportunidades de desarrollo

personal y profesional que darán resultado en su integración social como alguien productivo.

1.2.1 Descripción general

En este Proyecto Terminal se propone un sistema que sirva como auxiliar para la detección a distancia

en infantes, mediante el procesamiento de su voz incluyendo la validación de un experto en el área de

tratamiento y corrección de los trastornos del lenguaje, esto facilita la valoración del trastorno cuando al

especialista no le es posible trasladarse al lugar específico donde se encuentra el paciente o cuando el infante

no pueda acudir al centro de diagnóstico.

En muchos casos la detección del trastorno nunca se realiza o en su defecto es tardía, por lo que en

este trabajo se propone el desarrollo de un sistema para la detección oportuna de dislexia en niños que

comienzan a leer o poseen un nivel lector de educación primaria.

Este sistema se basa en la arquitectura cliente/servidor como se muestra en la Figura 1.1, con un cliente

ligero que permite obtener la lectura de varias palabras, que se conoce, sirven para detectar la dislexia en

niños.

La voz se recibe por un micrófono profesional, luego se entrega a un convertidor analógico digital y

se guarda en un archivo de audio el cual se envía al servidor para iniciar su procesamiento.

Posteriormente se utiliza un filtro de promedio móvil cuya respuesta al impulso permite eliminar en la

medida de lo posible las señales de ruido, así mismo la señal pasa por un filtro digital pasa banda diseñado

para procesar las frecuencias de la voz humana. La implementación conjunta de estos filtros ayuda a

eliminar señales indeseables que se agregan por fluctuaciones propias de la voz, medio ambiente,

micrófono, entre otros. Una vez concluido el procedimiento anterior, se obtienen los fragmentos de la señal

de voz correspondientes a cada palabra para después obtener un conjunto de características cuantitativas

que la describan.

Capítulo I

27

A partir de estas características obtenidas, se aplican algoritmos de agrupamiento y medidas de

distancia para generar los patrones representativos de las palabras que se sabe sirven para identificar la

dislexia y con ello crear dos diccionarios fonéticos que contendrán palabras pronunciadas por niños con

dislexia y sin dislexia respectivamente. Para esta etapa de entrenamiento se obtuvieron grabaciones de voz,

de niños y niñas voluntarios con el consentimiento firmado de sus padres y con un acuerdo de

confidencialidad.

Finalmente, para emitir un diagnóstico se utilizan los diccionarios fonéticos generados, para que cada

diagnóstico que se realice sea comparado tanto con el diccionario fonético de palabras con pronunciación

sin dislexia, como con el de palabras con pronunciación teórica de dislexia.

Para efectuar el diagnóstico, la voz del niño a diagnosticar se compara primero con el diccionario de

palabras pronunciadas con dislexia, con lo cual se pueden obtener dos resultados, Verdadero Positivo (VP)

o Falso Positivo (FP).

Asumiendo que el primer resultado es VP, el cual supone que el niño tiene dislexia; ahora las palabras

del niño a diagnosticar se comparan con el segundo diccionario, con lo cual nuevamente se pueden generar

dos resultados, Falso Negativo (es falso que no tiene dislexia) o Verdadero Negativo (es verdadero que no

tiene dislexia). Si el resultado de esta comparación es FN, entonces se emite el diagnóstico “Paciente

candidato a tener dislexia”. Si el resultado es VN, entonces se emite “Diagnóstico en duda, candidato a

tener dislexia”.

Los niños que en la primera prueba obtengan FP, se suponen sin dislexia, por lo que al someter a

prueba sus palabras pronunciadas al diccionario fonético de niños sin dislexia se tienen dos posibles

resultados, Verdadero Negativo (VN) con lo cual se emite el diagnóstico “Paciente sin dislexia”; o Falso

Negativo (FN), entonces se emite el diagnóstico “Candidato a tener dislexia”.

Con el fin de hacer notar este método de diagnóstico, en la Tabla 1.1, se muestra la relación entre los

posibles resultados emitidos por el sistema.

Tabla 1.1: Relación entre el resultado de la prueba diagnóstica y la presencia o ausencia del trastorno

Resultados de la prueba Diagnostico verdadero

Con dislexia Sin dislexia

Positivo Verdadero Positivo (VP) Falso Positivo (FP)

Negativo Falso Negativo (FN) Verdaderos Negativos (VN)

Capítulo I

28

Figura 1. 1 Sistema de reconocimiento de voz para la detección oportuna de dislexia en niños

Debido a los diversos factores mencionados que pueden afectar la captación de voz y la presencia de

los demás síntomas que influyen en el trastorno como la genética por mencionar uno de ellos, se tiene

considerado que además de la valoración mediante la computadora, los resultados sean validados por un

experto en trastornos del lenguaje y entonces se emita el diagnóstico definitivo. La propuesta funciona en

este caso como una prevaloración que ayude a agilizar el diagnóstico.

1.3 Alcances

En este proyecto se presenta una alternativa capaz de auxiliar en la detección del trastorno de dislexia

en niños que comienzan a leer o poseen un nivel lector de educación primaria y que se localizan en la zona

centro del país, por medio de la evaluación de la pronunciación fonética de cada niño al leer un conjunto

de palabras preestablecidas para detectar dislexia.

1.4 Metodología

La metodología de este proyecto se basa en el modelo de cascada debido a que su enfoque está dirigido

al riguroso ordenamiento de las etapas del ciclo de vida del software, de tal forma que el inicio de cada

etapa debe esperar a la finalización de la inmediatamente anterior.

1.5 Objetivo General

Desarrollar e implementar un sistema con la capacidad de aprender patrones de voz de infantes con y

sin dislexia, para realizar la detección oportuna de este trastorno en niños y así proporcionar a los

especialistas el primer indicio de la necesidad de un tratamiento.

1.6 Objetivos Específicos

1. Desarrollar la arquitectura y diseño del sistema, así como las interfaces y salidas que componen

al mismo con el uso de una metodología de diseño de software.

2. Diseñar y desarrollar el programa para la captación de voz.

Cliente

Voz de un niño

a diagnosticar

Servidor

Diagnóstico

Médico

auxiliar

Médico

especialista

Diccionario

Patrones sin dislexia Diccionario

Patrones con dislexia

Capítulo I

29

3. Implementar el módulo de captación de voz para el análisis y procesamiento de la señal dentro

del sistema.

4. Definir, seleccionar e implementar el modelo de aprendizaje adecuado para generar patrones de

voz.

5. Almacenar los patrones de voz obtenidos y crear los diccionarios fonéticos que contengan

palabras pronunciadas por niños con y sin dislexia.

6. Desarrollar el programa que permita comparar las similitudes y diferencias entre la voz de un

niño a diagnosticar y los diccionarios fonéticos.

7. Programar las interfaces de usuario establecidas en los requerimientos del sistema.

8. Realizar pruebas experimentales de los distintos módulos del sistema y sus funciones.

9. Implementar e integrar los módulos que componen al sistema para evaluar su correcto

desempeño.

10. Realizar las pruebas de validación pertinentes del sistema con infantes voluntarios.

1.7 Estado del Arte

A continuación, se describen, en primera instancia los trabajos que se han desarrollado con el objetivo

de ayudar en la detección del trastorno de la dislexia y posteriormente aquellos que realizan reconocimiento

de voz.

1.7.1 Proyectos sobre el trastorno de la dislexia

En esta sección se mencionan los proyectos académicos relacionados con el trastorno de la dislexia.

Dislexia y bajo rendimiento escolar

Este proyecto [4], tuvo como objetivo determinar si la dislexia es un factor que influye en el bajo

rendimiento escolar. Esto mediante el test DST-J, que es un test para la detección de la dislexia en niños.

Demostrando afirmativamente que la dislexia sí influye en el bajo rendimiento escolar, ya que el grupo de

niños evaluados presentaron problemas de lectura y escritura, segmentación fonética, vocabulario,

coordinación, fluidez verbal, fluidez semántica; áreas que son importantes para el aprendizaje de destrezas

en el niño, lo cual repercute en su rendimiento escolar. Como aporte se elaboró un cuestionario, como

instrumento de medición para que el docente pueda verificar si hay riesgo de dislexia en los niños a evaluar

para descartar posibles indicadores de dislexia y poder ayudar a los niños con este diagnóstico.

Terapia del habla mediante computadoras para los trastornos del sonido del habla infantil

Se han desarrollado investigaciones y programas para terapia del habla mediante computadoras [5]

donde se busca proveer recursos innovadores para tratar trastornos del habla como disartria, deterioro de la

articulación, deterioro fonológico, entre otros, con el fin de solventar la escasez de personal especialista en

Capítulo I

30

trastornos de este tipo, así como brindar el acceso a un tratamiento a niños que no tienen recursos para este

servicio.

Se ha encontrado en la literatura que este tipo de terapia puede ser un método útil para complementar el

manejo de una variedad de trastornos del habla infantil. Por otra parte, una evaluación realizada a distintas

aplicaciones con este enfoque considera que el uso de herramientas de reconocimiento de voz aumentaría

los beneficios de la terapia al reducir los tiempos de espera y el número de casos.

Sin embargo, la mayoría de estas aplicaciones están enfocadas al tratamiento del habla una vez que ya se

realizó un diagnóstico, no obstante personas que desconocen la existencia de estos trastornos y además

desconocen que los padecen, no tienen el acceso a alguna de las herramientas anteriores.

1.7.2 Trabajos sobre reconocimiento de voz

Sistema de reconocimiento de palabras clave en conversaciones de voz

Es una tesis centrada en el reconocimiento de palabras clave dentro de conversaciones de voz [6], para

recabar información que se considere importante para ser utilizada en el desarrollo de otras aplicaciones.

Utiliza las redes neuronales como técnica de clasificación de los vectores característicos de la señal de voz

para alcanzar la correcta identificación de las palabras pronunciadas dentro de la conversación de voz.

Sistema certificador de locutor por voz

Es un sistema de seguridad capaz de certificar a uno de diez usuarios mediante su voz [7], con palabras

seleccionadas de acuerdo a sus características fonéticas, utilizando los coeficientes de predicción lineal y

la frecuencia de fundamental para la extracción de características para el método de entrenamiento se utiliza

una red neuronal.

Gamevoice, videojuego controlado por voz

Este trabajo es un videojuego demostrativo que es controlado por voz [8] con la finalidad de efectuar

una interactividad entre el jugador y la computadora, así como ayudar a personas que no están en posibilidad

de utilizar las extremidades superiores en su interacción con el mismo. Dicho videojuego puede reconocer

siete palabras: arriba, abajo, izquierda, derecha, pausa, dispara y salir.

Sistema de seguridad de activación automática para joyería

Esta tesis se enfoca en implementar el reconocimiento de voz [9] para accionar la alarma de una joyería

de manera automática. El sistema posee dos aplicaciones, una para la joyería y otra para una empresa de

seguridad, donde en la primera se detecta la palabra y con ello la activación de la alarma; y en la segunda

se recibe un mensaje de alerta que da pie a la observación del video que es captado por una cámara colocada

dentro de la joyería, lo que ayuda a la empresa a corroborar la causa de la activación de la alarma para en

caso de ser necesario brindar su apoyo a la joyería.

Dicho sistema es capaz de reconocer una palabra correspondiente a un interlocutor, con una eficiencia

de reconocimiento del 72%.

CAPÍTULO II: MARCO TEÓRICO


Capítulo II

32

Capítulo II

33

CAPÍTULO II: MARCO TEÓRICO

Este capítulo da inicio con la sección 2.1 que proporciona un acercamiento al trastorno de la dislexia,

mostrando su clasificación y presentando las palabras que son de difícil pronunciación para los niños con

este padecimiento. Después de lo cual se expone el proceso de producción de la voz en 2.2 como preámbulo

al apartado 2.3 que detalla lo relacionado con el reconocimiento de voz.

2.1 Dislexia

La palabra dislexia deriva del griego “dys” que significa dificultad o desorden y “lexis” que significa

palabra o lenguaje, de manera que la dislexia es una dificultad para generar e interpretar el lenguaje,

principalmente se refleja en escasas habilidades para la lectura y escritura pese a la persona posea una

inteligencia adecuada y apropiadas oportunidades socioculturales.

Establecer una definición de dislexia ha sido habitualmente un tema de discusión y debate, dado que

engloba diferentes temáticas que deben ser estudiadas para lograr su comprensión. No obstante, se ha

descrito a lo largo del tiempo como un trastorno específico del aprendizaje, caracterizado por la dificultad

en la fluidez y precisión en el reconocimiento de palabras, así como pobres aptitudes de ortografía y

codificación [2]. Adicionalmente es el trastorno de aprendizaje más frecuente entre la población infantil.

En ausencia de conclusiones científicas sobre el origen de la dislexia, se han construido diversas

hipótesis, una de ellas explica que es causada debido a una diferencia estructural en el cerebro vinculada al

área del lenguaje, sin embargo, la más aceptada es la teoría fonológica, la cual asegura que a las personas

con dislexia les cuesta entender que la palabra escrita o hablada se divide en fonemas y letras, y que a su

vez estos se representan e identifican mutuamente.

Por otra parte, éste es un trastorno con un grado significativo de herencia, debido a que se han

identificado marcadores genéticos que pueden dar lugar a la dislexia. En virtud de ello, se han localizado

nueve regiones del genoma humano que poseen genes de susceptibilidad para el desarrollo de la dislexia,

ubicados en los cromosomas 1, 2, 3, 6, 15 y 18 [2]. De ahí que los cuatro genes más significativos se

encuentran dentro de los cromosomas 3, 6 y 15, estos son: ROBO1, DCDC2, KIAA031 y DYX1C1; los

cuales se relacionan con la capacidad de lectura global de la palabra, así como el proceso fonológico y

lingüístico [10].

De acuerdo con lo anterior, es evidente que existe mayor riesgo de presentar dislexia si dentro del

núcleo familiar algún miembro la padece, ya que numerosos estudios dictaminan una herencia de entre el

18 y 65 por ciento, siendo 8 veces más probable tener dislexia cuando el afectado es uno de los padres [2].

2.1.1 Tipos de Dislexia

La Asociación Internacional de Dislexia «International Dyslexia Association» [2] clasifica al trastorno

de la dislexia en dos tipos, adquirida y evolutiva. La dislexia evolutiva puede originarse debido a déficits

congénitos y alude a las dificultades para aprender a leer, por lo que se manifiesta desde las primeras etapas

de la adquisición de esta habilidad con inversiones de letras en la escritura y/o lectura, adiciones, omisiones,

escritura en espejo y repeticiones.

La dislexia adquirida o madurativa se origina a causa de una lesión cerebral o traumatismo posnatal

[11] se presenta como la pérdida total o parcial de la habilidad lectora una vez, que ya se había adquirido,

por lo que se es incapaz de leer o escribir correctamente.

Capítulo II

34

Asimismo, existen tres subtipos de dislexia [2]: fonológica, superficial y mixta. La dislexia fonológica

existe cuando los lectores evidencian dificultades para leer palabras que les resultan poco conocidas, por

ende, solo leen las partes de la palabra que conocen y adivinan el resto. El problema surge durante el proceso

de conversión grafema-fonema, por este motivo se incurre en errores de localización morfológicos de tipo

visual. En este subtipo se suelen cometer más errores con las palabras funcionales (artículos, preposiciones,

conjunciones y pronombres) que con las de contenido (sustantivos, verbos y adjetivos).

La dislexia superficial es aquella en la que las personas no son capaces de leer palabras globalmente,

el lector lee lentamente separando letras y sílabas, no se respetan los signos de puntuación y no se mantiene

el ritmo.

Por último, la dislexia mixta ocurre cuando se tienen características tanto de la fonológica como de la

superficial.

2.1.2 Diccionario fonético de palabras de difícil pronunciación para niños con dislexia

Existen palabras que se consideran de difícil pronunciación para un niño que presenta el trastorno de

dislexia, esto debido a la confusión causada por la semejanza fonética entre sílabas, la posición o dirección

de los elementos que conforman las letras o una separación inadecuada de las sílabas de una palabra.

Para este trabajo se realizó la evaluación de dislexia en niños utilizando palabras seleccionadas de [11],

en donde se realizaron pruebas de diagnóstico de dislexia a 360 niños de la Ciudad de México en escuelas

del sector público a nivel primaria, arrojando palabras especificas con alto grado de dificultad.

Estas palabras están clasificadas de acuerdo al grado de primaria en el que el niño se encuentra, se han

seleccionado aquellas palabras que corresponden a errores cometidos en lectura y dictado.

En la Tabla 2.1 se enlistan las palabras recopiladas y la pronunciación teórica correspondiente a un

niño con dislexia. Las palabras de esta tabla conforman el diccionario del sistema; las primeras diez se

eligieron debido a que el estudio de referencia proporciona la pronunciación teórica correspondiente a un

niño con dislexia, y las diez últimas fueron recomendadas por una especialista en pedagogía y educación.

Es entonces que, los conjuntos de palabras que sirven para la evaluación en el sistema están validados por

dicha especialista.

Más palabras de difícil pronunciación se encuentran en las Tablas 2.2 a 2.5, en donde se enlistan las

palabras clasificadas por grado escolar.

A lo largo de esta investigación se tomaron muestras de pronunciación de niños con dislexia que

conforman la tercera columna denominada Evidencia Experimental en la Tabla 2.1, esto con el fin de

corroborar la información bibliográfica y además definir estas palabras como parámetros de evaluación y

diagnóstico.

Capítulo II

35

Tabla 2.1: Palabras recopiladas de difícil pronunciación y su pronunciación

teórica correspondiente a un niño con dislexia

Identificador Palabra Pronunciación teórica Evidencia experimental

P 1 alba alda alda

P 2 bala dala dala

P 3 beber deber deber

P 4 blanca danca banca

P 5 boda poda poda

P 6 bonito ponito bonito

P 7 escapó escabó escabó

P 8 parque barque barque

P 9 antena nantena nantena

P 10 bosque boque poque

P 11 calcetín carcetin calcetín

P 12 calle cache calle

P 13 camello canello canello

P 14 clavado calvado clavado

P 15 esférico seferico seferico

P 16 esparrago aseparrago esparrago

P 17 hipopótamo hipotamo hipotamo

P 18 instituto istituto instituto

P 19 partido pratido partido

P 20 plancha palancha palancha

Tabla 2.2: Palabras de difícil pronunciación para niños en 1° y 2° grado

Palabras para niños en 1º y 2º grado

Identificador Palabra Identificador Palabra

A 1 bandera A 6 lechuga

A 2 blancura A 7 loro

A 3 brincó A 8 melón

A 4 buscar A 9 milagros

A 5 bosque A 10 moño

Capítulo II

36

Tabla 2.3: Palabras de difícil pronunciación para niños en 3° grado

Palabras para niños en 3º grado


B 1 Alacena B 11 nube

B 2 Blanda B 12 pastito

B 3 Campanario B 13 paseo

B 4 Chimenea B 14 perro

B 5 Colombianos B 15 plano

B 6 Confundida B 16 primavera

B 7 Haba B 17 pueblo

B 8 Hombres B 18 subió

B 9 Mariposas B 19 trabajador

B 10 malagradecida B 20 zapato

Tabla 2.4: Palabras de difícil pronunciación para niños en 4° grado

Palabras para niños en 4º grado


C 1 aire C 11 lechuga

C 2 alcoholizar C 12 loro

C 3 abdomen C 13 melón

C 4 anciana C 14 milagros

C 5 bala C 15 moño

C 6 bailar C 16 mundo

C 7 bomba C 17 niña

C 8 cantores C 18 nora

C 9 cerro C 19 nube

C 10 cuna C 20 número

Capítulo II

37

Tabla 2.5: Palabras de difícil pronunciación para niños en 5° y 6° grado

Palabras para niños 5º y 6º grado


D 1 Abdomen D 11 habitan

D 2 Aeroplano D 12 hierbas

D 3 alcoholizar D 13 hoyos

D 4 anciana D 14 Hondos

D 5 cantores D 15 Hormigas

D 6 dañino D 16 Milagros

D 7 dentro D 17 Viruela

D 8 escuela D 18 Verdinegra

D 9 entendimiento D 19 Yolanda

D 10 exacta D 20 Wenceslao

2.2 Proceso de producción de la voz

En esta investigación cuya finalidad es la detección de la dislexia, que es una patología del lenguaje,

se vuelve significativo asentar los principios básicos y funcionales que contribuyen en la producción de la

voz.

Es por esto que se hace un estudio del proceso de producción del sonido que se origina en el aparato

fonador para generar la voz y con ello el habla.

2.2.1 Sonido

La palabra sonido proviene del latín sonitus, se compone léxicamente por sonare que quiere decir

“producir un sonido” y el sufijo ido que significa “cualidad perceptible por los sentidos”.

El sonido se produce por vibraciones mecánicas que se propagan como ondas hasta que llegan a los

oídos, a través de medios elásticos continuos como el aire o el agua.

El cuerpo humano tiene la capacidad de producir y percibir sonidos, gracias a su aparato fonador y a

su sistema auditivo. Está comprobado que el oído humano puede percibir de 20 hasta 20,000 vibraciones

por segundo [12], por lo que las vibraciones fuera de este rango no son audibles para él.

2.2.2 Aparato Fonador

Ante todo es imprescindible destacar que el ser humano no dispone de un aparato exclusivo para la

producción de sonido, por lo que en un momento de su evolución adoptó órganos de los sistemas

respiratorios y digestivos para lograr la comunicación, de los que surgió el aparato fonador. Este aparato

vocal está constituido por tres cavidades [13] como se describen en la Figura 2.1.

Capítulo II

38

Figura 2.1: Esquema del aparato fonador humano

La cavidad infraglótica se localiza debajo de la glotis y su función es proporcionar la corriente de aire

necesaria para la formación de los sonidos del lenguaje, está comprendida por los órganos inferiores de la

respiración, que son la tráquea, el diafragma, los pulmones y bronquios. Cabe destacar que los bronquios y

la tráquea no desempeñan una función lingüística dado que son tubos de conducción de aire.

La cavidad laríngea está situada sobre el término de la tráquea, dicho de otro modo, se encuentra en la

parte alta y media del cuello. Se constituye por la laringe, en donde se ubican las cuerdas vocales, del mismo

modo está compuesta por piezas cartilaginosas unidas por ligamentos y músculos que permiten el paso del

aire haciendo vibrar las cuerdas vocales con la finalidad de transformarlo en sonido, el cual da origen a la

primera forma de la voz debido a que es un sonido que solo posee una frecuencia y una intensidad, se les

conoce comúnmente como tono y volumen respectivamente. También está dividida en cuatro tipos de

cartílagos: cricoides, tiroides y dos aritenoides; que en conjunto permiten que las cuerdas vocales adopten

diversas posiciones, y en consecuencia, la glotis puede presentar distintas formas o grados de abertura. De

acuerdo a la longitud en que se estiren las cuerdas vocales va a depender el sonido que se produzca, ya sea

un sonido grave, medio o agudo.

La cavidad supraglótica está ubicada encima de la cavidad glótica o laríngea, se divide en tres

secciones que son: faringe, cavidad bucal y cavidad nasal. La primera es un tubo musculoso situado en el

cuello que conecta la nariz y la boca con la tráquea y el esófago; la segunda comprende el paladar, la lengua,

la dentadura y los labios, que fungen como filtros con propiedades resonadoras, logrando así la producción

de la voz; la última tiene un papel importante en la producción de sonidos específicos de lenguaje, sobretodo

como resonador.

El paladar cumple con una función sustancial en la cavidad bucal, a consecuencia de que se divide en

velo de paladar y paladar duro. Sin embargo, en la primera división los sonidos articulados se separan en

orales, nasales y oronasales. Para producir el primer tipo de sonido, el velo de paladar se encuentra adherido

a la pared de la faringe, lo que genera que se produzcan los sonidos a través de la articulación vocal, los

segundos surgen cuando no entra aire y no se permite el paso de articulación vocal por lo que el aire pasa

Pulmones

Cuerdas vocales

Faringe

Cavidad nasal

Cavidad bucal

Bronquios

Glotis

Cavidad

infraglótica

Cavidad

supraglótica

Cavidad

laríngea

Tráquea

Capítulo II

39

por la cavidad nasal, los últimos emergen cuando están simultáneamente abiertas las cavidades orales y

nasales, generando los sonidos oronasales, llamados habitualmente vocales nasales.

2.2.3 Lenguaje

Es todo sistema de comunicación basado en determinadas convenciones o acuerdos, que se utiliza para

establecer un acto comunicativo expresando ideas, pensamientos, emociones, entre otros, ya sea por medio

de un lenguaje escrito, oral o gestual principalmente. Su objetivo es lograr el entendimiento común, es por

esto que el lenguaje es instintivo y universal.

El lenguaje tiene que ver con un conjunto de signos pertenecientes a la misma naturaleza, mismos que

definen el estilo de hablar y escribir.

2.2.4 Lengua

A pesar de que el lenguaje brinda a los seres humanos la capacidad de comunicarse por distintos

medios cada uno lo hace de distinta manera, una consecuencia de ello es que pertenecen a distintas

sociedades de suerte que cada una establece un conjunto de signos convencionales.

Podemos considerar hasta aquí que la lengua, es el conjunto de signos orales y escritos que sirven para

establecer un diálogo entre las personas de una misma comunidad lingüística y que es pasiva porque los

hablantes la aprenden sin darse cuenta.

2.2.5 Habla

Al manejo que cada individuo le da a la lengua se le nombra habla, esta acción no depende de la

sociedad por eso se dice que es individual al igual que voluntaria, precisando que cada persona decide en

qué momento hablar.

2.2.5.1 Unidades fundamentales del habla

Las palabras son la mínima unidad de significado y son empleadas tanto en la lengua hablada como en

la escrita. Dentro de la lingüística la rama que se encarga del estudio de su estructura interna es la

morfología, la cual divide la palabra en monemas que son las unidades mínimas de la palabra, mismas que

se clasifican en lexemas y morfemas.

El lexema es la raíz de la palabra puesto que es invariante y contiene el significado de la misma, se

dice que cuando las palabras tienen el mismo lexema pertenecen a una familia ya que se originan de una

palabra primitiva que es aquella que no proviene de ninguna otra palabra. En cambio el morfema es la parte

variable de la palabra, que al ser añadido al lexema forma nuevas palabras creando diferentes significados.

En cuanto al estudio de los sonidos de una lengua, se encuentran dos ramas de la ciencia lingüística,

la fonología y la fonética. La primera se encarga de analizar los sonidos por su función distintiva dentro de

una lengua en particular, mientras que la segunda los estudia desde un punto de vista fisiológico, es decir,

estudia las diferencias articulatorias perceptibles.

El reconocimiento de voz se enfoca en identificar los sonidos que distinguen una palabra de otra en

una lengua, como se sabe el habla es una secuencia de fonemas [12] o sea de unidades básicas de sonidos

que carecen de significado pero que contribuyen a distinguir el significado puesto que los sonidos /c/ y /l/

en las palabras cama y lama por ejemplo, hace que estas tengan un significado distinto.

Capítulo II

40

Los fonemas se pueden clasificar atendiendo a dos criterios, su punto y modo de articulación. En el

español se definen 24 fonemas algunos con sonido sonoro (SN) que se originan cuando vibran las cuerdas

vocales y otros con sonido sordo (SR) que se producen cuando no vibran las cuerdas vocales como se

especifica en la Tabla 2.6.

Tabla 2.6: Clasificación de los fonemas del español

Clasificación de

los fonemas del

español

Punto de Articulación

Abierto Labiales

Dentales Alveolares Palatales Velares Globales Bilabiales Labiodentales

SN SR SN SR SN SR SN SR SN SR SN SR SN SR SN SR

Mo

do

de

Art

icu

laci

ón

Plosivas 𝑏 𝑝 𝑑 𝑡 𝑔 𝑘

Nasales 𝑚 𝑛 Ñ

Laterales 𝑙 𝑙𝑙

Fricativas 𝑓 𝑠 𝑦 𝑥

Vibración

Simple 𝑟

Vibración

compuesta 𝑟

Africadas 𝑐

Vocales 𝑎 𝑒 𝑖 𝑜 𝑢

Semivocales 𝑤 𝑗

2.3 Reconocimiento de voz

El reconocimiento de voz es el proceso de identificar una señal de voz como una secuencia de palabras,

mediante la implementación de algoritmos computacionales. Para lograr esto, el primer paso es capturar la

voz para que se realice la conversión de la señal analógica a digital y pueda ser procesada e interpretada

por la computadora. La etapa siguiente es el preprocesamiento, el cual consiste en la eliminación de ruido

y la detección palabras aisladas en una secuencia de audio. Posteriormente en el procesamiento se hace un

análisis espectral para obtener el vector de características representativas de cada palabra, dichas

características se clasifican en secuencias de patrones y son comparadas con un diccionario previamente

aprendido y almacenado, de modelos acústicos correspondientes a un lenguaje determinado, una vez

realizada esta comparación se obtiene el reconocimiento, ilustrado en la Figura 2.2.

Capítulo II

41

Figura 2.2: Diagrama de las etapas del reconocimiento de voz del sistema

2.3.1 Señal de voz

Vivimos en un mundo de naturaleza analógica, lo que origina que la mayoría de las señales de interés

práctico encontradas en la ciencia y la ingeniería también lo sean, ejemplo claro de ello, son las señales

biológicas, sísmicas, de radar, así como señales de comunicaciones particularmente las de voz, audio y

video.

En vista de que este trabajo está encaminado al reconocimiento de voz, los próximos párrafos destacan

las características que ésta posee.

Para comenzar, una señal analógica se define como una función de variables continuas, como el tiempo

o espacio y que conjuntamente asume valores en rangos continuos, propiedades que cumple una señal de

voz, lo que hace que pertenezca a esta clasificación.

Las características generales de la señal de voz, dependen en esencia de los órganos que integran el

aparato fonador [14]. Éstas se identifican como intensidad, altura, timbre, duración y volumen.

Lo que define la intensidad de la voz humana es la amplitud de la onda sonora misma que es influida

por la existencia de una mayor o menor presión en la cavidad infraglótica, en otras palabras, a mayor presión

infraglótica mayor intensidad del sonido.

La altura está determinada por el número de ciclos glóticos que se producen por unidad de tiempo,

dentro de ella se encuentra la frecuencia fundamental de la voz, que no solo depende de la longitud de los

pliegues vocales, sino también del tamaño de su laringe.

Preprocesamiento

Captura de la voz

Procesamiento

Entrenamiento

Fase de entrenamiento Fase de reconocimiento

Conjunto a reconocer

Preprocesamiento

Procesamiento

Clasificación Aprendizaje

Capítulo II

42

El timbre es el espectro específico de la voz, éste depende de la aproximación de las cuerdas vocales

y la morfología de los resonadores. Se dice que la calidad del timbre es mayor cuanto mayor es el grado de

adhesión de las cuerdas cuando éstas se juntan. Mediante la variación de las configuraciones y la dimensión

del tracto vocal, se modifica el timbre generando que la voz de cada persona sea única.

El aire expedido durante el proceso de fonación y la velocidad a la que se expulsa decretan la duración

de la voz, de ahí que la capacidad pulmonar y el tamaño de la caja torácica están en proporción con la

duración de la emisión de voz.

El volumen de la voz es la relación de la intensidad y la presión infraglótica que es la fuerza con la que

el aire llega a la laringe.

2.3.2 Captación de la señal de voz

La señal de voz se compone por ondas de presión producidas por el aparato fonador como se expuso

en la sección 2.2.2. Para realizar una adquisición adecuada de este tipo de ondas se utiliza un micrófono,

considerando que la función principal de este dispositivo de medición es transformar las fluctuaciones de

presión en fluctuaciones de voltaje eléctrico.

Una vez captada la señal analógica, es necesario convertirla a un formato que permita su procesamiento

en la computadora, este cambio se realiza a través de un convertidor analógico digital (ADC) en la tarjeta

de sonido, el cual entrega la señal digitalizada y codificada.

Dentro del proceso de conversión existen dos valores fundamentales que deben ser considerados, la

frecuencia de muestreo y los bits por muestra, cuyo principio teórico se explica en la sección 2.3.2.1

2.3.2.1 ADC

Un convertidor analógico digital (ADC) [15] es una interfaz que permite el procesamiento de señales

analógicas en medios digitales, es decir, las transforma en secuencias de números con precisión finita. En

la Figura 2.3 se observa el funcionamiento de un ADC.

Para llevar a cabo, esta transformación se deben efectuar las siguientes etapas: 1. Muestro, proporciona

una señal con amplitud continua y tiempo discreto. 2. Cuantización, otorga una señal con amplitud discreta

y tiempo continuo. 3. Codificación, entrega una señal digital que se caracteriza por ser de amplitud discreta

y tiempo discreto, esta es una señal binaria. A estas etapas se les conoce como Modulación por Codificación

de Pulsos (PCM).

Figura 2.3: Convertidor Analógico Digital

Muestreo Cuantización Codificación

Convertidor Analógico Digital

𝑥𝑎(𝑡) 𝑥(𝑛) 𝑥𝑞(𝑛) 010011

Señal analógica Señal discreta Señal digital Señal digital

codificada

Capítulo II

43

2.3.2.2 Muestreo

Es la primera etapa para convertir una señal analógica en digital, consiste en tomar muestras periódicas

de la amplitud de la señal original, para así representar dicha señal analógica como una secuencia de

números. Esto se define como muestreo de una señal analógica, denotada por 𝑥𝑎(𝑡), periódicamente para

producir la secuencia:

𝑥(𝑛) = 𝑥𝑎(𝑛𝑇𝑠) − ∞ < 𝑛 < ∞ (2.1)

donde,

𝑥(𝑛): representa la señal discreta en el dominio del tiempo.

𝑛: es el índice de muestras de la señal y únicamente toma valores enteros.

𝑇𝑠: corresponde al periodo de muestreo de la señal, que es el intervalo de tiempo existente entre dos

muestras consecutivas.

Con la obtención de este periodo 𝑇𝑠, también es posible calcular el número de muestras por unidad de

tiempo que se toman de la señal analógica, a este cálculo se le denomina razón, tasa o también frecuencia

de muestreo y se mide en Hertz (𝐻𝑧).

𝑇𝑠 =1

𝑓𝑠 (2.2)

donde,

𝑓𝑠: frecuencia de muestreo (Hz).

Teorema de muestreo: De acuerdo al teorema de Nyquist-Shannon, una señal analógica 𝑥𝑎(𝑡), con un

ancho de banda limitado 𝐵, se puede reconstruir mediante muestras tomadas a una frecuencia de muestreo

de por lo menos el doble de la frecuencia máxima de dicha señal, para no perder información y de esta

forma poder representar la señal original.

𝑓𝑠 ≥ 2𝑓𝑚𝑎𝑥 o 𝑓𝑠 ≥ 2𝐵 (2.3)

donde,

𝑓𝑚𝑎𝑥: frecuencia máxima (Hz).

𝐵: ancho de banda (Hz).

Matemáticamente equivale a multiplicar la señal analógica por una secuencia de pulsos de período

constante. Como resultado se obtiene un tren de pulsos con amplitudes limitadas por la envolvente de la

señal analógica. Esto se ejemplifica en la Figura 2.4.

Capítulo II

44

Figura 2.4: Muestreo de una señal analógica limitada en banda [16]

2.3.2.3 Efecto Alias

Es una alteración que causa pérdidas en la calidad de una señal, cuando se realizan conversiones de

audio, tanto de Analógico-Digital como de Digital-Analógico.

En el momento que se define una frecuencia de muestreo 𝑓𝑠, la gama de frecuencias máximas

utilizables va de 0 a 𝑓𝑠/2, lo cual es resultado del Teorema de Nyquist-Shannon. Cuando la frecuencia de

la señal que está siendo grabada es mayor a 𝑓𝑠/2, ésta se convierte en una señal cuantizable que no debería

de serlo puesto que no está presente en el sonido original, lo que introduce fluctuaciones indeseables. De

esta forma se está incumpliendo dicho teorema y por tanto se provoca la generación de falsas frecuencias

(alias) produciendo así el aliasing.

En el dominio de la frecuencia como se muestra en la Figura 2.5, el aliasing puede verse como una

superposición en las copias periódicas desplazadas de la Transformada de Fourier de la señal original

(espectro) [17], es decir, parte de la señal se solapará con las señales periódicas que estén a su lado. En este

solapamiento se suman los valores de la frecuencia y se modifica la forma del espectro de señales de forma

no deseada.

𝑥𝑎(𝑡)

𝑥(𝑛)

(a) Señal analógica limitada en banda

(b) Señal discreta

𝑇𝑠

𝑇𝑠 𝑡(seg)

𝑡(seg)

Capítulo II

45

Figura 2.5: Representación del efecto alias que ocurre al submuestrear una señal [16]

2.3.2.4 Cuantización

Una vez realizado el muestreo, el siguiente paso es la cuantización «quantization» [15] de la señal

muestreada. Este proceso convierte una señal de amplitud continua y tiempo discreto, en una señal

cuantizada expresando cada valor de muestra (amplitud) como un número finito (en vez de infinito) de

dígitos.

Para realizar la cuantización se divide el rango dinámico de la señal, en un conjunto finito de niveles

𝐿 con valores discretos y estos se obtienen gracias a la ecuación (2.4).

𝐿 = 2𝑏 (2.4)

donde,

𝐿: es el número de niveles de cuantización.

𝑏: es el número de bits que representa la palabra.

En esta etapa siempre va a existir un error o ruido de cuantización, el cual se introduce a consecuencia

de que al c codificar las muestras el valor del número de bits con los que estas se representan, se redondea.

𝑓 (𝐻𝑧)

𝑓 (𝐻𝑧)

𝑊(𝑓)

−𝐵 𝐵 𝑓𝑠

2

𝑓𝑠

2 𝑓𝑠

3𝑓𝑠

2 2𝑓𝑠 −

𝑓𝑠

2 −𝑓𝑠 3𝑓𝑠

2

𝐵

(a) Espectro de una forma de onda sin muestreo

(b) Espectro de una forma de onda con muestreo de impulsos 𝑓𝑠

2< 𝐵

2𝑓𝑠

Capítulo II

46

2.3.2.5 Codificación

El último paso de un

convertidor analógico digital es la codificación [15], la cual asigna un número binario único a cada nivel

de cuantización.

De la ecuación (2.4) se conoce que 𝐿 representa al número de niveles, lo que hace evidente que para

realizar dicha asignación se necesitan al menos 𝐿 números binarios diferentes, cada uno con una longitud

de palabra de 𝑏 bits, es decir, se crean 2𝑏 números binarios diferentes. Nuevamente, si se despeja 𝑏 de la

ecuación anterior, se obtiene:

𝑏 ≥ log2(𝐿) (2.5)

Lo que indica el número mínimo de bits requeridos para codificar la señal digital, entregando así una

señal digital codificada a la salida del ADC.

2.3.2.6 Especificación del formato de archivo de audio

En sistemas de reconocimiento de voz, el modelo acústico con el que se representa el corpus de voces

a reconocer comúnmente es entrenado con audio de voz grabado a la misma frecuencia de voz y bits por

muestra que el discurso a reconocer. De acuerdo con esto para realizar la captura de una señal de voz y

almacenarla en un archivo de audio es necesario definir principalmente estos parámetros.

Inicialmente es preciso decir que las frecuencias de las señales asociadas a la voz humana se encuentran

en el intervalo de 300 a 3400 Hz [18], por lo que el ancho de banda del canal debe soportar este intervalo

para su apropiada transmisión. Normalmente, el ancho de banda que se utiliza es aproximadamente de 4000

Hz. El intervalo de frecuencias de 0 a 300 Hz se elimina con el filtraje de la señal de voz y a la par constituye

la separación de canales adyacente, lo mismo sucede con el intervalo de 3400 a 4000 Hz. Entonces, de

acuerdo al teorema de Nyquist-Shannon su frecuencia de muestreo debe ser de al menos 8000 Hz,

equivalente a 8000 muestras por segundo, lo que quiere decir que se deben tomar muestras de la señal de

voz cada 0.000125 segundos.

En cuanto al número de bits por muestra, que representarán a la señal analógica se considera al menos

8 bits por muestra, esto es 256 niveles de cuantización a lo largo del rango dinámico de la señal, por lo que

es evidente que entre más bits se empleen, existen más niveles de cuantización y mejor calidad de señal.

No obstante, se utiliza mayor ancho de banda.

En este proyecto se almacenarán las voces obtenidas en un archivo de audio con formato WAV [19]

debido a que es un formato sin comprimir que archiva audio con codificación PCM, permite almacenar

combinaciones de los parámetros frecuencia de muestreo, bits por muestra, tasa de bits y número de

canales, que lo hacen adecuado para archivar grabaciones lo más parecidas a la voz original.

Se elige este tipo de archivo sobre archivos con compresión debido a que estos últimos eliminan

señales de audio que son esencialmente inaudibles y comprimen aproximadamente una décima parte del

𝑥(𝑛)

𝑡(seg) 𝑇𝑠

Figura 2. 6 Cuantización y muestreo de una señal

Capítulo II

47

tamaño de un archivo PCM, a causa de esto se va manteniendo una buena calidad de audio, pero no la señal

original.

2.3.3 Preprocesamiento

El preprocesamiento estriba en la manipulación de la señal para que ésta sea más fácil de analizar y

consta de tres etapas: atenuación del ruido, preénfasis y segmentación.

En la primera, se debe aplicar cualquier técnica para la eliminación de señales indeseables, como ruido

de fondo.

La segunda etapa radica en suavizar el espectro y dar acentuación a las frecuencias altas mediante un

filtro.

Finalmente, en la tercera etapa los segmentos generados son guardados en formato de columna de

matriz y son agrupados en varias tramas para el posterior procesamiento de la señal.

2.3.3.1 Filtrado de la señal de voz

El ruido es ubicuo en la mayoría de los entornos acústicos [20]. En una señal de voz capturada por un

micrófono, generalmente se adhiere ruido originado de diversas fuentes, esta afectación puede modificar

las características de las señales de voz y deteriorar su calidad provocando la inteligibilidad del habla.

Para aplicaciones de voz, la detección y reducción se formula como un problema de filtrado digital,

donde la estimación de habla limpia se consigue a través de la aplicación de filtros lineales que reducen

significativamente los efectos del ruido sin distorsionar la voz del hablante. Sin ello se tendrían datos

perjudiciales. Por lo que es preciso, implementar tres tipos de filtros digitales: promedio móvil, pasa banda

y preénfasis como se muestra en el diagrama de la Figura 2.7.

Figura 2. 7 Diagrama a bloques del filtrado en la etapa de preprocesamiento.

2.3.3.2 Filtro de promedio móvil

Este filtro se emplea para promediar los valores de forma local [20], esto significa que las componentes

de la entrada de mayor frecuencia son promediadas mientras que las componentes de menor frecuencia son

mantenidas. En síntesis, la señal original se suaviza o filtra.

Es comúnmente utilizado en el procesamiento digital de señales, primordialmente por su simplicidad

para la reducción de ruido aleatorio en el dominio del tiempo.

Se especifica como un filtro pasa bajas de respuesta finita al impulso (FIR), que funciona tomando 𝑀

muestras de entrada a la vez y calcula el promedio de esas 𝑀 muestras produciendo un único punto de

Filtro

Promedio Móvil

𝑦3(𝑛) Filtro

Pasa banda

Filtro

Preénfasis

𝑥(𝑛) 𝑦1(𝑛) 𝑦2(𝑛)

Señal Filtrada

Capítulo II

48

salida. Debido a que, el promedio móvil es local funciona bien al promediar pocas muestras y para cada

aplicación se obtiene un valor adecuado.

En seguida se define el filtro de promedio móvil [21] en la ecuación (2.6).

𝑦1(𝑛) =1

𝑀∑ 𝑥(𝑛 − 𝑘)

𝑀−1

𝑘=0

(2.6)

donde:

𝑦1(𝑛): es la salida del filtro.

𝑥(𝑛): es la señal de voz a filtrar.

𝑛: representa el índice de la muestra.

𝑀: es el número de muestras que se promedian.

A causa de los cálculos implicados, el filtro introduce una cantidad definida de retardo y pese a ser un

filtro paso bajo tiene una mala respuesta en el dominio de la frecuencia.

2.3.3.3 Filtro pasa banda

El filtro pasa banda es aquel que está delimitado por un rango de frecuencias de corte, una inferior y

otra superior, por consiguiente, atenúa los componentes de frecuencia que sobrepasen ambos límites; las

frecuencias que permanecen pasan sin distorsión.

En la Figura 2.8, es posible observar un filtro pasa banda y los principales parámetros a tomar en cuenta

para su diseño, las frecuencias normalizadas 𝑓𝑝1 y 𝑓𝑝2 definen el intervalo de la banda de paso, 𝑓𝑠1 y 𝑓𝑠2

establecen el inicio de la primera y segunda banda de transición respectivamente. El valor 𝐴𝑝 es la

ondulación permitida en la banda de paso en decibeles. Mientras que 𝐴𝑠1 y 𝐴𝑠2 corresponden a la atenuación

en decibeles establecida para las bandas de rechazo.

Figura 2. 8 Esquema filtro pasa banda ideal.

La función principal de este filtro es mantener únicamente las frecuencias de las señales asociadas a la

voz humana, por lo que se define la banda de paso como el intervalo que inicia en 𝑓𝑝1 = 300 Hz y termina

en 𝑓𝑝2 = 3400 Hz con un margen de 300 Hz para las bandas de transición.

𝑓𝑝 1 𝑓𝑝 2 𝑓𝑠 2 𝑓𝑠 1

𝐴𝑝

𝐴𝑠1 𝐴𝑠2

0

0

𝑓𝑠

2

𝑓 (𝐻𝑧)

Mag

(𝑑

𝐵)

Banda de paso

Banda de rechazo Banda de rechazo

Capítulo II

49

Este tipo de filtro FIR se basa en obtener una salida, a partir exclusivamente de las entradas actuales y

anteriores de 𝑥(𝑛). Es entonces que para un filtro de longitud 𝑁 se utiliza la ecuación (2.7).

𝑦2(𝑛) = ∑ 𝑏𝑘 ∙ 𝑥(𝑛 − 𝑘)

𝑁−1

𝑘=0

(2.7)

donde:


𝑏𝑘: son los coeficientes del filtro pasa banda calculados a partir de la definición de la bandas de paso,

transición y rechazo del filtro.

𝑥(𝑛): es la señal a filtrar.


2.3.3.4 Preénfasis

Para hacer una señal 𝑥(𝑛) menos sensible a los efectos de precisión finita en los procesamientos

posteriores a este, es necesario realizar un proceso de preénfasis [12] a esta señal, el cual suaviza su espectro

compensando los valores de altas y bajas frecuencias, mediante un filtro denominado filtro de preénfasis

que se define en el domino del tiempo por la ecuación (2.8).

𝑦3(𝑛) = 𝑥(𝑛) − 𝑎 ∙ 𝑥(𝑛 − 1) (2.8)

donde:


𝑥(𝑛): es la señal de voz a filtrar.


𝑎: es una constante en el rango de 0.9 a 1.

De esta forma, el valor de la señal 𝑦3(𝑛), se calcula restando a la muestra en el instante 𝑛 actual, el

resultado de la multiplicación entre una constante 𝑎 y el valor de la muestra en el instante anterior 𝑛 − 1.

Finalmente, este filtro, conseguirá que el espectro de la señal tenga un rango dinámico similar en toda

la banda de frecuencias.

2.3.3.5 Segmentación

Este proceso es de suma importancia debido a que la señal de voz no es estacionaria, a causa de que sus

características cambian para reflejar los diferentes sonidos que se producen al hablar. Por este motivo es

necesario un método que permita obtener segmentos cortos cuasi estacionarios, por consiguiente se divide

la secuencia larga de voz que se tiene en segmentos de 5 a 100 ms [22], ya que en este lapso de tiempo sus

características se pueden considerar estacionarias.

Dentro de la segmentación es necesario aplicar algunas técnicas de ventaneo como se explica en la

sección posterior.

Capítulo II

50

2.3.3.6 Ventaneo

Una vez que se realiza el proceso de segmentación a una señal de voz, el procesamiento siguiente se

denomina ventaneo. La tarea primordial de este proceso es otorgar una ventana individual a cada segmento

[23] para reducir las discontinuidades existentes al inicio y fin de cada uno. Esto se realiza multiplicando

cada segmento por una función limitada en tiempo para que su valor fuera de este intervalo sea nulo, como

se expresa en la ecuación (2.9).

𝑦𝑠(𝑛) = 𝑥(𝑛) ∙ 𝑤(𝑛) 0 ≤ 𝑛 ≤ 𝑁 − 1 (2.9)

donde:

𝑦𝑠(𝑛): es una señal de longitud finita resultado de la segmentación y ventaneo.

𝑥(𝑛): es la señal original.

𝑤(𝑛): representa una secuencia de ventana en tiempo.


N: es la longitud de la ventana.

Acorde con lo anterior, el ventaneo agrupa las muestras de la señal en bloques de elementos, y las multiplica por

una ventana 𝑤(𝑛) en el dominio del tiempo; aunque este procesamiento puede ocasionar una distorsión en los

extremos de la señal, denominada fenómeno de Gibbs.

Asimismo, para conservar la fidelidad de la información de la señal [12], el ventaneo se lleva a cabo con bloques

de muestras solapados entre sí que generan información redundante y, por consecuencia, existe una correlación entre

los datos de bloques contiguos. Siempre que el solapamiento sea notable, se obtiene una extensa cantidad de bloques,

y la variación de los parámetros extraídos de un bloque al adyacente es pequeña. Pese a esto el solapamiento garantiza

la correlación entre ventanas adyacentes y disminuye la varianza espectral entre ellos.

A continuación en la Tabla 2.7, se enlistan las funciones 𝑤(𝑛) de las ventanas más empleadas [23] para 𝑁

muestras.

Tabla 2.7: Ecuaciones de las ventanas más utilizadas para el ventaneo

Ventana Ecuación

Rectangular 𝑤(𝑛) = { 1 0

0 ≤ 𝑛 ≤ 𝑁 − 1

𝑑𝑒 𝑜𝑡𝑟𝑜 𝑚𝑜𝑑𝑜

Triangular 𝑤(𝑛) = {2𝑛/(𝑁 − 1)

2 − 2𝑛/(𝑁 − 1) 0

0 ≤ 𝑛 < (𝑁 − 1)/2

(𝑁 − 1)/2 ≤ 𝑛 ≤ 𝑁 − 1


Hanning 𝑤(𝑛) = {0.5 − 0.5 cos (2𝜋𝑛

𝑁 − 1)

0

0 ≤ 𝑛 ≤ 𝑁 − 1


Hamming 𝑤(𝑛) = {0.54 − 0.46 cos (2𝜋𝑛

𝑁 − 1)

0

0 ≤ 𝑛 ≤ 𝑁 − 1


Blackman 𝑤(𝑛) = {0.42 − 0.5 cos (2𝜋𝑛

𝑁 − 1) + 0.08 cos (

2𝜋𝑛

𝑁 − 1)

0

0 ≤ 𝑛 ≤ 𝑁 − 1


Se pueden observar en la Tabla 2.8, las propiedades principales de cada ventana tales como el ancho

del lóbulo principal y el nivel del lóbulo lateral.

Tabla 2. 8 Características principales de cada ventana

Capítulo II

51

Ventana -3 dB Ancho aproximado del

lóbulo principal

Nivel máximo del lóbulo

lateral (dB)

Rectangular 0.02148 -13.3

Triangular 0.02929 -26.5

Hanning 0.03320 -31.5

Hamming 0.03125 -42.5

Blackman 0.04101 -58.1

El centro del lóbulo principal de una ventana se produce en cada componente de frecuencia de la señal

en el dominio del tiempo. El ancho de este lóbulo se obtiene al evaluar el ancho a -3 dB y -6 dB por debajo

del pico del mismo.

A medida que el lóbulo principal se estrecha y la resolución espectral mejora, la energía de la ventana

se extiende hacia sus lóbulos laterales, aumentando las fugas espectrales y disminuyendo la precisión de la

amplitud.

2.3.3.7 Detección de inicio y fin de palabra

Es de particular importancia localizar la región del habla a reconocer, por ejemplo, detectar el inicio y

fin de una palabra [22]. Lo que favorece a los sistemas de reconocimiento, al reducir el número de

información a procesar porque solamente se localizan eventos acústicos significativos y además se evitan

confusiones a causa del ruido o señales de fondo.

En contraste, durante esta detección se presentan algunas dificultades como la confusión de inicio o

fin por fonemas fricativos y nasales puesto que tienen una baja energía, silencios contenidos dentro de

palabras con fonemas plosivos así como letras que se distinguen por tener un sonido corto como /t/, /p/, /k/.

Por su parte la señal puede ser confundida con los niveles de ruido, la duración de la respiración del

locutor y la resonancia existente en los micrófonos cuando se pronuncia la palabra.

En definitiva, lo ya mencionado puede provocar la detección de un falso principio o fin de palabra. En

entornos favorables con una relación señal a ruido alta, la energía de fondo es menor que la energía de los

sonidos del habla con bajo nivel, de modo que la detección se puede realizar con la medida de energía. Sin

embargo, esta no es una condición práctica para aplicaciones reales. Por lo tanto, no son suficientes para

separar las fricativas débiles del silencio de fondo, es entonces que aparte de la energía se debe tomar en

cuenta la tasa de cruces por cero.

En consideración a estos inconvenientes, se estudia el algoritmo Rabiner-Sambur [24] de detección y

fin de palabra que se enfoca en las características de los sonidos.

2.3.3.8 Rabiner-Sambur

Con referencia a lo anterior, este algoritmo se basa en las características de dos tipos de sonidos:

sonoros y sordos, los primeros tienen un alto contenido de energía y ocupan las frecuencias bajas del

espectro de la voz humana, por el contrario, los segundos ocupan las frecuencias superiores de este espectro

y poseen un bajo contenido de energía. Al mismo tiempo Rabiner-Sambur, detecta el inicio y fin de una

Capítulo II

52

palabra adaptándose al entorno acústico de fondo, de donde obtiene los umbrales relevantes para sus

criterios de decisión de acuerdo a un intervalo registrado.

Siguiendo este algoritmo de detección, es necesario realizar los siguientes pasos:

1. Por cada trama de 10 ms y N muestras de voz, se calcula su magnitud promedio 𝑀�̂� y su tasa de

cruces por cero 𝑍�̂�. Funciones que se definen a continuación:

𝑀�̂� = ∑ |𝑥(𝑚) ∙ 𝑤(𝑛 − 𝑚)|

𝑁

𝑚=1

(2.10)

donde:

𝑀�̂�: es la magnitud promedio de la señal.

𝑥(𝑚): representa un segmento de la señal de voz filtrada.

𝑤(𝑛): es una ventana.

𝑚: representa el índice de la muestra.

𝑛: representa el índice de la ventana.

𝑁: es el número de muestras en cada segmento de 10 ms de la señal.

En otras palabras la ecuación (2.10) define 𝑀�̂� como el promedio de la amplitud de todas las muestras

en un segmento, una vez que fueron multiplicadas por una ventana.

La tasa de cruces por cero se define como el promedio ponderado del número de veces que la señal de

voz cambia dentro de la ventana de tiempo.

𝑍�̂� = ∑ |𝑠𝑔𝑛[𝑥(𝑚)] − 𝑠𝑔𝑛[𝑥(𝑚 − 1)]| ∙ 𝑤(𝑛 − 𝑚)

𝑁

𝑚=1

(2.11)

donde: 𝑠𝑔𝑛(𝑥) = { 1 𝑥 ≥ 0 −1 𝑥 < 0

𝑍�̂�: es la tasa de cruces por cero de cada segmento de la señal.

𝑥(𝑚): representa un segmento de la señal de voz filtrada.

𝑤(𝑛): es una ventana.

𝑁: es el número de muestras en cada segmento de 10 ms de la señal.

La expresión (2.11) indica que |𝑠𝑔𝑛[𝑥(𝑚)] − 𝑠𝑔𝑛[𝑥(𝑚 − 1)]| es igual a 1, si 𝑥(𝑚) y 𝑥(𝑚 − 1)

tienen diferentes signos algebraicos y 0 si tienen el mismo signo. Es entonces que 𝑍𝑛 es una suma ponderada

de todas las instancias de signo alternante.

2. Posteriormente, a partir de 𝑀�̂� se define el umbral superior de magnitud como:

𝑈𝑚𝑏𝑟𝑎𝑙𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟𝑀𝑎𝑔𝑛𝑖𝑡𝑢𝑑 = 0.5 ∙ 𝑚𝑎𝑥�̂�{𝑀�̂�} (2.12)

donde:

𝑚𝑎𝑥�̂� : es el valor máximo de la magnitud promedio 𝑀�̂�.

3. Si se asume que los primeros 10 segmentos equivalentes a un intervalo de 100 ms [24] no contienen

voz, se procede a calcular el umbral de cruces por cero y el inferior de magnitud puesto que son los

Capítulo II

53

que caracterizan el ruido, empleando la media de la magnitud y de los cruces por cero del ruido

junto con su desviación estándar.

𝑈𝑚𝑏𝑟𝑎𝑙𝐼𝑛𝑓𝑒𝑟𝑖𝑜𝑟𝑀𝑎𝑔𝑛𝑖𝑡𝑢𝑑 = 𝜇𝑀�̂� + 2 ∙ 𝜎𝑀�̂� (2.13)

donde:

𝜇𝑀�̂�: es la media de la magnitud del ruido, es decir, de los primeros 10 segmentos de la señal.

𝜎𝑀�̂� es la desviación estándar de la magnitud del ruido.

Para el cálculo del umbral de cruces por cero se utiliza la siguiente expresión,

𝑈𝑚𝑏𝑟𝑎𝑙𝐶𝑟𝑢𝑐𝑒𝑠𝐶𝑒𝑟𝑜 = 𝜇𝑍�̂� + 2 ∙ 𝜎𝑍�̂� (2.14)

donde:

𝜇𝑍�̂�: es la media de los cruces por cero del ruido.

𝜎𝑍�̂� es la desviación estándar de los cruces por cero del ruido.

Para el inicio de la palabra (N1):

4. Enseguida, se busca la trama donde se rebasa, por primera vez, el umbral superior de energía.

Debido a que se asegura la existencia de voz en la trama.

5. A partir de la trama localizada en 4 se procede a buscar en dirección al inicio de la grabación hasta

un punto N1 donde la magnitud promedio quede por debajo del umbral inferior de energía.

6. El siguiente paso consiste en realizar la comparación entre las tasas de cruces por cero de las tramas

y el umbral de cruces por cero. Esto se realiza solamente para las tramas que preceden a N1, de ahí

que pueden ocurrir tres situaciones:

a. Si la tasa de cruces por cero no excede el umbral, el inicio de la palabra se escoge en el

primer punto N1.

b. Si la tasa de cruces por cero excede el umbral menos de 3 veces seguidas, quiere decir que

solo se trata de una espiga de ruido y que el punto de inicio de la palabra sigue siendo N1.

c. Si la tasa de cruces por cero excede el umbral tres o más veces seguidas, N1 es recorrido

hasta el punto donde el umbral fue sobrepasado por vez primera, siendo este el nuevo inicio

de la palabra.

Para el fin de la palabra (N2):

4. Enseguida, se busca la trama donde se rebasa, por última vez, el umbral superior de energía. Debido

a que se asegura la existencia de voz en la trama.

5. A partir de la trama localizada en 4 se procede a buscar en dirección al fin de la grabación hasta un

punto N2 donde la magnitud promedio quede por debajo del umbral inferior de energía. 6. El siguiente paso consiste en realizar la comparación entre las tasas de cruces por cero de las tramas

y el umbral de cruces por cero. Esto se realiza solamente para las tramas que están después de N2,

de ahí que pueden ocurrir tres situaciones: a. Si la tasa de cruces por cero no excede el umbral, el fin de la palabra se escoge en el primer

punto N2.

Capítulo II

54

b. Si la tasa de cruces por cero excede el umbral menos de 3 veces seguidas, quiere decir que

solo se trata de una espiga de ruido y que el final de la palabra sigue siendo N2.

c. Si la tasa de cruces por cero excede el umbral tres o más veces seguidas, N2 es recorrido

hasta el punto donde el umbral fue sobrepasado por vez primera, siendo este el nuevo final

de la palabra.

2.3.3.9 Normalización

La finalidad de esta etapa es mejorar el preprocesamiento ajustando cada señal a los mismos niveles

de amplitud, ya que en la etapa de captura de la voz la intensidad de las muestras varía según el locutor.

Conjuntamente la normalización minimiza la variabilidad ocasionada por el ruido.

Este paso se considera importante ya que permite disminuir la discrepancia entre las amplitudes de los

datos y con ello facilita el siguiente proceso del reconocimiento.

2.3.4 Procesamiento

El objetivo principal de esta etapa es seleccionar las características más representativas de la señal y

es de suma importancia dentro del reconocimiento de voz porque es donde se obtiene el conjunto de

elementos que describen el patrón de la palabra a reconocer.

2.3.4.1 Extracción de características

Teniendo en cuenta la variabilidad de la voz, es necesario extraer sus características más

representativas, es decir, llevar a cabo la eliminación de señales que no son elementales puesto que los

coeficientes extraídos que la caracterizan sólo deben preservar la información necesaria y desechar la

producida por fluctuaciones ajenas a ésta.

Al representar la señal de voz en intervalos cortos, los parámetros pueden extraerse mediante técnicas

de tratamiento de la señal, en el dominio del tiempo, o bien en un dominio transformado.

2.3.4.2 Codificación de Predicción Lineal (LPC)

Existe una gran variedad de algoritmos que proporcionan rasgos extraídos de la señal de voz, que

representan sus características no estacionarias y en conjunto describen las propiedades acústicas que

conforman las unidades del habla.

En relación con las técnicas de extracción que se encuentran en la literatura, este trabajo se centra

principalmente en la Codificación de Predicción Lineal (LPC).

Esta es una de las técnicas más empleadas para el análisis de la voz que es útil para codificar su calidad

a una velocidad de bits baja. Es un modelo analíticamente manejable y por consiguiente matemáticamente

es un método preciso y sencillo.

Su objetivo es representar la envolvente espectral de una señal de voz en una forma comprimida,

empleando un modelo lineal que tiene aproximaciones precisas a los parámetros de voz necesarios y se

cumple cuando las regiones vocales están en estado cuasi estacionario, de igual modo permite agrupar un

conjunto de coeficientes para cada segmento.

La predicción de la muestra actual [25] como una combinación lineal de muestras 𝑝 pasadas, forma la

base del análisis de predicción lineal donde 𝑝 es el orden de la predicción. La muestra predicha ŝ(𝑛) se

puede representar como sigue,

Capítulo II

55

ŝ(𝑛) = − ∑ 𝑎𝑘 ∙ 𝑠(𝑛 − 𝑘)

𝑝

𝑘=1

(2.15)

donde:

𝑎𝑘: coeficientes de predicción lineal.

𝑠(𝑛): secuencia del habla multiplicada por una ventana.

𝑝: orden de la predicción.

El parámetro 𝑠(𝑛) se obtuvo al multiplicar un segmento de la señal de voz con una ventana de

Hamming, el cual se describe como,

𝑠(𝑛) = 𝑥(𝑛) ∙ 𝑤(𝑛) (2.16)

donde:

𝑤(𝑛): ventana de Hamming.

𝑥(𝑛): segmento de la señal.

El error de predicción 𝑒(𝑛) se puede calcular por la diferencia entre la muestra real 𝑠(𝑛) y la muestra

predicha ŝ(𝑛), cuya expresión es,

𝑒(𝑛) = 𝑠(𝑛) − ŝ(𝑛) = 𝑠(𝑛) + ∑ 𝑎𝑘 ∙ 𝑠(𝑛 − 𝑘)

𝑝

𝑘=1

(2.17)

Para calcular los coeficientes de predicción lineal que minimizan el error de predicción 𝑒(𝑛), el

método popular es la correlación automática de mínimos cuadrados. Esto se consigue minimizando el error

de predicción total, que se puede representar como sigue,

𝐸 = ∑ 𝑒2(𝑛)

∞

𝑛=−∞

(2.18)

Esto se puede expandir usando la ecuación (2.17) como sigue,

𝐸 = ∑ [𝑠(𝑛) + ∑ 𝑎𝑘 ∙ 𝑠(𝑛 − 𝑘)

𝑝

𝑘=1

]²

∞

𝑛=−∞

(2.19)

Los valores de 𝑘′𝑠 que minimizan el error de predicción total 𝐸 se pueden calcular encontrando

𝜕𝐸

𝜕𝑎𝑘 (2.20)

Y posteriormente igualando a cero, para 𝑘 = 0, 1,2, . . . 𝑝.

𝜕𝐸

𝜕𝑎𝑘= 0 (2.21)

Capítulo II

56

Para cada 𝑎𝑘 se forman 𝑝 ecuaciones lineales con 𝑝 incógnitas; solución de la cual se obtienen los

coeficientes de predicción lineal. Esto se puede representar como sigue,

𝜕𝐸

𝜕𝑎𝑘=

𝜕

𝜕𝑎𝑘. ∑ [𝑠(𝑛) + ∑ 𝑎𝑘 ∙ 𝑠(𝑛 − 𝑘)

𝑝

𝑘=1

]²

∞

𝑛=−∞

(2.22)

La expresión diferenciada puede escribirse como,

∑ 𝑠(𝑛 − 𝑖). 𝑠(𝑛) = ∑ 𝑎𝑘

𝑝

𝑘=1

+ ∑ 𝑠(𝑛 − 𝑖) ∙ 𝑠(𝑛 − 𝑘)

∞

𝑛=−∞

∞

𝑛=−∞

(2.23)

donde:

𝑖 = 1, 2, 3 . . . 𝑝.

La ecuación 26 se puede escribir en términos de la secuencia de autocorrelación 𝑅 (𝑖) como sigue,

∑ 𝑎𝑘 ∙ 𝑅(𝑖 − 𝑘) = 𝑅(𝑖)

𝑝

𝑘=1

(2.24)

para:

𝑖 = 1,2,3 . . . 𝑝.

Cuando la secuencia de autocorrelación utilizada en la ecuación (2.24) se puede escribir como sigue,

𝑅(𝑖) = ∑ 𝑠(𝑛) ∙ 𝑠(𝑛 − 𝑖)

𝑁−1

𝑛=𝑖

(2.25)

para:

𝑖: 1,2,3 . . . 𝑝

𝑁: es la longitud de la secuencia

Esto puede representarse en forma de matriz:

𝑅 ∙ 𝐴 = −𝑟 (2.26)

donde:

𝑅: matriz simétrica 𝑝x𝑝 de los elementos 𝑅(𝑖, 𝑘) = 𝑅(|𝑖𝑘|), 1 <= 𝑖, 𝑘 <= 𝑝.

𝑟: vector columna con 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 [𝑅(1), 𝑅(2), … , 𝑅(𝑃)]

𝐴: vector columna de los coeficientes LPC [𝑎(1), 𝑎(2), … , 𝑎(𝑝)]

Se puede demostrar que R es una matriz de Toeplitz que puede ser representada como:

𝑅 = [

𝑅(1) 𝑅(2), … , 𝑅(𝑃)

𝑅(2) 𝑅(1) 𝑅(𝑃 − 1)𝑅(𝑃) 𝑅(𝑃 − 1) 𝑅(1)

] (2.27)

Los coeficientes de predicción lineal se pueden calcular:

𝐴 = −𝑅−1 ∙ 𝑟 (2.28)

Capítulo II

57

donde:

𝑅−1: es la inversa de la matriz 𝑅.

2.3.5 Reconocimiento de patrones

A lo largo del presente capítulo se han descrito los módulos que integran a un sistema de

reconocimiento de voz, iniciando con la captura de la señal, preprocesamiento, procesamiento y por último

el reconocimiento. En esta sección se explicará el método a utilizar para el desarrollo del módulo final.

El método de reconocimiento basado en comparación de patrones [22], es un procedimiento en el que

algoritmos de entrenamiento establecen representaciones consistentes de los patrones a partir de un

conjunto de características cuantitativas que describen a un objeto o entidad. Su finalidad es encontrar una

regla de decisión automática que asigne al objeto a una categoría específica.

En relación con los patrones propios del habla, éstos se representan directamente por una secuencia

temporal de vectores con atributos obtenidos de un análisis de predicción lineal, como se muestra en 2.3.4.2,

estos atributos son usados para clasificar los sonidos por palabras o subunidades de palabras específicas.

Las fases esenciales que describen este enfoque son entrenamiento, aprendizaje y clasificación, las

cuales se muestran en el diagrama a bloques de la Figura 2.9.

En la etapa inicial se construye un modelo que representa la distribución de los objetos en clases a

través de diversas reglas, en otras palabras, en esta fase se crea un modelo que permita obtener patrones de

referencia de cada palabra que se quiere reconocer. Las reglas a utilizar dependerán de cada modelo y se

definen mediante algoritmos de aprendizaje supervisado o no supervisado, por ejemplo, fronteras de

decisión, rectas de planos de división o relaciones de conectividad de grafos.

Posteriormente, una vez que se crea un modelo de clasificación éste puede ser mejorado en la fase de

aprendizaje, que consiste en optimizar el desempeño de la clasificación basándose en resultados previos,

para ello se realiza una rotación del conjunto de datos y el comportamiento del sistema cambia según los

resultados observados con el fin de otorgar una clasificación eficiente.

La última etapa como su nombre lo indica realiza la clasificación de nuevos objetos, mediante la

comparación del vector característico perteneciente a la nueva muestra de entrada y todos los posibles

patrones aprendidos en las fases anteriores. En consecuencia, es necesario definir una medida de similitud

o distancia que determine cuál es el patrón de referencia que mejor se ajusta a la muestra a reconocer.

En este método se deben tomar en cuenta ciertas consideraciones iniciales como la eliminación de

señales de fondo, la normalización de los datos, así como la reducción de la dimensionalidad de las

características representativas de cada patrón, ya que estos aspectos convergen en el desempeño de un

clasificador.

Figura 2.9: Diagrama a bloques de las etapas del módulo de reconocimiento de patrones

Clasificación Conjunto de

entrenamiento

∙ Adquisición

∙ Preprocesamiento

∙ Procesamiento

∙ Medidas de

similitud o distancia

Predicción

Aprendizaje del

modelo

Construcción del

modelo

∙ Aprendizaje supervisado

∙ Aprendizaje no supervisado

Capítulo II

58

2.3.5.1 Aprendizaje automático

El aprendizaje automático o «machine learning» [26] es una rama de la inteligencia artificial que

fundamentalmente enseña a una computadora a hacer interpretaciones precisas a partir de datos de ejemplo,

sin ser programada explícitamente. Este proceso emplea métodos que pueden detectar patrones de un objeto

automáticamente y luego utilizarlos para predecir datos futuros o para tomar decisiones bajo incertidumbre.

Se genera conocimiento en una máquina mediante la manipulación y entrenamiento de grandes

cantidades de datos y con ello se evita el trabajo manual para la derivación de reglas y modelos. Los

algoritmos empleados en este ámbito pueden clasificarse de acuerdo al método de aprendizaje al que

pertenecen: supervisado, no supervisado o reforzado.

2.3.5.2 Supervisado

El término supervisado [27] se refiere al tipo de aprendizaje donde se conocen las clases del conjunto

de datos de entrenamiento, su principal objetivo es aprender un modelo construido a partir de datos

etiquetados que permitan hacer predicciones sobre datos no vistos. Además, se busca que el mapeo del

espacio de características al espacio de clases se produzca con el mínimo error.

En la Figura 2.10, se muestra un diagrama a bloques de aprendizaje supervisado en donde se etiquetan

los datos de entrenamiento del sistema y posteriormente se aplica un algoritmo de este tipo de aprendizaje

para desarrollar un modelo predictivo, con el cual un dato de entrada será clasificado.

Figura 2.10: Diagrama a bloques del aprendizaje supervisado [27]

2.3.5.3 Algoritmo 𝒌-NN

Este algoritmo de aprendizaje supervisado [26] nombrado 𝑘-vecinos más cercanos, del inglés 𝑘-

Nearest Neighbors, es en realidad un clasificador paramétrico basado en instancias, esto quiere decir que

no asume una forma específica sobre la distribución de clases en el espacio de características; lo que hace

es aprender de la distribución de clases de datos. Todos los cálculos realizados en este algoritmo se efectúan

hasta la etapa de clasificación de un sistema de reconocimiento.

La serie de pasos que describen este algoritmo son:

Inicio:

1. Establecer el valor de 𝑘.

Conjunto de

entrenamiento

Etiquetas

Algoritmo de

aprendizaje

automático

Dato nuevo Modelo predictivo Predicción

Capítulo II

59

Para cada elemento nuevo a clasificar representado con un vector 𝑥 = (𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑖):

2. Se calculan con una medida de distancia las 𝑘 muestras más cercanas a 𝑥, independientemente de

su clase.

3. Entre los 𝑘 vecinos seleccionados, se cuentan los elementos que pertenecen a cada clase.

4. Se asigna 𝑥 a la clase más común entre vecinos.

2.3.5.4 No supervisado

En el aprendizaje sin supervisión [26] se tratan datos sin etiqueta o datos de estructura desconocida.

Usando técnicas de aprendizaje no supervisado, es posible explorar la estructura de los datos para extraer

información significativa sin la guía de una variable de resultado conocida. En este tipo de aprendizaje no

se realizan asignaciones a clases, sólo se llevan a cabo agrupaciones que consideran una diferencia mínima

intra-grupo y una diferencia máxima extra-grupo. Así mismo, algunos algoritmos de agrupamiento o

«clustering» permiten definir el número de grupos «clusters» en los que serán distribuidos los datos.

En la Figura 2.12, se muestra la estructura de este tipo de aprendizaje, en donde los datos son agrupados

de acuerdo a información característica.

Figura 2.11: Diagrama a bloques del aprendizaje no supervisado [27]

Los algoritmos de agrupación se precisan de acuerdo al tipo de datos a clasificar, el criterio de

agrupación que define la similitud entre las características de los datos, así como los conceptos

fundamentales en los que se basan las técnicas de análisis. Por lo anterior, según el método elegido, los

tipos de algoritmos se establecen como: algoritmos de partición en donde se puntualiza el número de

clústers en el que debe ser dividido el conjunto de datos, algoritmos jerárquicos son aquellos que distribuyen

los datos por niveles dando como resultado un árbol de clúster, y algoritmos basados en densidad los cuales

fragmentan un espacio de datos con base en la distribución de densidad de los puntos.

2.3.5.5 Algoritmo 𝒌-Means

𝑘-Means es un algoritmo de partición [28], donde los datos de entrada se clasifican en un número 𝑘 de

clases definidas. Su objetivo es encontrar 𝑘-centroides, uno para cada clase. Inicialmente se toma cada

conjunto de datos y se sitúa en la clase de su centroide más cercano, posteriormente se recalcula el centroide

Conjunto de

entrenamiento

Algoritmo de

aprendizaje

automático

Dato nuevo Modelo predictivo Predicción

Capítulo II

60

de cada clase para volver a distribuir todos los objetos según el centroide más cercano. Se repite el

procedimiento hasta que los centros de cada clúster dejen de cambiar, es decir, hasta que los objetos se

asignen a la misma clase del cálculo anterior.

A continuación, se describen los pasos que componen este algoritmo:

Inicio:

1. Establecer el valor de 𝑘. 2. Elegir 𝑘 posiciones aleatorias en el espacio de entrada.

3. Asignar centroides 𝜇𝑗, a esas posiciones.

Figura 2.12: Posicionamiento aleatorio de k=3 centroides iniciales en un conjunto de datos

Aprendizaje:

Para cada punto de datos 𝑥𝑖:

1. Calcular la distancia para cada centroide definido.

2. Asignar cada dato al centro del clúster más cercano mediante el cálculo de la distancia.

𝑑𝑖 = 𝑚𝑖𝑛𝑗

𝑑(𝑥𝑖 . 𝜇𝑗) (2.29)

Figura 2.13: Se generan 𝑘-grupos al asignar cada dato al centroide más cercano

Para centro de clúster:

3. Asignar como nuevo centro de clúster a la media de los puntos en ese grupo.

𝜇𝑖 =1

𝑁𝑗∑ 𝑥𝑖

𝑁𝑗

𝑖=1

(2.30)

Donde 𝑁𝑗 es el número de puntos en el clúster 𝑗.

Capítulo II

61

Figura 2.14: Se repite el procedimiento hasta que los centros de cada clúster dejen de cambiar

Capítulo II

62

CAPÍTULO III: ANÁLISIS


Capítulo III

64

Capítulo III

65

CAPÍTULO III: ANÁLISIS

El presente capítulo muestra en la sección 3.1 una descripción general del sistema propuesto en este

proyecto para la detección oportuna de la dislexia, en la sección 3.2 se presentan los requerimientos

específicos de la propuesta y en la sección 3.3 se comentan las herramientas tecnológicas a utilizar.

. El capítulo se ha realizado siguiendo lo establecido en el estándar IEEE 830 [29] relativo a la

especificación de requerimientos para el desarrollo de software.

3.1 Descripción general del sistema

En esta sección como su nombre lo indica, se realiza una descripción general del sistema con el fin de

presentar las principales funciones que éste realiza, así como sus restricciones, supuestos y dependencias

que afectan su desarrollo.

3.1.1 Perspectiva del producto

Este sistema no depende de un sistema mayor, por lo cual es absolutamente independiente, puesto que

es un primer acercamiento a la detección de dislexia por medio del reconocimiento de voz.

3.1.2 Funcionalidad del producto

La función principal de esta herramienta es auxiliar en la detección del trastorno de dislexia en niños;

el desarrollo de esta opción consiste en capturar la voz del infante a diagnosticar, para ser procesada y

posteriormente comparada con los patrones de los diccionarios fonéticos conformados con la pronunciación

de palabras con y sin dislexia, el resultado de esta comparación permitirá que el sistema expida un

diagnóstico, el cual será validado por un especialista.

3.1.3 Características de los usuarios

El sistema cuenta con tres tipos de usuarios, un administrador quien se encarga de dirigir el

funcionamiento del mismo, un médico auxiliar que proporciona la voz del infante a diagnosticar y un

especialista en el área de tratamiento y corrección de los trastornos del lenguaje que valida el diagnóstico

emitido por el sistema. Las características de dichos usuarios se muestran en las Tablas 3.1, 3.2 y 3.3

respectivamente.

Tabla 3.1: Características del usuario administrador

Usuario Administrador

Formación Ingenieros en Telemática

Actividades Gestión y control del sistema en general

Capítulo III

66

Tabla 3.2: Características del usuario médico auxiliar

Usuario Médico auxiliar

Formación Médicos generales, profesores o psicólogos con conocimientos

del trastorno de dislexia

Actividades Capturar y subir un archivo de audio; contacto con los niños participantes.

Tabla 3.3: Características del usuario médico especialista

Usuario Médico especialista

Formación Médicos especializados en el estudio de patologías del lenguaje

Actividades Validar el diagnóstico emitido por el sistema

3.1.4 Restricciones

En este apartado se enumeran las limitaciones implantadas sobre el desarrollo del sistema.

1. El sistema procesa archivos de audio que estén en formato WAV.

2. El sistema únicamente reconocerá palabras que estén definidas en los diccionarios fonéticos

de la sección 2.1.2.

3. El sistema identifica palabras pronunciadas en el idioma español de la zona centro de México.

4. La interfaz del sistema está creada para ser usada a través de Internet.

5. El sistema está desarrollado en lenguajes y tecnologías como HTML, Java y MATLAB®.

6. Se puede acceder al sistema mediante los navegadores Google Chrome a partir de la versión

14, en Mozilla Firefox desde la versión 11 e Internet Explorer a partir de la versión 9.

3.1.5 Suposiciones y dependencias

Enseguida se plantean las suposiciones y dependencias necesarias para el funcionamiento del sistema.

1. Se supone que el infante a diagnosticar tiene la misma variación lingüística que la de las

palabras almacenadas en los diccionarios fonéticos, es decir, que es originario del centro del

país.

2. Se asume que el infante a diagnosticar posee un nivel lector de educación primaria.

3. Es necesario contar con servicio de Internet para acceder al sitio, subir un archivo de audio y

visualizar los resultados.

3.2 Requerimientos específicos del sistema

A continuación, se establecen los requerimientos necesarios para la realización del sistema, los cuales

se definen como requerimientos comunes de las interfaces, funcionales, no funcionales y otros. En esta

Capítulo III

67

etapa, así como en la de diseño se utilizan las herramientas y conceptos que provee el Lenguaje Unificado

de Modelado (UML).

3.2.1 Requerimientos comunes de las interfaces

En este apartado se describen detalladamente todas las entradas y salidas del sistema tales como las

interfaces de usuario, hardware, software y comunicación.

3.2.1.1 Interfaces de usuario

Dicha interfaz cuenta con un formulario para que cada usuario pueda registrarse y campos de texto

para iniciar sesión. Después de este paso el usuario tiene acceso al menú de navegación del sistema, el cual

le permite ingresar a las distintas pantallas que integran al mismo. Si el usuario es administrador, este tiene

permisos para validar los datos de un usuario médico auxiliar y con ello permitirle el acceso al sistema.

Este último tipo de usuario, está habilitado para realizar una prevaloración de dislexia, por lo que tiene

interfaces para dar de alta un paciente, modificar o eliminar sus datos, subir archivos de audio y visualizar

los resultados de la prueba. Por último el usuario médico especialista tiene una interfaz para validar el

resultado del sistema.

3.2.1.2 Interfaces de hardware

En la Tabla 3.4, se presentan las características mínimas del equipo de cómputo requerido en el

proyecto.

Tabla 3.4: Equipo de cómputo

Recurso Características Cantidad

Laptop 1

Procesador: Intel(R) Core(TM) i5-7200U CPU @2.50GHz 2.71 GHz

Memoria instalada (RAM): 8.00 GB

Tipo de sistema: Sistema operativo de 64 bits, procesador x64

Disco duro: 1TB

1

Laptop 2

Procesador: Intel(R) Core(TM) i5-3210M CPU @2.50GHz 2.50 GHz

Memoria instalada (RAM): 6.00 GB

Tipo de sistema: Sistema operativo de 64 bits, procesador x64

Disco duro: 500GB

1

La Tabla 3.5, presenta tres micrófonos para construir el modelo acústico del sistema, estos son

evaluados de acuerdo a la Relación Señal a Ruido (SNR) que proporcionen una vez que son conectados a

los equipos de cómputo descritos anteriormente.

Capítulo III

68

Tabla 3. 5 Características de micrófonos

Micrófonos

Identificador Micrófono 1 Micrófono 2 Micrófono 3

Marca SHURE ESTUDIO

MULTIMEDIA FUSSION

Modelo SM58 SF-666 MI-1100BK

Tipo de micrófono Dinámico Condensador Dinámico

Patrón Polar Cardiode Direccional Unidireccional

Respuesta de

frecuencia 50 a 15,000 Hz 50 a 16,000 Hz 100 a 12,500 Hz

Sensibilidad - 54dBV -55dB ± 2dB -7 dB ± 3dB

Impedancia de salida 300 Ω ≤ 2,200 Ω 600 Ω ± 30%

SNR - 39 dB -

Imagen

3.2.1.3 Interfaces de software

Se describen en la Tabla 3.6 los recursos de software necesarios para el desarrollo del sistema,

resultado del análisis realizado en la sección 3.3.

Tabla 3.6: Recursos de software

Recurso Propuesta Cantidad de licencias

individuales

Sistema Operativo Windows 10 2

Sistema Gestor de Base de Datos MySQL 5.7.x Software libre

IDE de desarrollo NetBeans IDE 8.2 Software libre

MATLAB® 2017ª 2

IDE de análisis y diseño StartUML 2.8.0 Software libre

Lenguajes de programación Java Software libre

Lenguaje de cálculo M. Software libre

Servidor de aplicaciones Apache Tomcat 8.5.x Software libre

Capítulo III

69

3.2.1.4 Interfaces de comunicación

El servidor y el cliente se comunican entre sí a través de protocolos estándares de internet como

TCP/IP. Por ejemplo, para la transferencia de archivos se utilizan protocolos FTP u otros convenientes.

Asimismo, con el fin de preservar la seguridad en el intercambio de datos, fue implementado el algoritmo

de cifrado asimétrico RSA.

3.2.2 Requerimientos funcionales

En esta sección se describen las acciones o servicios que el sistema provee, es decir, como responde a

una petición en particular. Estos requerimientos se visualizan en la Tabla 3.7.

Tabla 3.7: Requerimientos funcionales

Identificador Descripción

Sistema Web

RF1 El sistema debe permitir el ingreso a un usuario utilizando sus datos de autenticación.

Captura de la voz

RF 2

Captar la voz por medio de un micrófono y almacenarla en un archivo de audio con

formato WAV. Permitir la carga de un archivo de audio con formato WAV que cumpla

con los parámetros establecidos en 2.3.2.6.

RF 3 Enviar al servidor el archivo de audio obtenido para su procesamiento.

Preprocesamiento de la voz

RF 4 Procesar la señal de voz para la eliminación de señales indeseables causadas por

fluctuaciones propias de la voz, medio ambiente, micrófono, entre otros.

RF 5 Obtener palabras aisladas de cada archivo adquirido mediante un proceso de

segmentación.

Procesamiento de la voz

RF 6 Extraer las características que representan cada palabra obtenida en RF5.

Reconocimiento de la voz

RF 7 Definir el modelo de aprendizaje para obtener los patrones de voz que conforman los

diccionarios fonéticos de infantes con dislexia y sin dislexia.

RF 8 Comparar las muestras de la señal de entrada con los diccionarios fonéticos.

Diagnóstico

RF 9 Mostrar el resultado al especialista del diagnóstico, obtenido de forma automatizada en

RF8. El especialista deberá validar el resultado que se le presenta.

Sistema Web

RF 10 Permitir al administrador del sistema la gestión de datos, utilizando las operaciones alta,

baja, consulta y modificación.

Capítulo III

70

3.2.3 Requerimientos no funcionales

Estos requerimientos contribuyen a identificar aquellas características del sistema que no son

indispensables pero que se desean efectuar puesto que definen los alcances y restricciones del sistema.

Dichos requerimientos se clasifican como de rendimiento, seguridad, fiabilidad, disponibilidad,

mantenibilidad y portabilidad.

3.2.3.1 Requisitos de rendimiento

En la Tabla 3.8 se especifican los requisitos relacionados con el desempeño que proporciona el sistema,

con base en la carga que soporte y el tiempo de respuesta.

Tabla 3.8: Requerimiento no funcional de rendimiento


RNF 1

El tiempo de respuesta del sistema está sujeto a la duración del procesamiento de cada

uno de los algoritmos que componen sus módulos. Se elegirán los algoritmos que se

acerquen a un orden de complejidad lineal.

3.2.3.2 Seguridad

En segunda instancia en la Tabla 3.9, se muestran los requerimientos establecidos para proporcionar

seguridad al sistema.

Tabla 3.9 Requerimientos no funcionales de seguridad


RNF 2 Se da acceso a la interfaz del sistema con base en los roles establecidos para cada

usuario, previo a una autenticación del mismo.

RNF 3 Garantizar la seguridad del sistema con respecto a la información y datos que se manejan

tales como archivos y contraseñas.

RNF 4 El tiempo máximo de inactividad para la sesión de un usuario en el sistema es de 2

minutos.

3.2.3.3 Fiabilidad

De igual modo en la Tabla 3.10 se expresan los elementos que permiten una adecuada ejecución del

sistema.

Tabla 3.10: Requerimientos no funcionales de fiabilidad


RNF 5 El ambiente gráfico debe ser adecuado para la interacción entre el infante y el médico

auxiliar.

RNF 6 Las interfaces del sistema deben ser intuitivas y por tanto de fácil manejo.

Capítulo III

71

3.2.3.4 Disponibilidad

El requerimiento de la Tabla 3.11, establece el tiempo en el que el sistema debe estar activo y en

funcionamiento.

Tabla 3.11: Requerimiento no funcional de disponibilidad


RNF 7 El sistema debe ofrecer una disponibilidad continua con un nivel de servicio para los

usuarios de 7 días por 24 horas.

3.2.3.5 Mantenibilidad

Enseguida en la Tabla 3.12, se especifican los requerimientos con respecto a las medidas a seguir para

el mantenimiento del sistema.

Tabla 3.12: Requerimiento no funcional de mantenibilidad


RNF 8 El sistema debe disponer de una documentación fácilmente actualizable que permita

realizar operaciones de mantenimiento con el menor tiempo posible.

3.2.3.6 Portabilidad

Por último, en la Tabla 3.13 se mencionan los requerimientos que especifican la adaptabilidad del

sistema a diferentes entornos, sin la intervención de herramientas externas al mismo.

Tabla 3.13: Requerimiento no funcional de portabilidad


RNF 9 El sistema deberá visualizarse en Google Chrome a partir de la versión 14, en Mozilla

Firefox desde la versión 11 e Internet Explorer a partir de la versión 9.

3.2.4 Otros requerimientos

Se pueden observar en la Tabla 3.14 los requerimientos que se llegan a clasificar como legales,

políticos y culturales.

Tabla 3.14: Requerimientos legales


RL 1 Cumplir con la confidencialidad y protección de los datos de cada paciente registrado.

RL 2 Mantener un acuerdo de protección de datos para la obtención de los patrones de voz.

Capítulo III

72

3.2.5 Análisis de riesgos

A través del análisis de riesgos se detectan problemas potenciales que pudieran o no ocurrir, no

obstante, ayuda a comprender y gestionar la incertidumbre en el desarrollo del sistema. A continuación, se

puntualizan las etapas del análisis de riesgo realizado.

En la identificación de riesgos, a partir de la Tabla 3.15, se abordan los riesgos que pueden surgir

durante el desarrollo del proyecto.

a. Riesgo de proyecto (RP): Son los riesgos que afectan la planeación del proyecto y están

relacionados con presupuesto, planificación, personal y recursos.

b. Riesgo técnico (RT): Amenazan la calidad final del sistema, si estos se cumplen la implementación

puede llegar a ser difícil o imposible.

c. Riesgo de negocio (RN): Ponen en peligro la viabilidad del sistema a construir.

Tabla 3.15: Identificación de riesgos

Identificador Descripción del Riesgo Tipo de riesgo

R 1 Personas no aptas por no controlar sus nervios. Riesgo del negocio

R 2 Enfoque inadecuado de la aplicación. Riesgo del negocio

R 3 Fallo en la detección debido a variaciones lingüísticas del idioma

español de la zona centro de México. Riesgo del negocio

R 4 Afectación de la señal de voz por ruido. Riesgo técnico

R 5 Segmentación inadecuada de la señal de voz. Riesgo técnico

R 6 Algoritmos ineficaces en cada módulo del sistema. Riesgo técnico

R 7 Patrones insuficientes Riesgo técnico

R 8 Tiempo de respuesta excesivo en los módulos del sistema. Riesgo técnico

R 9 Selección de herramienta inadecuada para la manipulación de la

voz. Riesgo técnico

R 10 La curva de aprendizaje de las tecnologías impacta en el tiempo

de desarrollo del proyecto. Riesgo del proyecto

En el análisis de riesgos, su priorización, se analiza en la Tabla 3.16 de acuerdo a la siguiente escala

de probabilidad percibida por riesgo:

Baja: 0% - 33%

Media: 34% - 66%

Alta: 67% - 100%

Capítulo III

73

Tabla 3.16: Priorización del Riesgo

Identificador Priorización del Riesgo

R 1

Probabilidad: Media

Descripción: El sistema no tiene manera de controlar el estado emocional del infante a

diagnosticar.

Impacto: Serio

Pueden ocurrir más variaciones en la señal de voz capturada de las esperadas.

R 2

Probabilidad: Baja

Descripción: En la detección de dislexia sean necesarios más parámetros que la

evaluación de la lectura.

Impacto: Serio

No se realicen diagnósticos certeros debido a que la tasa de error incremente de manera

considerable.

R 3

Probabilidad: Baja

Descripción: Que las variaciones lingüísticas provean un vector de características

distinto a los patrones de voz del sistema.

Impacto: Serio

Se dificulta el diagnóstico debido a que impide la correcta clasificación de la señal de

voz capturada.

R 4

Probabilidad: Alta

Descripción: Adición de señales que se agregan por fluctuaciones propias de la voz,

medio ambiente, micrófono, etcétera.

Impacto: Tolerable

Se generan errores en la captación de la voz a causa de perturbaciones que enmascaran

la señal de voz.

R 5

Probabilidad: Media

Descripción: La división del audio en palabras, así como el algoritmo de segmentación

no sean adecuados para un sistema de reconocimiento de voz por patrones.

Impacto: Catastrófico

Vectores de características erróneos que dificulten la clasificación de palabras y por

tanto el diagnóstico de dislexia.

Capítulo III

74

Tabla 3. 17(continuación): Priorización del Riesgo

R 6

Probabilidad: Baja

Descripción: Implementación de algoritmos inadecuados en el procesamiento de la

señal de voz, extracción de características, entrenamiento del sistema y clasificación de

muestras debido a la complejidad del sistema.

Impacto: Catastrófico

El sistema no realizará el diagnóstico del trastorno debido a que presenta un mal

desarrollo en los algoritmos de cada módulo, por lo que no estaría cumpliendo con su

objetivo.

R 7

Probabilidad: Media

Descripción: Las muestras de señales de voz no permiten tener un número suficiente de

patrones de voz funcionales.

Impacto: Serio

Se dificulta el entrenamiento del sistema.

R 8

Probabilidad: Alta

Descripción: El tiempo de procesamiento sea sumamente excesivo debido a la cantidad

y tamaño de información que estaría procesando el sistema.

Impacto: Tolerante

Es posible que se detenga el sistema y al mismo tiempo sea complicado, frustrante y

estresante para los usuarios tratar con un sistema en esas condiciones; rompiendo las

expectativas del usuario.

R 9

Probabilidad: Media

Descripción: La herramienta seleccionada dificulta la programación de los algoritmos a

implementar en el sistema.

Impacto: Serio

Retraso en el desarrollo de módulos y que el sistema no se concluya a tiempo.

R 10

Probabilidad: Media

Descripción: Retraso en el avance del proyecto a causa de inexperiencia en el manejo

de la herramienta seleccionada.

Impacto: Serio

No se logra la implementación de los módulos que componen al sistema.

Por lo anterior, la planeación de riesgos se define en la Tabla 3.18, donde las estrategias para disminuir

sus consecuencias, son las siguientes.

a. Prevención: Reducción de la probabilidad del riesgo.

b. Minimización: Reducción del impacto del riesgo.

Capítulo III

75

c. Contingencia: Planificar cómo solucionar la pérdida.

Tabla 3.18: Planeación de riesgos

Identificador Prevención Minimización Contingencia

R 1

El control del

comportamiento del

paciente está a cargo del

especialista considerando

que él tiene experiencia

en el trato con infantes.

La interfaz del sistema deberá

estar diseñada adecuadamente

para facilitar la interacción

entre el infante y el

especialista.

Quedará a consideración

del especialista quien

posee conocimientos y

experiencia conductual.

R 2

Evaluar aspectos de

factibilidad en el sistema

a desarrollar.

Validar otros parámetros

dentro de la aplicación, que se

deban tomar en cuenta para

un mejor diagnóstico de

dislexia.

Delimitar el rendimiento

del sistema con respecto

a la detección de voz.

R 3

Obtener muestras y

realizar pruebas sólo con

infantes que su variación

lingüística corresponda a

la de la Ciudad de

México.

Validar patrones de personas

con diferentes acentos del

idioma.

Tener diccionarios

fonéticos clasificados

por zonas geográficas,

sean éstas Norte, Centro

y Sur.

R 4

Elegir un entorno

adecuado (ambiente

silencioso) para la

realización de las pruebas.

El procesamiento que será

aplicado a la señal de voz

deberá reducir el ruido.

Además el sistema debe ser

probado con grandes

alteraciones de ruido esto con

el fin de que sea capaz de

reducirlo.

En el caso de las

muestras para patrones

repetir la captación hasta

tener una señal

adecuada.

.

R 5

Profundizar en la

investigación para

segmentación de las

señales de voz, dentro del

reconocimiento de la

misma.

Realizar distintas pruebas del

algoritmo de segmentación de

voz planteado.

Realizar una adecuación

del rango de

segmentación.

R 6

Realizar un estudio

amplio de cada módulo

para que antes de

implementar un algoritmo

este tenga un respaldo

teórico.

Implementar distintos

algoritmos para cada módulo

con el fin de seleccionar el

que sea capaz de entregar los

resultados esperados.

Buscar o crear nuevos

algoritmos que

proporcionen mejores

resultados en cada

módulo.

Capítulo III

76

Tabla 3. 19(continuación): Planeación de riesgos

R 7 Contactar a un grupo

extenso de infantes.

Tomar como mínimo quince

ejemplares de un infante para

cada palabra pertenecientes al

diccionario fonético.

Formar una agenda de

contactos con escuelas

primarias y centros

especializados del habla,

para no desabastecer

nuestro diccionario

fonético.

R 8

Contar con el equipo

adecuado que soporte la

dimensión del sistema y

los algoritmos utilizados.

Buscar estrategias para

eficientar el procesamiento de

cada módulo del sistema.

Utilizar un servidor con

mayor capacidad pese a

que se incremente el

costo del sistema o

considerar la

fragmentación del

mismo.

R 9

Realizar pruebas de

factibilidad de cada

herramienta y seleccionar

aquella en la que la

implementación de los

algoritmos sea eficiente.

Definir correctamente el

sistema para emigrarlo a

cualquier lenguaje de

programación o herramienta.

Replantear módulos y

algoritmos del sistema.

Además de estudiar

nuevas tecnologías.

R 10

Estudiar las tecnologías a

utilizar en tiempo

extraordinario al definido

en la planeación del

sistema.

Lograr implementar los

módulos más significativos

del sistema.

Presentar el mayor

avance posible del

sistema.

3.3 Herramientas tecnológicas

Las herramientas potenciales que se emplearon para la creación de los diversos módulos del proyecto

se describen en esta sección, reiterando que están sujetas a cambios de acuerdo a su desempeño y

disponibilidad.

3.3.1 Sistema operativo

La Tabla 3.20 es una comparación entre los sistemas operativos propuestos para realización de este

proyecto.

Capítulo III

77

Tabla 3.20: Sistema operativo

Sistema

Operativo Costo Operatividad

Windows 10

Home

Windows 10 Home 32/64 bits.

Licenciamiento Microsoft

MXN $2,499.00

Es el último sistema operativo desarrollado por la

empresa de software Microsoft Corporation, el

cual como todos los anteriores se encuentra

dotado de una interfaz gráfica de usuario basada

en el prototipo de ventanas.

Linux (Ubuntu

16.10)

Licenciamiento GNU

Distribución libre

Ubuntu es una distribución Linux que ofrece un

sistema operativo enfocado a ordenadores de

escritorio y proporciona soporte para servidores.

Disponible en 4 arquitecturas: Intel x86, AMD64,

SPARC.

Capaz de actualizar a la vez todas las aplicaciones

instaladas en la máquina a través de repositorios.

Comparación y elección:

Los sistemas operativos que se consideraron son Windows 10 y Ubuntu 16.10, ambos poseen

funciones que gestionan los recursos del ordenador, coordinan el hardware y al mismo tiempo proveen

servicios a los programas de aplicación de software.

Windows tiene como una de sus principales características, la facilidad de uso y la simplicidad de las

tareas básicas del sistema, esto debido a su diseño. Razón por la cual conduce a que existan vulnerabilidades

de seguridad e inestabilidad del sistema.

Por el contrario la mayoría de los sistemas Linux, son fiables y seguros dado que requieren una

comprensión más profunda del sistema subyacente para realizar las funciones diarias, al igual que la

solución de procesos técnicos, ya que estos pueden resultar más desafiantes y complicados que en Windows.

Así mismo Linux soporta una gama más amplia de software libre que Windows, en contraste con lo anterior,

este último ordena el mayor número de usuarios de escritorio y por tanto posee una mayor selección de

software comercial.

En cuanto al costo del kernel, utilidades y bibliotecas de GNU de Linux son distribuciones

completamente libres y de código abierto, en cambio Windows tiene un costo, el cual se cubre mediante la

adquisición del equipo de cómputo con el que se trabajará en este proyecto. De donde se infirió que el

sistema para el desarrollo de este proyecto es Windows 10 teniendo en cuenta que ofrece facilidad de

implementación, uso y administración.

3.3.2 Lenguajes de programación

Para el caso de los lenguajes de programación utilizados, se elaboró la Tabla comparativa 3.21.

Capítulo III

78

Tabla 3.21: Lenguajes de programación

Lenguajes de

programación Licencia Plataformas

Software libre

para su

desarrollo

Operatividad

Java

GNU GPL /

Java Comunity

Process

Windows, Mac

OS X, Solaris,

Unix y Linux

Si

Es un lenguaje de

programación de propósito

general, concurrente,

orientado a objetos

Python

Python

Software

Foundation

License

Windows, Mac

OS X, Solaris,

Unix y Linux

Si

Es un lenguaje de

programación

seminterpretado o de script,

multiplataforma y orientado

a objetos.


De manera similar Python y Java son lenguajes de programación que soportan el paradigma orientado

a objetos. Ahora bien, cabe destacar que la curva de aprendizaje de Python es muy suave en comparación

con Java que posee una curva muy pesada, debido a que es un lenguaje muy complejo, lo cual no lo hace

justificable si el sistema a desarrollar es medianamente simple. Ambos lenguajes se ejecutan con bytecode

lo que permite compilaciones muy rápidas.

La implementación de ambos lenguajes en web es compleja y en el caso de Python las ofertas para su

alojamiento web son más escasas que en Java. Por otra parte es importante mencionar que el lenguaje de

programación Java permite la integración de aplicaciones desarrolladas en Matlab, por lo que en suma con

lo mencionado anteriormente se seleccionó éste último.

3.3.3 Software de desarrollo

En la Tabla 3.22 se ilustran las diferencias entre las herramientas de desarrollo propuestas para

software matemático, IDE Java y modelador de diagramas UML.

Capítulo III

79

Tabla 3.22: Software de desarrollo

Herramienta Licencia Plataformas

Lenguaje y

Características

que soporta

Costo Operatividad

Software matemático

MATLAB®

2017a

MATLAB®

and Simulink

Student Suite

Windows,

Linux, and Mac

OS

Lenguaje de

cálculo técnico

propio.

(Lenguaje M)

Paquete

Estudiantil

$1,050 MXN

Es una

herramienta de

software

matemático

que ofrece un

entorno de

desarrollo

integrado y un

lenguaje

propio.

MATLAB®,

Simulink,

Control System

Toolbox, Signal

Processing

Toolbox,

Statistics and

Machine

Learning

Toolbox, Data

Acquisition

Toolbox and

Instrument

Control Toolbox.

Interfaces para

C/C++, Java,

.NET, Python,

SQL, Hadoop,

Microsoft,

Excel.

GNU Octave

4.2.1

GNU General

Public

License

(GPL).

GNU/Linux,

Mac OS, BSD, y

Windows

Lenguaje de

cálculo técnico,

sintaxis similar a

MATLAB®.

Distribución

gratuita

Es una

herramienta de

software con

un lenguaje de

Capítulo III

80

Interface para

Java

alto nivel para

realizar

cálculos

numéricos.

Tabla 3. 23(continuación): Software de desarrollo

IDE Java

Netbeans IDE

8.2 Oracle

Windows, Mac

OS X, Solaris,

Unix y Linux

Java,

PHP, Groovy,

C/C++, HTML5

Distribución

gratuita

Es un entorno

de desarrollo

integrado,

modular,

escrito en el

lenguaje de

programación

de Java.

Eclipse IDE

4.6

Eclipse

Foundation

Windows,Linux,

Mac OS X

Java, ANSI

C,C++,JSP, SH,

Perl, PHP, Sed

Distribución

gratuita

Eclipse es una

plataforma de

software

escrito en

código abierto

multiplataform

a. Utilizada

como IDE para

Java

Development

Toolkit (JDT)

y el

compilador

(ECJ).

Modelador de diagramas UML

StartUML

2.8.0 GNU GPL

Windows, Mac

OS y Linux

Diagramado

para los

lenguajes C++,

C# y Java

Distribución

gratuita

Es una

herramienta de

modelado de

software

basado en los

estándares

UML y MDA.

BOUML 6.9.x BOUML y

GNU

Windows,

Linux, Mac OS

X

Diagramado

para los

lenguajes C++,

Java, Idl, Php,

Python y

MySQL

Distribución

gratuita

Es una

aplicación que

permite

realizar

diagramas

UML para

Capítulo III

81

especificar y

generar código

en distintos

lenguajes.


• Software matemático

Estas herramientas facilitan el desarrollo de los módulos para el procesamiento de la señal de voz ya

que poseen funciones matemáticas que permiten la implementación de algoritmos necesarios en el proyecto.

Dado que Octave es un software de distribución libre éste fue construido para ser compatible con

MATLAB® por lo que tienen funciones en común como: matrices como tipo de datos fundamental, soporte

integrado para números complejos, potentes funciones matemáticas incorporadas y extensas bibliotecas de

funciones. Aunque el trazado multidimensional de MATLAB®, la documentación de ayuda y la GUI son

atributos que superan a Octave. Asimismo, MATLAB® dispone de dos herramientas adicionales que

expanden sus prestaciones, a saber, Simulink (plataforma de simulación multidominio) y GUIDE (editor

de interfaces de usuario GUI). De manera que es indiscutible la elección por MATLAB®.

• IDE Java

Análogamente NetBeans y Eclipse son entornos de desarrollo integrado libre (IDE), multiplataforma,

construidos para el desarrollo de aplicaciones en distintos lenguajes de programación como se observa en

la Tabla 3.23.

Eclipse es un IDE que se puede configurar infinidad de veces, para obtener un ambiente de trabajo

funcional y libre de errores. No obstante, dado que las opciones de configuración se encuentran en diferentes

lugares, esto demora bastante tiempo.

En cambio, Netbeans es sencillo e intuitivo de configurar, puede ser utilizado para desarrollar software

para todas las versiones de Java, desde Java ME hasta Enterprise Edition ofrece un fuerte apoyo al desarrollo

de aplicaciones basadas en MVC en Java. Permite una integración de Servlets y JSP bastante simple en

comparación con Eclipse, especialmente en el campo de la implementación y depuración. Asimismo, cuenta

con soporte incorporado para los sistemas gestores de base de datos para Java DB, MySQL, PostgreSQL y

Oracle. En cierto modo estos entornos de desarrollo tienen más semejanzas que diferencias, a pesar de ello,

se elige Netbeans por mayor dominio y experiencia de las desarrolladoras.

• Modelador de diagramas UML

BOUML y StartUML son herramientas, que permite generar código en los principales lenguajes

orientados a objetos, al mismo tiempo integra herramientas externas que hayan sido programadas en C++

o Java pero BOUML es poco intuitiva lo que implica una curva de aprendizaje muy grande en cambio,

StartUML es muy fácil de usar, debido a la simplicidad y rápida percepción de sus objetos, funciones y

características. Por esta razón se prefiere como modelador de diagramas esta última.

Capítulo III

82

3.3.4 Sistema Gestor de Base de Datos

El estudio de los sistemas gestores de bases de datos para este proyecto se compara en la Tabla 3.24.

Tabla 3.24: Sistema Gestor de Base de Datos

Herramienta Licencia Plataformas

Límite de

tamaño de

la BD

ACID Costo Operatividad

SQLServer

2016

Microsoft

EULA Windows

Limitado

por el

sistema

operativo

Si

Edición

Estándar

$64,640.00

MXN

Es un sistema de

administración y

análisis de bases

de datos

relacionales para

soluciones de

comercio

electrónico, línea

de negocio y

almacenamiento

de datos.

MySQL 5.7.x Oracle

Linux,

Windows

Compatible:

Apache

MySQL

PHP,

Perl,Python

Limitado

por el

sistema

operativo

Depende del

motor de

almacenamiento

Distribución

gratuita

Es un sistema de

gestión de base

de datos

relacional de

código abierto,

basado en

lenguaje de

consulta

estructurado

(SQL).


Para llevar a cabo el diseño y gestión de la base de datos, donde se almacenan los datos de los usuarios,

se cuenta con dos alternativas: SQLServer y MySQL, que nos proporcionan casi las mismas ventajas como

se observa en la Tabla 3.24. Sin embargo SQLServer, se considera favorable para gestiones complejas y

recuperación, por lo que tiene mayor soporte. Mientras que MySQL es una herramienta eficiente y rápida,

siendo adecuada para un sistema de mediana escala. Además, cabe destacar que el costo de SQLServer es

muy alto, y considerando la magnitud de este proyecto se opta por la utilización de MySQL.

Capítulo III

83

3.3.5 Servidor

En la Tabla 3.25 se cotejan los servidores con la capacidad de soportar aplicaciones desarrolladas en

Java y Matlab®.

Tabla 3.25: Servidor

Herramienta Licencia Plataforma Costo Operatividad

Servidores locales

Apache

Tomcat 8.5.x

Apache

2.0

Unix,

Windows y

Mac OS

Distribución

gratuita

Es un servidor web que también

ofrece un contenedor de servlets y

entorno JSP (Java Server Pages).

Wildfly 10.x GNU

LGPL

Unix,

Windows y

Mac OS

Distribución

gratuita

Es un servidor de aplicaciones Java

Enterprise Edition, incluye un

contenedor de servlets y un servidor

web. Además posee una arquitectura

orientada a servicios SOA

Servidor de alojamiento web

000webhost Hostinger Web

Hosting gratuito Provee un servicio de alojamiento

web, que soporta PHP y MySQL.

Rizo, GD2, Zend, XML, fopen(),

tomas de PHP, Ioncube Loadoer,

.htaccess y otras características. Hosting premium


Del mismo modo Wildfly y Tomcat son servidores de aplicaciones de servlets Java, no obstante

Wildfly es mejor opción para aplicaciones en las que se necesita un acceso completo a la funcionalidad que

proporciona Java Enterprise Edition (JEE) así como Enterprise JavaBeans (EJB). Si no se necesita toda la

gama de características JEE, elegirlo agrega mucha complejidad a la implementación y sobrecarga de

recursos que no son aprovechados.

En cambio Tomcat es un contenedor de servlets Java y servidor web, y, debido a que no proporciona

una implementación de la pila JEE completa, es significativamente más ligero. Es entonces, que al elegir

un servidor de este tipo se obtiene significativamente menor complejidad y uso de recursos.

Para finalizar, se hace la selección del servidor 00webHost el cual permite el alojamiento del sitio y la

gestión web de archivos, así mismo soporta bases de datos MySQL, XML y PHP.

Capítulo III

84

Capítulo III

85

CAPÍTULO IV: DISEÑO


Capítulo IV

87

Capítulo IV

88

CAPÍTULO IV: DISEÑO

Este capítulo presenta el diseño del sistema basado en el Lenguaje Unificado de Modelado (UML), así

como el diseño de la base de datos.

4.1 Diccionario de mensajes

A continuación se enlistan los mensajes definidos que el sistema utiliza en la interacción de cada

proceso.

Tabla 4.1 Diccionario de mensajes del sistema

Diccionario de mensajes

Identificador Mensaje Descripción

MS1 “Usuario no registrado” Se muestra cuando el usuario pretende iniciar sesión

pero no está registrado.

MS2 “Correo y/o contraseña

inválido”

Indica que los datos que el usuario ingresó son

incorrectos.

MS3 “Campo obligatorio” Se muestra cuando no se han llenado todos los campos

obligatorios para realizar un registro.

MS4 “Archivo validado sin errores” Indica que la grabación de audio cumple con los

parámetros establecidos.

MS5 “Parámetros incorrectos” Informa cuando la grabación de audio no se realizó con

los parámetros adecuados.

MS6 “Error al procesar audio” Notifica si ocurrió un error durante el procesamiento

de audio.

MS7 “No se obtuvo un patrón” Avisa cuando ocurre un error en el proceso de

entrenamiento de palabras.

4.2 Modelado del sistema

En relación con lo que se mencionó en el Capítulo 3 para el diseño del sistema se utiliza el Lenguaje

Unificado de Modelado (UML), puesto que permite visualizar claramente la serie de requerimientos y

estructuras necesarias para implementar un sistema de software. Primeramente se encuentran los diagramas

de casos de uso para modelar los procesos del sistema, luego los diagramas de secuencias que sirven para

visualizar la intercomunicación de los objetos en el sistema, seguido de los diagramas de actividades que

describen el proceso de los diagramas de casos de uso y finalmente el diagrama de clases que es el pilar

fundamental de UML debido a que explica la estructura general del sistema mostrando la relación entre los

objetos que lo componen.

4.2.1 Diagramas de casos de uso

En esta sección se muestran los diagramas de caso de uso 4-1 a 4-8 junto con su descripción detallada

en las Tablas 4.2 a 4.9, referente a la funcionalidad del sistema de reconocimiento de voz.

Caso de uso 1: Ingresar al sitio

Capítulo IV

89

El diagrama 4-1 correspondiente a RF 1, exhibe el ingreso de un usuario al sitio utilizando sus datos

de autentificación.

Diagrama 4-1 Caso de uso "Ingresar al sitio"

Descripción:

Tabla 4.2: Atributos importantes del caso de uso 1

Caso de uso

Ingresar al sitio

Actor(es) Usuario: administrador, médico auxiliar, médico especialista

Propósito Permitir el ingreso al sitio

Entradas

Inicio de sesión: usuario, contraseña

Registro: nombre, apellido, e-mail, teléfono, dirección, cédula

profesional

Salidas Ninguna

Precondiciones El usuario debe estar registrado en el sitio

Trayectoria Principal

1. El usuario ingresa al sitio Web

2. El sistema muestra la interfaz Inicio de Sesión

3. El usuario ingresa nombre de usuario y contraseña

4. El sistema valida datos de autenticación

5. Se obtiene el perfil de usuario

Capítulo IV

90

Trayectoria Alternativa A

Precondición: Usuario no registrado

A1. El usuario proporciona datos para registro en el sitio

A2. El administrador valida datos de usuario

A3. El sistema agrega al usuario

A4. Regresa al paso 3

Trayectoria Alternativa B

Precondición: Correo y/o contraseña inválidos

B1. El sistema muestra el mensaje MS2

B2. Regresa al paso 3

Postcondiciones Sesión iniciada en el sistema

Usuario registrado en el sistema

Errores MS1: “Usuario no registrado”. MS2: “Correo y/o contraseña

inválidos” MS3: “Campo obligatorio”

Caso de uso 2: Captura de la voz

En el diagrama 4-2 referente a RF 2, ilustra los dos pasos para proporcionar al sistema los archivos de

audio de un paciente, el primero consiste en realizar la grabación de cada palabra utilizando un programa

de captación de voz que permita mantener los parámetros establecidos y el segundo consiste cargar el

archivo de audio en formato WAV.

Diagrama 4-2 Caso de uso "Captura de la voz"

Descripción:

Tabla 4.3: Atributos importantes del caso de uso 2

Capítulo IV

91

Caso de uso

Captura de la voz

Actor(es) Usuario: médico auxiliar, médico especialista

Propósito Obtener la voz y almacenarla en un archivo de audio

Entradas Archivo de audio con formato WAV

Salidas Ninguna

Precondiciones Sesión iniciada en el sitio


Precondición: Archivo de audio previamente grabado

1. El usuario elige subir archivo de audio

2. El sistema muestra interfaz Subir Archivo

3. El usuario carga el archivo en el sistema

4. El sistema valida los parámetros del audio

5. Se envía mensaje MS4: “Archivo validado sin errores”

Trayectoria Alternativa B

Precondición: Parámetros del archivo audio incorrectos

A1. El sistema muestra el mensaje MS5

A2. Regresa al paso 1 de la Trayectoria principal o Trayectoria A

Postcondiciones Archivo de audio almacenado

Errores Mostrar mensaje MS5: “Parámetros incorrectos”

Caso de uso 3: Prepocesamiento de la voz

El diagrama 4-3, relativo a los requerimientos RF 3 y RF 4 muestra el preprocesamiento de la voz que

se realiza con el fin de eliminar a medida de lo posible el ruido. Además describe la obtención de palabras

aisladas mediante un proceso de segmentación.

Capítulo IV

92

Diagrama 4-3 Caso de uso "Preprocesamiento de la voz"

Descripción:

Tabla 4.4: Aspectos importantes del caso de uso 3

Caso de uso

Preprocesamiento de la voz

Actor(es) Sistema

Propósito Filtrar y segmentar el archivo de audio

Entradas Archivo de audio almacenado

Salidas Reducir el ruido que pueda tener la señal de voz y obtener palabras

aisladas

Precondiciones Tener al menos un archivo de audio almacenado

Trayectoria Principal 1. El sistema selecciona el audio a preprocesar

2. El sistema aplica filtros para la reducción de ruido

3. El sistema realiza el proceso de segmentación

Postcondiciones Se almacenan los datos de audio preprocesados

Errores Ninguno

Caso de uso 4: Procesamiento de la voz

El caso de uso 4-4 refleja RF 5, el cual consiste en extraer las características que representarán a las

palabras obtenidas en RF4.

Capítulo IV

93

Diagrama 4-4 Caso de uso "Procesamiento de la voz"

Descripción


Caso de uso

Procesamiento de la voz

Actor(es) Sistema

Propósito Obtener los rasgos representativos de cada palabra utilizando técnicas de

extracción de características

Entradas Datos de audio preprocesados

Salidas Datos de audio procesados (vector de características de cada palabra)

Precondiciones Tener los datos del audio preprocesado de al menos un archivo

Trayectoria Principal 1. El sistema recibe datos de audio procesado

2. El sistema aplica una técnica de extracción de características

3. El sistema obtiene las representaciones de cada palabra

Postcondiciones Contar con las representaciones de cada palabra.

Errores Mostrar error MS6: “Error al procesar audio”

Capítulo IV

94

Caso de Uso 5: Entrenamiento de palabras

El diagrama 4-5 correspondiente a RF 6, describe el módulo de entrenamiento de palabras donde se

obtendrán los diccionarios fonéticos del sistema.

Diagrama 4-5 Caso de uso "Entrenamiento de palabras"

Descripción


Caso de uso

Entrenamiento de palabras

Actor(es) Sistema, Administrador

Propósito Obtener patrones de cada palabra para conformar diccionarios fonéticos.

Entradas Datos de audio procesados (vector de características de cada palabra).

Salidas Patrones obtenidos.

Precondiciones Tener diversos vectores de características de cada palabra y definir el

número de patrones que se desea obtener.

Capítulo IV

95

Tabla 4. 7: (continuación): Aspectos importantes del caso de uso 5


1. El sistema recibe los vectores de características.

2. El administrador define un modelo de aprendizaje.

3. El sistema aprende el modelo a través de las siguientes acciones:

a. Recibe los datos de cada palabra

b. Compara las palabras entre sí

c. Agrupa las palabras candidatas

d. Clasifica las palabras candidatas

4. Se clasifica cada patrón obtenido de acuerdo al diccionario

fonético correspondiente, con dislexia o sin dislexia

5. El sistema optimiza el modelo

Trayectoria Alternativa A

Precondición: No se realizó la comparación de palabras correctamente.

A1. El sistema efectúa el procedimiento nuevamente

A2. Regresa al paso 3-a de la trayectoria principal

Postcondiciones Contar con patrones de cada palabra

Errores Mostrar error MS7: “No se obtuvo un patrón”

Caso de uso 6: Clasificación de palabras

El diagrama 4-6 es alusivo a RF 7, en el cual se compara la voz del infante a diagnosticar con las

palabras en los diccionarios fonéticos.

Capítulo IV

96

Diagrama 4-6 Caso de uso "Clasificación de palabras"

Descripción:


Caso de uso

Clasificación de palabras

Actor(es) Sistema

Propósito Clasificar palabras utilizando los patrones obtenidos

Entradas Datos procesados de la palabra a comparar

Salidas Palabra reconocida para ser validada

Precondiciones Tener los patrones correspondientes a cada conjunto de palabras.


1. El sistema recibe los datos procesados de una palabra a comparar

2. El sistema compara dicha palabra con el patrón correspondiente del

diccionario fonético de voces con dislexia y con el patrón

correspondiente del diccionario fonético sin dislexia

3. El sistema clasifica la palabra como pronunciación de un niño con

o sin dislexia.

Postcondiciones Si es una palabra para diagnóstico, se envía a validación por el especialista

Errores Ninguno

Capítulo IV

97

Caso de uso 7: Presentación del diagnostico

Este diagrama 4.7 corresponde a RF 7, en donde se entrega el resultado obtenido del diagnóstico

realizado en forma automatizada al especialista para su validación.

Diagrama 4-7 Caso de uso "Presentación del diagnóstico"

Descripción:


Caso de uso

Presentación del diagnóstico

Actor(es) Sistema, Especialista

Propósito Entregar diagnóstico al médico auxiliar

Entradas Palabras clasificadas en cada diccionario

Salidas Diagnóstico validado

Precondiciones Tener el resultado del reconocimiento para realizar diagnóstico


1. El sistema obtiene resultado de diagnóstico

2. El sistema envía el resultado al especialista

3. El especialista valida el resultado

4. El especialista envía validación al sistema

5. El sistema recibe validación y la envía al médico auxiliar

Postcondiciones El sistema entrega el resultado del diagnóstico.

Errores Ninguno

Caso de uso 8: Gestión de datos del sistema

Capítulo IV

98

Este diagrama 4-8 corresponde a RF 8, que permite al administrador la gestión de datos del sistema,

esto es, realizar operaciones de alta, baja, consulta y modificación de los datos.

Diagrama 4-8 Caso de uso "Gestión de datos del sistema"

Descripción:


Caso de uso

Gestión de datos del sistema

Actor(es) Administrador

Propósito Permitir al administrador la gestión de datos del sistema

Entradas Datos de usuarios, archivos de audio, patrones de voz

Salidas Ninguna

Precondiciones Tener acceso al sitio y al servidor


1. El administrador ingresa al sistema

2. Realiza operaciones de gestión de datos

Alta

Baja

Consulta.

Modificación de datos

Postcondiciones Ninguno

Errores Ninguno

Capítulo IV

99

4.2.2 Diagramas de secuencias

Los diagramas de secuencia 4-9 a 4-14 presentados en esta sección, identifican los objetos que son

partícipes en las transacciones del sistema. Así como la secuencia de mensajes permutados entre ellos.

Diagrama de secuencia 1: Ingresar al sitio

Diagrama 4-9 secuencia "Ingresar al sitio"

Diagrama de secuencia 2: Captura de la voz

Diagrama 4-10 secuencia "Captura de la voz"

Capítulo IV

100

Diagrama de secuencia 3: Preprocesamiento de la voz

Diagrama 4-11 secuencia "Preprocesamiento de la voz"

Diagrama de secuencia 4: Procesamiento de la voz

Diagrama 4-12 secuencia "Procesamiento de la voz"

Diagrama de secuencia 5: Entrenamiento de palabras

Capítulo IV

101

Diagrama 4-13 secuencia "Entrenamiento de palabras"

Diagrama de secuencia 6: Clasificación de palabras

Diagrama 4-14 secuencia "Clasificación de palabras"

Capítulo IV

102

4.2.3 Diagramas de actividades

Posteriormente los diagramas 4-14 a 4-21 de esta sección, ilustran el flujo de actividades de cada

proceso dando como resultado final un cambio en el estado del sistema.

Diagrama de actividades 1: Ingresar al sitio

Diagrama 4-15 Actividades “Ingresar al sitio”

Diagrama de actividades 2: Captura de la voz

Diagrama 4-16 Actividades "Captura de la voz"

Diagrama de actividades 3: Preprocesamiento de la voz

Capítulo IV

103

Diagrama 4-17 Actividades "Preprocesamiento de la voz"

Diagrama de actividades 4: Procesamiento de la voz

Diagrama 4-18 Actividades "Procesamiento de la voz"

Capítulo IV

104

Diagrama de actividades 5: Entrenamiento de palabras

Diagrama 4-19 Actividades “Entrenamiento de palabras”

Diagrama de actividades 6: Presentación de diagnóstico

Capítulo IV

105

Diagrama 4-20 Actividades "Presentación de diagnóstico"

Diagrama de actividades 7: Gestión de datos del sistema

Diagrama 4-21 Actividades "Gestión de datos del sistema"

Capítulo IV

106

4.2.4 Diagrama de clases

Como su nombre lo indica el diagrama 4-22, describe la relación entre clases que posibilitan la

construcción del sistema.

En este diagrama se pueden observar las tres clases principales del sistema que son Preproceso, Proceso

y Patrón, en la primera se realizan acciones de filtrado y segmentación del audio, el cual se obtuvo mediante

la clase Archivo de voz; la segunda se encarga de extraer las características que representarán a cada palabra

en el diccionario; y la tercera constituye el proceso de entrenamiento para la obtención de patrones

consistentes de cada palabra.

Por otra parte, en la clase Usuario dividida en Administrador, Médico auxiliar y Médico especialista,

se realizan acciones referentes a la gestión de datos del sistema.

Diagrama de clases del sistema

Diagrama 4-22 de clases del sistema

Capítulo IV

107

4.3 Base de Datos El diagrama 4-23 representa el modelo lógico del proyecto.

Diagrama 4- 23: Modelo relacional de la base de datos

Capítulo IV

108

CAPÍTULO V:

IMPLEMENTACIÓN Sistema de reconocimiento de voz para la detección oportuna de la dislexia en niños

Capítulo V

110

Capítulo V

111

CAPÍTULO V. IMPLEMENTACIÓN En este capítulo se muestra el desarrollo de cada una de las etapas que integran al sistema. El capítulo está

dividido en dos secciones, la primera describe los procesos implementados para el reconocimiento de voz,

mientras que la segunda explica el desarrollo del sistema de información.


Inicialmente se programaron los algoritmos pertenecientes a cada etapa en el módulo de

reconocimiento, los cuales se muestran en la Figura 5.1. Los programas iniciales se realizaron en el software

matemático MATLAB®, esto con la finalidad de observar y analizar gráficamente los resultados obtenidos

en cada proceso. A su vez, se programó cada algoritmo con el lenguaje de programación Java para ser

implementados en el sistema de información.

Figura 5. 1 Diagrama a bloques de las etapas del reconocimiento de voz.

Filtro de promedio

móvil Señal de voz

Filtro pasa banda Filtro de preénfasis

Preprocesamiento

Segmentación y

ventaneo Detección de inicio

y fin

Obtención de

coeficientes LPC Construcción de patrones

de voz k-Means Clasificación

Procesamiento Reconocimiento

Palabra reconocida

Capítulo V

112

5.1.1 Captura de la señal de voz

El modelo acústico del sistema se generó mediante la captura de las palabras que conforman el

diccionario presentado en la Tabla 2.1. Las cuales fueron grabadas y almacenadas en archivos de audio con

formato WAV.

La herramienta de captación de voz está programada en Java y está diseñada para grabar en un solo

canal a 16 bits por muestra, con una frecuencia de muestreo de 8000 Hz. En este caso, la duración se

establece en cuatro segundos por cada palabra. El siguiente fragmento de código ilustra el método que

define los parámetros del archivo de audio.

AudioFormat getAudioFormat() {

float sampleRate = 8000;

int sampleSizeInBits = 16;

int channels = 1;

boolean signed = true;

boolean bigEndian = true;

AudioFormat format = new AudioFormat(sampleRate, sampleSizeInBits,

channels, signed, bigEndian);

return format;

}

En la ejecución, el programa envía un mensaje para que el locutor comience a hablar y otro para

indicarle que la grabación terminó, como se observa en la Figura 5.2.

Figura 5. 2 Ejecución del programa de captura de la señal de voz.

Es de suma importancia mencionar que las grabaciones se deben realizar en un entorno controlado,

esto es, en el interior de un salón de clases minimizando los sonidos exteriores del ambiente y con un

micrófono profesional acoplado a la tarjeta de sonido de la computadora.

5.1.1.1 Micrófono

Para elegir el micrófono con el cual se obtuvieron las muestras de voz durante el desarrollo del sistema,

se calculó la relación señal a ruido (SNR) de tres micrófonos candidatos, evaluando la calidad de la señal

en diferentes tipos de ambiente.

La relación señal a ruido es la razón entre el valor máximo de la potencia de una señal y el valor de la

potencia del ruido existente en el sistema. La SNR es una medida de calidad de una señal descrita por la

ecuación 5.1.

𝑆𝑁𝑅 =

𝑆

𝑁

(5.1)

donde:

𝑆: potencia de la señal.

𝑁: potencia del ruido.

La potencia de la señal 𝑆, se obtiene de la ecuación 5.3.

Capítulo V

113

𝑆 = ∑(𝑥2(𝑛))

𝑀

𝑛=0

(5.3)

donde:

𝑥(𝑛): es la señal con voz.


M: la longitud del intervalo de tiempo de la señal.

Mientras que la potencia del ruido N, se define como:

𝑁 = ∑(𝑟2(𝑛))

𝑀

𝑛=0

(5.4)

donde:

𝑟(𝑛): es la señal de ruido.


M: la longitud del intervalo del intervalo de tiempo de la señal de ruido.

En decibeles, SNR es equivalente a:

𝑆𝑁𝑅𝑑𝐵 = 10 log10 (

𝑆

𝑁)

(5.5)

Todas las figuras que se muestran a continuación corresponden a la grabación de la palabra blanca, en

el caso de las Figuras 5.3, 5.9 y 5.15 ésta fue efectuada con ruido ambiental de tránsito. Las Figuras 5.4,

5.10 y 5.16 presentan la grabación realizada con música de fondo.

Las Figuras 5.5 a 5.7 representan la grabación utilizando el primer micrófono con una conversación

de fondo a distintas distancias; 5.11 a 5.13 para el segundo; y 5.17 a 5.19 para el tercero. Finalmente, en las

Figuras 5.8, 5.14 y 5.20 la grabación se llevó a cabo en un ambiente controlado.

Capítulo V

114

Figura 5.3 Señal de voz de la palabra blanca con

música en vivo

Figura 5.4 Señal de voz de la palabra blanca con música

de fondo

Figura 5.5 Señal de voz de la palabra blanca con una

conversación a 50 cm


conversación a un metro


conversación a tres metros

Figura 5.8 Señal de voz de la palabra blanca sin ruido

Capítulo V

115

La Tabla 5.1 muestra la Relación Señal a Ruido de las grabaciones mostradas en las Figuras. 5.3 a 5.8

empleando el Micrófono 1; el cual está especificado en la Tabla 3.5 y con el equipo de cómputo Laptop 2

de la Tabla 3.4 descritos en el Capítulo III.

Tabla 5.1 Relación Señal a Ruido del Micrófono 1

Tipo de Grabación Micrófono 1

Potenciaruido Potenciaseñal SNR

Gra

bac

ión

co

n

ruid

o

Ruido ambiental de tránsito 0.3311 W 3.6406 W 10.4123 dB

Música de fondo 0.2661 W 3.6406 W 11.3614 dB

Conversación a:

50 cm 0.2328 W 3.6406 W 11.9421 dB

1 metro 0.2089 W 3.6406 W 12.4115 dB

3 metros 0.2041 W 3.6406 W 12.5138 dB

Grabación sin ruido 0.1592 W 3.6406 W 13.5929 dB

Figura 5. 9 Señal de voz de la palabra blanca con ruido

ambiental de transito

Figura 5. 10 Señal de voz de la palabra blanca con música

de fondo

Capítulo V

116

Figura 5. 11 Señal de voz de la palabra blanca con una



conversación 1 m


conversación a 3m

Figura 5. 14 Señal de voz de la palabra blanca sin ruido

La Tabla 5.2 muestra la Relación Señal a Ruido de las grabaciones de las Figuras. 5.9 a 5.14 empleando

el Micrófono 2 especificado Tabla 3.5 y con el equipo de cómputo Laptop 2 especificado en la Tabla 3.4.




Gra

bac

ión

con

ruid

o Ruido ambiental de transito 1.2406 78.79 18.02 dB

Música de fondo 1.5189 78.79 17.14 dB

Conversación a:

50 cm 4.3139 78.79 12.61 dB

1 metro 2.1114 78.79 15.71 dB

3 metros 0.4315 78.79 22.61 dB

Grabación sin ruido 0.0132 78.79 37.74 dB

Capítulo V

117

Figura 5.15 Señal de voz de la palabra blanca con música en

vivo

Figura 5.16 Señal de voz de la palabra blanca con música de

fondo

Figura 5.19 Señal de voz de la palabra blanca

con una conversación a tres metros

Figura 5.20 Señal de voz de la palabra blanca

sin ruido




conversación a un metro

Capítulo V

118

La Tabla 5.3 expone la Relación Señal a Ruido de las grabaciones de las Figuras 5.15 a 5.20 utilizando el

Micrófono 3 especificado en la Tabla 3.4 y con el equipo de cómputo Laptop 2.




Gra

bac

ión

con

ruid

o Ruido ambiental de transito 0.4028 W 8.3565 W 13.1694 dB

Música de fondo 0.3272 W 8.3565 W 14.0717 dB

Conversación a:

50 cm 0.2109 W 8.3565 W 15.9791 dB

1 metro 0.2037 W 8.3565 W 16.1305 dB

3 metros 0.1765 W 8.3565 W 16.7517 dB

Grabación sin ruido 0.1646 W 8.3565 W 17.0565 dB

Se observa en la Tabla 5.4 que la Relación Señal a Ruido mejora cuando se utiliza un micrófono de mayor

calidad. De los micrófonos probados para el equipo Laptop 2 el que entrega mejores resultados es el

Micrófono 1. Sin embargo para el equipo Laptop 1., el micrófono que incrementa esta relación es el 2. Por

tanto, inicialmente se establece que el rango adecuado de SNR que se debe mantener en una grabación de

voz es de 15.71 a 37.74 dB.

Tabla 5.4 Comparación de la SNR

Tipo de Grabación Relación Señal a Ruido

Micrófono 1 Micrófono 2 Micrófono 3

Gra

bac

ión

con r

uid

o Ruido ambiental de transito 10.4123 dB 18.02 dB 13.1694 dB

Música de fondo 11.3614 dB 17.14 dB 14.0717 dB

Conversación a:

50 cm 11.9421 dB 12.61 dB 15.9791 dB

1 metro 12.4115 dB 15.71 dB 16.1305 dB

3 metros 12.5138 dB 22.61 dB 16.7517 dB

Grabación sin ruido 13.5929 dB 37.74 dB 17.0565 dB

5.1.2 Preprocesamiento

El objetivo de la etapa de preprocesamiento es mejorar la calidad de la señal original, eliminar señales

indeseables adheridas a la señal y entregar únicamente los segmentos que contienen información útil. Para

esto fueron implementadas tres fases principales: 1. Filtrado de la señal de voz, 2.Segmentación y ventaneo,

así como 3. Detección de inicio y fin de una palabra.

1. Filtrado de la señal de voz

El filtrado de la señal tiene la finalidad de atenuar las señales producidas por distintas fuentes, por

ejemplo, una conversación en el exterior, el sonido de los autos en la calle, música, sonidos producidos con

los labios antes de decir una palabra, tomar aire, entre otros.

Por lo cual se definieron tres tipos de filtros, el primero es un filtro de promedio móvil el cual se

encarga de atenuar el ruido en la señal, el segundo es un filtro pasa banda que elimina señales que se

encuentran fuera del rango de la frecuencias de la voz humana (100-4000 Hz), y por último un filtro de

Capítulo V

119

preénfasis que enfatiza las altas frecuencias con el fin de evitar la pérdida de información durante el

procesamiento.

Filtro de promedio móvil

Este filtro se diseñó a partir de la ecuación (2.6) descrita en el Capítulo II y se programó en el software

matemático MATLAB®. Con el fin de establecer el número de muestras a promediar, adecuado para esta

aplicación, se realizó el filtrado de distintas palabras y distintos valores de 𝑀, donde se obtuvieron los

siguientes resultados.

a. Filtro de promedio móvil aplicado a la señal con M = 4

Capítulo V

120

b. Filtro de promedio móvil aplicado a la señal con M = 5.

c. Filtro de promedio móvil aplicado a la señal con M = 12.

Figura 5. 21 Filtrado de promedio móvil con longitudes de M = 5, 8 y 12 coeficientes.

Las gráficas de la Figura 5.21 ejemplifican el filtrado de promedio móvil de una palabra. En cada

una se observa el oscilograma de la palabra escapó, misma que se filtra con un promedio de 𝑀 = 4, 5 y 12

respectivamente. Es fácil observar que mientras 𝑀 incrementa se tiene mayor atenuación del ruido adherido

a la señal, así como del ruido causado por los labios al abrir o cerrar la boca (segundo 1 y 4.1).

Con base en estos resultados se detectó que el valor adecuado es 𝑀 = 5, ya que este filtro atenúa

el ruido sin degradar la potencia de la señal de voz. Además los valores menores a 𝑀 = 5, no disminuyen

el ruido lo suficiente e impiden una detección de inicio y fin correcta.

Filtro pasa banda

Para la programación de este filtro pasa banda, se definieron las frecuencias correspondientes a la

banda de paso, las cuales deben mantener únicamente las frecuencias de las señales asociadas a la voz

humana que se consideran en el intervalo que inicia en 𝑓𝑝1 =300 y termina en 𝑓𝑝2 = 3400 Hz.

Inicialmente se diseñó un filtro pasa banda con respuesta finita al impulso (FIR) y fase lineal, de orden

12; se calcularon las frecuencias digitales 𝜔 en términos de 𝜋 rad/muestra mediante la ecuación (5.6).

𝜔 = 2𝜋𝑓

𝑓𝑠 (5.6)

donde:

𝜔: es la frecuencia digital normalizada 𝜋rad/muestra.

𝑓: es la frecuencia de corte (Hz).

𝑓𝑠: es la frecuencia de muestreo de la señal (Hz).

En este programa se calculan las frecuencias 𝑓𝑝1 y 𝑓𝑝2, al utilizar una frecuencia de muestreo 𝑓𝑠 =

8000 Hz, se obtiene como resultado 𝜔𝑝1 = 0.075𝜋 y 𝜔𝑝2 = 0.85𝜋.

De las diferentes opciones de diseño, se desarrolló la técnica de ventaneo la cual se basa en truncar la

respuesta impulsional infinita de un filtro ideal, en esta, primero se calcularon los coeficientes del filtro,

como se muestra en la gráfica de la Figura 5.22 a), y posteriormente se multiplicaron por una ventana de

Hamming, graficada en la Figura 5.22 b), con el fin de obtener menos variaciones de transición o supresión

Capítulo V

121

y con ello conseguir un filtrado más efectivo (Figura 5.23). Una vez obtenidos los coeficientes finales, estos

se utilizan para filtrar la señal de voz después de que esta ha pasado el filtro de promedio móvil.

Este tipo de filtro FIR se basa en obtener la salida 𝑦2(𝑛) a partir exclusivamente de las entradas actuales

y anteriores de 𝑥(𝑛). Como se describió en la ecuación (2.7) en el Capítulo II.

Figura 5. 22 Coeficientes del filtro FIR y Ventana de

Hamming. Figura 5. 23 Coeficientes del filtro FIR pasa banda.

. En la Figura 5.24, se ilustra el resultado de filtrar la señal de voz utilizando los coeficientes de este

filtro.

Figura 5. 24 Filtro FIR de orden 12 aplicado a la señal de voz

Capítulo V

122

Filtro preénfasis

Este filtro fue diseñado y programado mediante la ecuación (2.8). La figura 5.25 muestra la aplicación

del filtro de preénfasis a la palabra escapó, para esta aplicación se utilizó la constante a = 0.9.

Figura 5. 25 Filtro Preénfasis aplicado a la señal de voz con a = 0.9

Finalmente, en esta etapa se integraron los filtros programados para así obtener la señal en la Figura

5.26, adecuada para el siguiente preprocesamiento donde se realiza la segmentación y ventaneo.

Figura 5. 26 Señal de voz filtrada utilizando los tres filtros secuencialmente.

2. Segmentación y Ventaneo

Capítulo V

123

Una vez que la señal de voz es filtrada, se realiza el proceso de segmentación. Este proceso consiste

en dividir la señal en segmentos de 10 𝑚𝑠 ajustados a 81 muestras por segmento; lo cual permite obtener

características cuasi estacionarias de la señal lo que facilita la detección de inicio y fin así como la

extracción de características. La Figura 5.27 ilustra un segmento de la señal de voz que contiene una región

del habla almacenada en el archivo de audio.

Figura 5. 27 Centésimo segmento de la señal de voz de la palabra escapó

Posteriormente cada segmento es multiplicado por una ventana, con la finalidad de evitar

discontinuidades en los segmentos adyacentes al realizar el traslape de los mismos. En las gráficas de la

Figura 5.28, se ejemplifica el resultado de realizar el ventaneo a un segmento de la señal, de 10 𝑚𝑠. Sin

embargo, para el análisis de una señal de voz se utiliza la ventana de Hamming, debido a que disminuye la

distorsión al cortar una señal y en el dominio de la frecuencia esta función presenta una discontinuidad

menos abrupta, en comparación con una ventana rectangular, lo que reduce las oscilaciones en las

proximidades de la misma.

Capítulo V

124

a. Ventana rectangular

b. Ventana triangular

c. Ventana de Hanning

d. Ventana de Hamming

Capítulo V

125

e. Ventana Blackman

Figura 5. 28 Ventaneo de un segmento de la señal de voz con distintas ventanas.

3. Detección de inicio y fin

Este procesamiento permite obtener únicamente los segmentos de la señal que contienen información

de una palabra. En este trabajo se implementó el algoritmo Rabiner-Sambur descrito en la sección 2.3.3.7

del Capítulo II, donde se realiza un análisis de la magnitud promedio de la señal de cada palabra. Con base

en esto se definen dos umbrales de magnitud, uno superior y otro inferior; estos umbrales son calculados

para cada palabra.

Inicialmente se busca el primer segmento que cruza el umbral superior de magnitud y una vez

detectado se busca el primer segmento que cruza el umbral inferior de magnitud, y se establece éste como

el inicio de una palabra. Para comprobar que efectivamente sea donde la palabra inicia, se calcula el número

de cruces por cero de un segmento, cuando se conocen los cruces por cero de toda la señal es posible definir

un umbral que caracterice el silencio en la señal.

Posteriormente se evalúa a partir del punto marcado como inicio, si el umbral se cruzó más de tres

veces; si esto último sucede se establece como nuevo inicio el primer punto que cruzó el umbral. Se realiza

el mismo procedimiento para encontrar el final de una palabra.

El funcionamiento de este algoritmo se puede observar en el diagrama de la Figura 5.29.

Capítulo V

126

Figura 5. 29 Diagrama de flujo del algoritmo de detección de inicio y fin de palabra.

A continuación se ilustran los resultados al detectar el inicio y fin de la palabra escapó. Se observa en

la Figura 5.30 la gráfica de magnitud promedio así como los umbrales superior e inferior que caracterizan

la magnitud de la señal.

Figura 5. 30 Magnitud promedio de la palabra escapó.

La Figura 5.31, es la gráfica de la tasa de cruces por cero de escapó y el umbral de cruces por cero.

Capítulo V

127

Figura 5. 31 Tasa de cruces por cero de la palabra escapó

Por último, la Figura 5.32 (a) es el oscilograma de la palabra antes de ser procesada por el algoritmo

de detección de inicio y fin. Mientras que la Figura 5.32 (b), es el oscilograma de la palabra recortada,

donde únicamente se mantiene la información útil de voz.

Figura 5. 32 a) Oscilograma de la señal de voz antes de ser recortada. b) Palabra escapó.

A continuación se presenta un ejemplo más de la detección de inicio y fin de una palabra, en la Figura

5.33 se graficó la palabra blanca grabada con el ruido de una conversación a 50 cm de distancia. Con una

relación señal a ruido 𝑆𝑁𝑅 = 19. 06 𝑑𝐵. A la derecha se puede observar la gráfica de magnitud promedio

del señal, y que los umbrales se ajustan de acuerdo a la magnitud máxima de la palabra y la magnitud

promedio del silencio.

Capítulo V

128

Figura 5. 33 Detección de inicio y fin de una palabra, con una conversación a 50 cm de distancia.

Implementación de la etapa de preprocesamiento

A continuación, se muestra un ejemplo del funcionamiento del preprocesamiento implementado, para

la palabra blanca.

En la Figura 5.34, se graficó el resultado de filtrar la señal de voz con un filtro de promedio móvil

con 𝑀 = 4. Como se mencionó en la sección 5.1.2 éste no es capaz de atenuar el ruido inicial producido

por los labios del hablante, que comúnmente aparece en una grabación de voz; lo que impide recortar la

señal de voz correctamente y como consecuencia se obtendrá una caracterización incorrecta de la palabra

al realizar la extracción de características y la construcción de patrones de voz.

Figura 5. 34 Detección de inicio y fin, posterior al filtrado de promedio móvil (M = 4).

Una vez que se filtraron diferentes palabras fue posible adecuar el filtro de promedio móvil y establecer

𝑀 = 5. Del mismo modo se adecuaron los parámetros y coeficientes de los dos filtros restantes hasta llegar

a los valores descritos anteriormente y así obtener la palabra blanca recortada como se muestra en la Figura

5.35.

Capítulo V

129

Figura 5. 35 Palabra blanca recortada correctamente.

Modificación del algoritmo de detección de inicio y fin

Para el caso en el que la grabación de una palabra, presenta un ruido inicial que supera el umbral

superior de magnitud aunque ésta haya sido filtrada (Figura 5.36), se procedió a evaluar los primeros 5

segmentos de voz que cruzan dicho umbral pero que no son consecutivos y que además presenten un salto

mayor a 6 segmentos.

Figura 5. 36 Alteración en la detección de inicio y fin de la palabra gemelo por ruido inicial.

Por ejemplo, si el vector 𝑖 = [202, 203, 208, 209, 247, 248, 249, 250, 251,252,253,254, … ] almacena todos los segmentos que cruzaron el umbral superior; entonces los primeros segmentos 202, 203,

208 y 209, se eliminan y se establece como punto de inicio preliminar el segmento 247, ya que entre el

segmento 209 y 247, existe un salto de 38 segmentos, esto quiere decir que 38 segmentos no cruzaron el

umbral superior y que no contienen información de la palabra. Esta modificación se estableció

experimentalmente, hasta encontrar el valor de salto correcto para no eliminar una silaba, la cual tiene una

Capítulo V

130

duración aproximada de 6 a 10 segmentos, en lugar del ruido inicial. El resultado se muestra en la Figura

5.37.

Figura 5. 37 Palabra gemelo recortada correctamente.

5.1.3 Procesamiento

El propósito de esta etapa es obtener la matriz característica de cada palabra la cual permite la

construcción y clasificación de los patrones de voz. Esto se logró mediante el análisis de predicción lineal

LPC descrito en la sección 2.3.4.1, ya que como se sabe, la redundancia en la señal de voz es explotada en

este análisis.

De acuerdo con la ecuación (2.15), es necesario establecer el orden de predicción lineal 𝑝, esto es, el

número de coeficientes por segmento que representan la señal de voz. Para ello se determinó 𝑝 como:

𝑝 =𝑓𝑠

1000+ 3 (5.7)

En este caso, donde 𝑓𝑠 = 8000 Hz, se tiene como resultado 𝑝 = 11 coeficientes LPC.

Con el fin de corroborar la correcta implementación y obtención de los coeficientes LPC, se realizó

la gráfica de la Figura 5. 38, la cual muestra la magnitud del espectro de un segmento de la señal de voz,

misma que permite observar dichos coeficientes como la envolvente espectral de la señal.

Capítulo V

131

Figura 5. 38 Espectro de potencia para un segmento de la señal

Hasta la etapa de preprocesamiento se segmentó la señal de voz en tramas de 81 muestras, asimismo, el

número de segmentos en una palabra dependía directamente de la duración de la misma. Sin embargo, esta

duración varía con respecto al número de letras que componen cada palabra, así como la fluidez en la lectura

de cada locutor.

Debido a lo anterior y a que se calcularon 11 coeficientes por cada segmento, se obtuvieron vectores de

características de distinta longitud a pesar de que definían la misma palabra. Por lo tanto, se realizó un

escalamiento lineal promediando el número de segmentos obtenidos después de la detección de inicio y fin

para cada par de palabras y locutor; posteriormente se estableció un número fijo de segmentos, se dividió

la señal de acuerdo al número de segmentos correspondiente, y se calcularon los coeficientes LPC. De esta

forma, se obtuvieron vectores de características con la misma longitud que facilitaron la clasificación.

Las Tablas 5.5 a 5.9, establecen el número de segmentos para cada par de palabras, obtenido mediante

el promedio de segmentos de 10 locutores.

Tabla 5.5 Número de segmentos para cada par de palabras.

Locutor Palabras

Alda Alba Bala Dala Blanca Danca Beber Deber

1 54 39 57 49 70 65 54 41

2 39 39 39 41 47 51 60 50

3 47 43 47 38 57 63 48 48

4 40 36 44 36 51 64 52 52

5 46 46 46 42 49 55 60 39

6 54 43 58 60 51 58 50 44

7 45 51 54 53 68 45 58 57

8 44 39 45 53 59 66 50 71

9 41 42 40 45 43 42 43 41

10 44 54 55 49 49 49 55 52

Espectro de potencia para un segmento de la señal |Y

(f)|

(dB

)

Frecuencia (Hz)

Capítulo V

132

Promedio palabra 45.4 43.2 48.5 46.6 54.4 55.8 53 49.5

Número de segmentos 44 48 55 51

Tabla 5.6 Número de segmentos para cada par de palabras.

Locutor Palabras

Boda Poda Bonito Ponito Escapó Escabo Parque Barque

1 48 33 60 59 54 39 50 52

2 48 58 61 64 39 39 46 50

3 59 43 69 49 47 43 60 60

4 37 39 77 85 40 36 41 47

5 53 73 64 53 46 46 42 58

6 57 48 60 54 54 43 47 48

7 58 38 58 61 45 51 48 68

8 52 42 63 66 44 39 48 95

9 40 39 59 54 41 42 57 128

10 56 41 59 61 44 54 58 57

Promedio palabra 50.8 45.4 63 60.6 45.4 43.2 49.7 66.3

Número de segmentos 48 62.45 44 58

Tabla 5. 7 Número de segmentos para cada par de palabras.

Locutor Palabras

Antena Nantena Bosque Boque Calcetín Carcetin Calle Cache

1 61 73 61 48 69 95 40 47

2 62 68 50 45 63 76 32 44

3 104 112 86 73 102 92 62 59

4 71 66 51 52 56 58 41 70

5 61 80 59 48 68 73 35 57

6 57 58 48 44 69 67 40 41

7 67 91 54 73 77 93 35 59

8 78 88 81 68 77 86 55 50

9 61 153 56 81 94 90 41 103

10 58 61 35 41 55 58 28 40

Promedio palabra 68 85 58.1 57.3 73 78.8 40.9 57

Número de

segmentos 76.5

57.7 75.9 48.95

Capítulo V

133


Locutor Palabras

Camello Canello Clavado Calvado Esférico Seferico Esparrago Aseparrago

1 69 56 85 55 83 85 76 100

2 48 54 57 58 58 76 69 91

3 86 90 91 84 111 122 115 122

4 52 56 65 62 86 94 89 140

5 66 80 66 101 74 95 81 86

6 53 60 63 61 69 81 81 93

7 60 69 58 69 83 94 75 109

8 74 73 87 87 116 98 125 115

9 67 54 78 89 90 121 99 150

10 43 55 52 61 72 55 84 77

Promedio palabra 61.8 64.7 70.2 72.7 84.2 92.1 89.4 108.3

Número de

segmentos 63.25 71.45 88.15 98.85


Locutor Palabras

Hipopotamo Hipotamo Instituto Istituto Partido Pratido Plancha Palancha

1 59 80 78 73 74 75 49 60

2 85 75 79 78 51 54 46 56

3 114 101 127 116 91 90 85 108

4 70 104 72 87 60 65 49 76

5 99 85 85 78 60 66 55 60

6 79 70 73 74 53 55 49 66

7 98 129 94 102 59 82 55 72

8 105 119 111 120 101 86 63 77

9 163 123 98 114 49 92 50 93

10 83 61 79 71 68 55 36 46

Promedio palabra 95.5 94.7 89.6 91.3 66.6 72 53.7 71.4

Número de

segmentos 95.1 90.45 69.3 62.55

Capítulo V

134

Implementación del procesamiento en Java

La implementación de las etapas de procesamiento y clasificación en Java se realizaron en NetBeans

IDE, donde cada etapa se programó como una clase del sistema. La clase principal es Procesamiento que

entrega una matriz de características de la palabra procesada a la clase Similitud donde se realiza la

comparación de los patrones de voz en el sistema y la clasificación de la palabra.

En la Figura 5.39 se muestra la estructura del programa que realiza el procesamiento de cada archivo

de audio, inicialmente se lee un archivo de audio con la clase WavFile y se almacena en un vector. La clase

filtrado integra los tres filtros implementados, que se explicaran más adelante, para ello utiliza las clases

Filter y Preénfasis; la primera sirve para filtrar el vector de la señal con los coeficientes de cada filtro

mientras que en la segunda está programada la función que describe al filtro de preénfasis.

El siguiente fragmento de código muestra el método filtering perteneciente a la clase filtrado, que

como se mencionó anteriormente, sirve para pasar la señal de voz por los tres filtros consecutivamente.

public double[] filtering (double x[]){

Filter movAverage = new Filter(h); // * Promedio móvil

Filter bandPass = new Filter(b); // * PasaBanda

Preenfasis preenfasis = new Preenfasis(N); // * Preenfasis

for(int i = 0; i<N; i++){

Yma[i] = movAverage.filter(x[i]);

Ybp[i] = bandPass.filter(Yma[i]);

Ypre[i] = preenfasis.filterP(Ybp[i],i);

//System.out.println(Ypre[i]);

}

return Ypre;

}

Posteriormente, se carga la clase DeteccionInicioFin donde se realiza, la segmentación, ventaneo y

recorte de la palabra, este proceso utiliza internamente la clase Hamming que contiene la ecuación de la

ventana con el mismo nombre. La última clase utilizada en el procesamiento es LPC, que calcula los

coeficientes para cada segmento de la señal.

Capítulo V

135

Figura 5. 39 Programa para el procesamiento de un archivo de audio en Java,

Este programa imprime los resultados del procesamiento en archivos con formato CSV. En estos se

almacenan los vectores de características de cada locutor, los cuales son utilizados para crear los patrones

del sistema.

Figura 5. 40 Almacenamiento de vectores de características por palabra.

5.1.4 Reconocimiento de patrones

El propósito de este módulo es generar un patrón de referencia asociado a cada una de las palabras a

reconocer. Estos patrones se obtuvieron a partir de los LPC, es decir, de los vectores característicos de las

palabras.

La etapa de entrenamiento se realizó por «clustering» debido a que se contaba con más de una versión

de cada palabra, las cuales, además, provenían de distintos locutores, con la finalidad de establecer patrones

de referencia más confiables.

Específicamente, se implementó el algoritmo k-Means descrito en la sección 2.3.5.5 del Capítulo II,

con el cual se clasifica a cada conjunto de palabras de la Tabla 2.1 en dos clases, puesto que están formados

Capítulo V

136

por dos palabras, así mismo se elige ese número de posiciones aleatorias para establecer los centros, luego

se procede a calcular la distancia euclidiana para situar cada dato con su centro más cercano y así establecer

a que grupo pertenece, después se asigna como nuevo centro a la media de los puntos en ese grupo, este

procedimiento se repite hasta que los centros de cada clúster dejen de cambiar. El objetivo de esta etapa es

que mediante este algoritmo de «clustering», se obtenga un patrón único que represente a la palabra

pronunciada por distintos los locutores

Los patrones de voz se construyeron con una herramienta existente que implementa el algoritmo

anterior (Figura 5.41). Para cada palabra en el sistema, se seleccionaron 10 vectores de características de

distintos locutores. En la herramienta primero se cargan los archivos CSV de una palabra, posteriormente

se indica el número de clases a crear por archivo y el resultado se obtiene como un vector almacenado en

un archivo TXT.

Figura 5. 41 Herramienta de agrupación

Finalmente, se obtuvieron los patrones para cada palabra como se muestra en la Tabla 5.10

Tabla 5.10 Patrones de las palabras

Identificador Palabra Patrón

CP1 Alba [-0.7316,0.4389,0.01505,0.1073,0.3199,…,0.5067,0.5872]

Alda [-0.8771,0.6806,-0.338,0.5855,0.0712,…,-0.9243,-1.0453]

CP2 Bala [-0.7779,0.1953,-0.5440,0.2959,0.3416,…,-0.08434]

Dala [-0.5325,-0.7569,-0.7479,-0.793,-0.6793,…,-0.6958,-0.6754]

CP3 Beber [0.3333,0.4127,0.4264,0.4086,0.3941,…,0.3255,0.2651]

Deber [-0.5261,-0.643,-0.6498,-0.6375,-0.6232,…,-0.3199,-0.2747]

Capítulo V

137

Tabla 5. 11(continuación): Patrones de palabras

CP4 Blanca [-0.3767,-0.2706,-0.2482,-0.2277,-0.2601,…,-0.4595,-0.268]

Danca [1.1335,0.7048,0.6108,0.5191,0.6492,…,1.5182,0.7548]

CP5 Boda [0.1712,0.2094,0.3401,0.3073,0.327,…,0.237,0.2383];

Poda [-0.5219,-0.7391,-1.1166,-1.0408,-1.0749,…,-0.7522,-0.7678]

CP6 Bonito [0.4911,0.4953,0.4886,0.4907,0.4933,…,0.0355,0.0308]

Ponito [-1.0682,-1.0724,-1.0595,-1.0616,-1.0581,…,-0.2612,-0.2487]

CP7 Escapó [-0.59,-0.6576,-0.6403,-0.5849,-0.7269,…,-1.2708,-1.2426]

Escabó [0.0554,0.0638,0.0475,0.0372,0.0554,…,0.0871,0.0835]

CP8 Parque [-0.3947,-0.6376,-0.8761,-0.8252,-0.9042,…, -0.6118,-0.5544]

Barque [0.272,0.4195,0.6038,0.5823,0.6582,…, 0.4261,0.361]

CP9 Antena [-0.7321, 0.42357, 0.0885, -0.03180,…, 0.1863,-0.0302]

Nantena [-0.8683, 0.4828, -0.8594, 0.5542,… 0.2756,-0.0316]

CP10 Bosque [-1.3545,0.69828,-0.6794,0.6482,…, 0.2866,-0.1149]

Boque [-1.1012,0.4089,-0.5673,0.4752,…, 0.2715,-0.1464]

CP11 Calcetin [0.7260,0.9454,-0.6360,0.3993,…, 0.3333,-0.12159]

Carcetin [-0.76540,0.68151,-0.2900,0.2321,…, 0.2765,-0.1126]

CP12 Calle [-0.9716,1.1217,-0.7820,0.5785,…, 0.2125,-0.0440]

Cache [-0.7903,0.9836,-0.52371,0.4163,…, 0.1952,-0.0958]

CP13 Camello [-0.31058,0.6706,-0.3786,0.2272,…, 0.1719,-0.0774]

Canello [-0.533904,0.67386,-0.2815,0.26741,…, 0.2120,-0.15555]

CP14 Clavado [-0.38096,0.33959,-0.37528,0.1997,…, 0.2181,-0.0983]

Calvado [-0.4444,0.3840,-0.2905,0.13719,…, .07028,-0.0753]

CP15 Esferico [-0.2086,0.1096,-0.3355,0.2236,…, 0.05224,-0.05026]

Seferico [-0.1274,0.05519,-0.2713,-0.0786,…, 0.2458,-0.0815]

CP16 Esparrago [-0.2177,0.1579,-0.5657,0.3034,…, 0.2580,-0.1033]

Separrago [-0.4433,0.7027,0.0019,0.12424,…, 0.0830,-0.03102]

CP17 Hipopotamo [-0.2095,-0.4544,-0.5521,0.2664,…, 0.1222,-0.05548]

Hipotamo [-0.0780,-0.3765,-0.68307,0.2971,…, 0.11350.02765]

CP18 Instituto [-0.3213,-0.4785,-0.4227,0.4183,…, 0.1325,-0.1640]

Istituto [0.1244,-0.3540,-0.6403,0.1852,…, 0.06261,-0.0399]

CP19 Partido [-0.7390,0.4120,-0.4524,0.4132,…, 0.2715,-0.1129]

Pratido [-0.6648,0.2801,-0.2432,0.1860,…, 0.3538,-0.1729]

CP20 Plancha [-0.6898,0.3443,-0.3363,0.1532,…, -0.6898,0.3443,-0.3363]

Capítulo V

138

Palancha [-0.6887,0.2117,-0.3420,0.3465,…, 0.1647,-0.048961]

A través de estos patrones fue posible encontrar la diferencia que existe entre una palabra y otra, como

se muestra en la Figura 5.42, donde se observa que para el caso del tercer conjunto de palabras CP2, la

diferencia radica en los segmentos 15 a 22.

Figura 5.42 Diferencia entre el conjunto de palabras formado por /bala/ y /dala/

Para la clasificación de patrones se hizo una comparación directa entre el vector característico asociado

a la señal de voz a reconocer y sus dos posibles patrones por medio de una distancia euclidiana, la cual se

define por la siguiente ecuación.

𝑑(𝑃, 𝑄) = √(𝑝1 − 𝑞1)2 + (𝑝2 − 𝑞2)2 + ⋯ + (𝑝𝑛 − 𝑞𝑛)2 = √∑ (𝑝𝑖 − 𝑞𝑖)2𝑛𝑖=1 (5.8)

donde:

𝑑(𝑃, 𝑄): es la distancia euclidiana entre los puntos 𝑃 = (𝑝1, 𝑝2, … , 𝑝𝑛) y 𝑄 = (𝑞1, 𝑞2, … , 𝑞𝑛).

𝑛: longitud de los conjuntos P y X.

Además, se estableció un umbral de tolerancia 0.25 para cada conjunto de palabras. Con lo anterior es

posible discernir que palabra ha pronunciado el hablante y como lo indica la Fig. 5.43 el clasificador puede

mostrar la palabra que ha dicho el locutor.

Capítulo V

139

Figura 5.43 Resultado proporcionado por el clasificador

Una vez realizado este proceso para todas las palabras, se procede a contar el número de palabras que

el locutor obtuvo con una pronunciación disléxica y no disléxica. Si de las 20 palabras que debía pronunciar

en total, seis o más son de un tipo de pronunciación; el sistema indicara que es o no candidato a tener

dislexia según corresponda. Asimismo, antes de que el sistema proporcione un resultado, este será validado

por el especialista.

5.2 Sistema de información

El desarrollo del sistema de información está basado en el análisis de requerimientos descrito en el

Capítulo III y el diseño del Capítulo IV.

Inicialmente se diseñaron las páginas que integran el sitio web, para ello se utilizó el lenguaje de

marcado HTML5 y el lenguaje de estilos CSS. Con la finalidad de desarrollar páginas con diseño

responsivo, se implementó la herramienta BOOTSTRAP la cual permitió añadir complementos basados en

JQuery y archivos fuente SASS.

En la Figura 5.44 se muestra el mapa del sitio, el cual enlista las páginas principales que integran al

sistema de información.

Figura 5. 44 Mapa del sitio

Una vez que se desarrollaron las páginas del sitio, se utilizó la distribución XAMPP cuya función es

administrar e integrar el sistema de gestión de bases de datos MySQL, el servidor web Apache y los

intérpretes para lenguajes de script PHP y Perl para darle funcionalidad al sitio. A través de esta herramienta

es posible vincular la base de datos del sistema y el sitio web de manera local (Figura 5.45).

Inicio

Dislexia Pacientes

Pacientes inscritos

Ayuda

¿Cómo realizar una grabación?

Descargas Configuración

¿Qué es dislexia?

A cerca de...

Capítulo V

140

Figura 5. 45 Inicio de servicios en la distribución XAMPP

Posterior a la inicialización de los servicios Apache y MySQL, se creó la base de datos en dicho gestor

de bases de datos y se cargó al servidor.

La Figura 5.46, muestra las tablas necesarias para la administración de datos en el sistema. Se tiene

cuatro tablas; en la tabla Administrador se almacenan la información del usuario con dicho rol, en la tabla

Usuario se almacenan los datos del usuario con el rol de Médico Auxiliar; este tipo de usuario puede

registrar a sus pacientes a evaluar, estos datos son almacenados en la tabla Paciente. Por último, la tabla

Diagnóstico contiene el resultado de la prueba emitido por el sistema así como los comentarios del

especialista.

Figura 5. 46 Base de datos en el servidor

La siguiente figura, ilustra la estructura de la tabla Usurario y el registro de un Terapeuta en el sistema.

Figura 5. 47 Estructura tabla Usuario en la base de datos.

Capítulo V

141

Mediante el uso de scripts PHP, se proporcionaron funcionalidades a cada componente en el sitio, tales

como, ingreso al sitio, validar usuario y contraseña, recuperar contraseña, realizar la gestión de un usuario,

agregar un paciente, subir un archivo de audio, validar un archivo de audio, entre otros.

El sistema cliente/servidor tiene varias pantallas que permiten la interacción de los usuarios con

conocimientos calificados para manejar los archivos que se utilizan para el prediagnóstico. Están definidos

tres roles de usuario dentro del sistema, los cuales son Administrador, Médico auxiliar y Médico

especialista; estos están definidos en la sección 3.1.3 en el Capítulo III.

.El primer paso para el Médico auxiliar encargado del manejo de los archivos de audio es ingresar un

par usuario/contraseña que se obtiene una vez que se registra en la página de inicio (Figura 5.48).

Figura 5. 48 Página de inicio del sistema

Para registrarse en el sistema, se deben ingresar los datos personales del usuario en un formulario

(Figura 5.49) los cuales serán almacenados en la base de datos del sistema. Ahí mismo se deberá elegir el

tipo de usuario auxiliar correspondiente, las opciones son, profesor, médico o terapeuta con conocimientos

en trastornos del habla. El usuario solicitante debe esperar a que el administrador valide dicha información

mediante la Cédula Profesional que proporcionó.

Capítulo V

142

Figura 5. 49 Formulario de registro de usuario

Interfaces del sistema correspondientes a un usuario Administrador

El usuario con rol de Administrador, puede iniciar sesión en el sitio con su usuario y contraseña. El

sistema cuenta con un menú de navegación propio del administrador (Figura 5.50), el cual se integra por

las pantallas Especialista, Usuarios y Ayuda; en la primera se registran los Médicos especialistas que tienen

acceso al sistema, en la segunda se visualizan todas las solicitudes de registro al sistema y en la tercera se

proporciona ayuda general para las funciones del administrador.

Figura 5. 50 Menú de navegación del administrador.

El administrador, tiene los permisos necesarios para dar de alta a un usuario Médico especialista quien

realizará la validación de los resultados del sistema al efectuar una prueba de valoración de dislexia (Figura

5.51).

Figura 5. 51 Registro de un especialista por el administrador.

La labor principal del administrador, es validar los datos proporcionados de cada solicitante,

principalmente la Cédula Profesional; el administrador debe verificar la información de cada registro

apoyándose con el portal (Figura 5.52):

Capítulo V

143

https://www.cedulaprofesional.sep.gob.mx/cedula/presidencia/indexAvanzada.action

Figura 5. 52 Verificación de Cédula Profesional en el portal de gobernación.

Si los datos proporcionados son correctos, el administrador debe validar al usuario solicitante y con

ello le brinda acceso al sistema (Figura 5.53). Al mismo tiempo, el administrador del sitio tiene la opción

de eliminar el registro de aquellos usuarios que no hayan proporcionado sus datos correctamente.

Figura 5. 53 Validación de un usuario en el sistema.

Interfaces del sistema correspondientes a un usuario Médico auxiliar

Una vez que el usuario Médico auxiliar es aceptado, éste puede ingresar al sitio con el correo

electrónico y contraseña, con los que se registró. Al iniciar sesión el usuario accede al menú principal que

le permite navegar dentro del sitio (Figura 5.54).

Figura 5. 54 Menú de navegación del sistema de información

El objetivo de la pantalla Dislexia dentro del sitio (Figura 5.55), es proporcionar al usuario información

importante acerca de este trastorno. Explica que es el trastorno de dislexia, cuáles son los síntomas

principales que afectan a quien la padece y cuales sirven como indicadores para realizar un diagnóstico,

Capítulo V

144

además resalta que personas pueden padecer dislexia y describe cómo funciona la propuesta de este sistema

para realizar un prediagnóstico.

Figura 5. 55 Pantalla información del trastorno de Dislexia.

Por otra parte en la pantalla Pacientes, cada médico, profesor o terapeuta registrado en el sistema puede

dar de alta a los pacientes que realizaran la prueba (Figura 5.56). Para ello es necesario ingresar en un

formulario los datos del niño, incluyendo su CURP ya este que sirve como identificador único de cada

paciente.

Figura 5. 56 Registrar pacientes en el sistema de información

En la pantalla de la Figura 5.57 también se observan los pacientes registrados y se permite llevar un

control de la información de cada paciente, como datos personales, archivos de voz subidos al sistema y el

resultado de la prevaloración realizada.

Capítulo V

145

Figura 5. 57 Pacientes inscritos en el sistema,

La opción Editar que se muestra en la figura anterior, consiste en actualizar la información del paciente

o eliminar el registro completo. En la Figura 5.58 se muestra el formulario que manda a llamar los datos

del paciente seleccionado y permite editarlos, el botón Actualizar guarda en la base de datos cada

modificación; el botón Eliminar, suprime el registro de este paciente en la base de datos.

Figura 5. 58 Editar información de un paciente registrado.

El diagnóstico del trastorno de dislexia a distancia se realiza al evaluar la lectura de palabras que se

conoce sirven para detectar este trastorno, por lo cual es necesario que el usuario envíe grabaciones de sus

pacientes leyendo cada palabra. Es entonces, que la pantalla Ayuda sirve para explicarle al usuario como

realizar una grabación adecuada (Figura 5.59).

Capítulo V

146

Figura 5. 59 Ayuda para realizar una grabación de voz

En la pantalla Descargas (Figura 5.60), se proporciona la herramienta que contiene el grabador de voz

y las palabras que un niño debe leer para realizar la prueba de dislexia.

Figura 5. 60 Herramienta para la grabación de las palabras que deben ser leídas durante la prueba.

Después de tener los archivos de audio del paciente, el usuario puede enviarlos al servidor mediante

la opción subir archivos en pantalla Pacientes que se muestra en la Figura 5.61. Aquí se deben seleccionar

los archivos de audio un paciente, el botón Subir archivo crea automáticamente un directorio dentro del

servidor donde se almacenan los archivos. El directorio de cada paciente se identifica con su CURP y la

Cédula Profesional del usuario que hace la evaluación.

Capítulo V

147

Figura 5. 61 Subir archivos de audio de cada paciente

Una vez que estos archivos se encuentran en el servidor (Figura 5.62), el especialista utiliza los

programas del módulo de reconocimiento de voz descritos en la sección 5.1 para procesar los archivos de

audio almacenados en la carpeta de cada paciente para que el sistema evalúe la pronunciación de cada

palabra grabada. El sistema entrega un resultado, el cual deber ser aprobado o invalidado por el especialista

quien además proporciona su valoración respecto a la prueba de cada paciente. Es entonces que, el sistema

funciona como un primer filtro de detección de dislexia.

Figura 5. 62 Archivos en el servidor

Adicionalmente la pantalla Configuración en el sitio (Figura 5.63), permite el usuario cambie su

contraseña, para ello el sistema obtiene su identificación del inicio de sesión y solicita la nueva contraseña;

como en el registro la contraseña inicial y la contraseña de confirmación deben ser iguales para que el

cambio se realice.

Capítulo V

148

Figura 5. 63 Cambio de contraseña en la pantalla Configuración.

Interfaces del sistema correspondientes a un usuario Médico especialista

Para tener acceso a los archivos de audio que se encuentran en el servidor, se proporciona en la sección

de Archivos del Médico Especialista dos botones el primero actualiza el directorio de archivos y crear una

carpeta ZIP que contiene todas las pruebas de cada paciente y el segundo descarga dicha carpeta en equipo

del usuario (Figura 5.64).

Figura 5. 64 Descarga de archivos de audio y directorio de Archivos en el equipo del especialista.

A continuación en la Figura 5.65, se muestra la interfaz para el especialista, en la que se procesan los

archivos de audio y son comparados con el par de patrones correspondientes para evaluar la pronunciación

del banco de palabras de cada paciente. Esta herramienta está desarrollada en Java y utiliza las clases

Procesamiento y Similitud descritas anteriormente.

Capítulo V

149

Figura 5. 65 Interfaz del especialista

Para realizar el procesamiento de los archivos que se encuentren en el servidor, se debe seleccionar el

directorio a examinar, utilizando el botón Directorio (Figura 5.65). La función de este botón es establecer

el directorio inicial donde se encuentran almacenados los archivos con formato WAV, los cuales están

ordenados por la cédula del médico auxiliar y el CURP del paciente.

Figura 5. 66 Funcionamiento de la interfaz del especialista.

Capítulo V

150

Una vez que se seleccionó el directorio, se procede a analizar los archivos en cada carpeta. Con el

botón Analizar, se obtiene el nombre de cada archivo, el cual permite realizar la comparación con los

patrones correspondientes a cada palabra en las funciones de procesamiento y similitud; en esta sección se

lleva a cabo el reconocimiento de voz de donde se obtienen los resultados “Pronunciación normal” y

“Pronunciación con dislexia”. Los resultados de cada paciente se guardan en la base datos del sistema y se

imprimen en la pantalla de esta interfaz (Figura 5.67).

Figura 5. 67 Procesamiento de archivos de audio desde la interfaz del especialista.

Capítulo V

151

Los resultados son validados por el Médico especialista desde su sesión, en la pantalla Validación

resultado (Figura 5.68). Para ello, el especialista selecciona un paciente y tiene dos alternativas para

calificar el resultado del sistema, estas son correcto o incorrecto; asimismo debe escribir un comentario

acerca de la evaluación con el fin de proporcionar un mejor resultado de la prueba.

Figura 5. 68 Resultado de la prevaloración por el sistema para el usuario Médico especialista.

Capítulo V

152

Finalmente, el Médico auxiliar puede visualizar los resultados que se obtuvieron por el sistema para

cada paciente, junto con la validación realizada por el Médico especialista (Figura 5.69).

Figura 5. 69 Resultado de la prevaloración para el usuario Médico auxiliar.

Capítulo V

153

CAPÍTULO VI:PRUEBAS Y

RESULTADOS Sistema de reconocimiento de voz para la detección oportuna de la dislexia en niños

Capítulo VI

155

Capítulo VI

156

CAPÍTULO VI: PRUEBAS Y RESULTADOS

La etapa de reconocimiento de palabras se construyó utilizando el algoritmo de agrupamiento k-Means. La

base de datos del sistema está formada de acuerdo al diccionario de la Tabla 2.1, donde se tienen 20 palabras

pronunciadas correctamente y 20 palabras pronunciadas con dislexia. Las cuales son pronunciadas por un

total de 15 locutores, de los primeros 10 se obtuvieron 2 repeticiones por palabra, utilizando la primera

repetición para el entrenamiento del sistema y la segunda para realizar las pruebas de reconocimiento. De

los últimos 5 locutores se tiene una repetición por palabra, la cual se utilizó para la validación del

reconocedor. Es entonces que, se utilizaron 400 grabaciones para la etapa de entrenamiento, 400 para la

etapa de prueba y 200 grabaciones para validación. .

La Tabla 6.1 expone los resultados obtenidos para cada palabra reconocida en la etapa de

entrenamiento. El número 1 indica que la palabra pronunciada por ese locutor fue reconocida correctamente

y el número 0 indica lo contrario; la última columna de esta tabla expone el total de reconocimiento por

palabra, en este campo el numerador indica cuantas palabras fueron reconocidas correctamente y el

denominador indica el total de palabras evaluadas.

Tabla 6.1 Resultados obtenidos para la etapa de entrenamiento

Entrenamiento

Palabra Pronunciada Locutor

Total de reconocimiento L1 L2 L3 L4 L5 L6 L7 L8 L9 L10

Alba 1 0 1 1 1 1 1 1 1 1 9/10

Alda 1 1 1 1 1 0 1 1 0 0 7/10

Bala 1 1 1 1 1 1 1 0 0 1 8/10

Dala 1 0 0 0 0 1 0 1 0 0 3/10

Blanca 1 1 1 1 1 1 0 1 1 1 9/10

Danca 0 1 0 1 1 0 1 0 1 1 6/10

Beber 1 1 1 1 1 1 1 1 1 1 10/10

Deber 0 1 1 1 1 0 0 1 0 1 6/10

Boda 1 0 1 1 1 1 1 1 1 1 9/10

Poda 1 1 1 1 1 1 1 1 1 1 10/10

Bonito 0 1 0 1 1 1 1 0 0 0 5/10

Ponito 1 1 1 1 1 1 1 1 1 1 10/10

Escapó 1 1 1 1 1 1 1 1 1 1 10/10

Escabo 1 1 0 1 1 1 0 1 1 0 7/10

Parque 0 1 1 1 1 1 1 1 1 1 9/10

Barque 0 1 0 1 1 1 1 1 1 1 8/10

Antena 1 1 1 1 1 1 1 1 0 1 9/10

Nantena 1 1 1 0 1 0 1 1 0 1 7/10

Bosque 1 1 1 1 1 1 1 1 1 1 10/10

Boque 1 1 1 1 1 1 0 1 1 1 9/10

Calcetin 1 1 1 1 1 1 0 1 1 1 9/10

Carcetin 1 1 1 0 1 0 1 1 1 1 8/10

Calle 1 1 1 1 1 1 0 1 1 1 9/10

Cache 0 1 0 1 0 1 1 1 1 1 7/10

Camello 1 1 0 1 1 1 0 1 1 1 8/10

Canello 1 1 1 0 1 0 1 1 0 1 7/10

Clavado 1 1 1 1 1 1 1 1 1 1 10/10

Calvado 0 1 1 1 1 0 1 0 1 1 7/10

Capítulo VI

157

Tabla 6. 2(continuaciòn): Resultados obtenidos para la etapa de entrenamiento

Esferico 1 1 1 1 1 1 1 1 1 1 10/10

Seferico 1 1 1 1 1 1 1 1 1 1 10/10

Esparrago 1 0 1 1 1 0 0 1 1 1 7/10

Aseparrago 1 1 1 1 1 1 1 1 1 1 10/10

Hipopotamo 1 1 1 1 1 1 1 1 0 1 9/10

Hipotamo 1 1 1 1 1 1 1 1 1 1 10/10

Instituto 1 1 1 1 1 1 1 1 1 1 10/10

Istituto 1 1 1 1 1 1 1 1 1 1 10/10

Partido 1 1 1 1 1 0 1 1 1 1 9/10

Pratido 1 1 0 1 1 1 0 1 1 0 7/10

Plancha 1 0 1 1 1 1 1 1 1 1 9/10

Palancha 1 1 1 0 1 1 1 1 1 1 9/10

Reconocimiento por

locutor 33 35 32 35 38 31 30 36 31 35 336/400

A continuación en la Tabla 6.3, se muestran los resultados obtenidos en la etapa de prueba, donde se

utilizaron grabaciones distintas de los mismos locutores.

Tabla 6.3 Resultados obtenidos en la etapa de prueba

Prueba


Total de reconocimiento L1 L2 L3 L4 L5 L6 L7 L8 L9 L10

Alba 0 0 1 1 1 1 1 1 0 0 6/10

Alda 0 1 1 1 1 0 0 1 0 0 5/10

Bala 1 1 1 1 1 1 1 0 1 1 9/10

Dala 1 0 0 0 1 1 0 1 0 0 4/10

Blanca 1 1 1 1 1 1 0 1 1 1 9/10

Danca 0 0 0 1 0 0 1 1 0 1 4/10

Beber 1 1 1 1 0 1 1 1 1 1 9/10

Deber 0 0 1 0 1 0 0 1 0 1 4/10

Boda 1 0 1 0 1 0 1 1 1 0 6/10

Poda 1 1 1 1 1 1 1 1 0 1 9/10

Bonito 0 1 0 0 1 0 1 0 0 0 3/10

Ponito 1 1 1 1 1 0 1 1 0 1 8/10

Escapó 1 1 1 1 1 1 1 1 1 1 10/10

Escabo 0 1 1 1 0 1 0 1 1 1 7/10

Parque 1 1 1 1 1 1 0 1 1 0 8/10

Barque 1 0 1 0 1 1 1 1 0 1 7/10

Antena 1 1 1 1 1 1 0 1 1 1 9/10

Nantena 1 1 1 0 0 0 1 0 1 1 6/10

Bosque 1 1 1 1 1 0 1 1 1 1 9/10

Boque 1 1 1 0 1 1 1 1 1 1 9/10

Calcetin 1 0 1 0 1 1 0 1 1 1 7/10

Carcetin 1 1 0 1 1 1 1 1 1 1 9/10

Calle 1 1 1 1 1 1 0 1 1 0 8/10

Capítulo VI

158

Tabla 6. 4(continuación): Resultados obtenidos en la etapa de prueba

Cache 1 1 0 1 1 1 1 0 0 1 7/10

Camello 1 1 0 1 1 1 1 0 1 1 8/10

Canello 1 0 0 1 1 0 1 1 0 1 6/10

Clavado 1 0 1 0 1 0 1 1 1 1 7/10

Calvado 1 0 0 1 0 0 1 0 1 0 4/10

Esferico 1 1 1 1 1 1 1 1 1 1 10/10

Seferico 1 1 1 1 1 1 1 1 1 1 10/10

Esparrago 1 0 1 1 1 0 0 1 1 1 7/10

Aseparrago 1 1 1 1 1 1 1 1 1 1 10/10

Hipopotamo 1 1 0 0 1 1 1 1 1 1 8/10

Hipotamo 0 1 1 1 1 1 1 1 0 0 7/10

Instituto 1 1 1 1 1 1 1 1 1 1 10/10

Istituto 1 1 1 1 1 1 0 1 1 1 9/10

Partido 0 1 1 1 1 0 1 1 1 0 7/10

Pratido 1 1 0 1 1 1 1 1 0 1 8/10

Plancha 1 1 1 0 1 1 0 1 1 1 9/10

Palancha 1 0 1 0 1 1 1 0 1 1 7/10

Reconocimiento por

locutor 32 28 30 28 35 27 28 33 27 30 298/400

Por último, en la Tabla 6.5 se observan los resultados al validar el sistema con 5 locutores, los cuales

no pertenecen a la etapa de entrenamiento.

Tabla 6.5 Resultados obtenidos en la etapa de validación

Validación


Total de reconocimiento L11 L12 L13 L14 L15

Alba 1 1 1 1 1 5/5

Alda 1 1 1 1 1 5/5

Bala 1 1 1 1 1 5/5

Dala 0 1 1 0 1 3/5

Blanca 0 1 1 0 1 3/5

Danca 0 0 1 1 0 2/5

Beber 1 1 1 1 1 5/5

Deber 0 1 0 0 0 1/5

Boda 1 0 1 1 0 3/5

Poda 1 0 0 1 1 3/5

Bonito 1 0 1 1 1 4/5

Ponito 1 1 1 0 1 4/5

Escapó 1 0 0 0 1 2/5

Escabo 0 0 1 0 1 2/5

Parque 1 1 1 1 1 5/5

Barque 0 0 1 1 0 2/5

Antena 1 1 1 0 1 4/5

Nantena 0 1 1 0 1 3/5

Bosque 1 1 1 1 0 4/5

Boque 1 1 1 0 1 4/5

Calcetin 1 1 1 0 1 4/5

Capítulo VI

159

Tabla 6. 6(continuación) Resultados obtenidos en la etapa de validación

Carcetin 1 0 1 1 0 3/5

Calle 1 0 1 0 1 3/5

Cache 1 0 0 1 0 2/5

Camello 1 1 0 1 1 4/5

Canello 1 0 0 1 1 3/5

Clavado 1 0 1 1 1 4/5

Calvado 0 1 0 0 0 1/5

Esferico 1 1 1 1 1 5/5

Seferico 0 1 0 0 0 1/5

Esparrago 0 1 0 1 1 3/5

Aseparrago 1 1 0 0 0 2/5

Hipopotamo 1 0 0 0 1 2/5

Hipotamo 0 1 1 1 1 4/5

Instituto 1 0 1 1 0 3/5

Istituto 1 1 0 1 0 3/5

Partido 0 0 1 1 0 2/5

Pratido 1 0 0 0 0 1/5

Plancha 1 0 1 0 1 3/5

Palancha 1 0 0 1 1 3/5

Reconocimiento por

locutor 28 22 26 23 26 125/200

Finalmente, la Tabla 6.7 muestra el rendimiento del reconocedor con base en los resultados que se

tienen para cada conjunto de palabras. Este porcentaje se obtiene al calcular el total de palabras reconocidas

correctamente por conjunto y dividirlo entre el total de palabras evaluadas.

Tabla 6.7 Rendimiento del Reconocedor de Voz

Identificador Conjunto de Palabras

Porcentaje

Aciertos

Entrenamiento

Porcentaje de

Aciertos

Prueba

Porcentaje de

Aciertos

Validación

CP1 Alba Alda 80% 55% 100%

CP2 Bala Dala 55% 65% 80%

CP3 Beber Deber 80% 65% 60%

CP4 Blanca Danca 75% 65% 50%

CP5 Boda Poda 95% 75% 60%

CP6 Bonito Ponito 75% 55% 80%

CP7 Escapó Escabó 85% 85% 40%

CP8 Parque Barque 85% 75% 70%

CP 9 Antena Nantena 80% 75 % 70%

CP10 Bosque Boque 95% 90 % 80%

CP11 Calcetín Carcetin 85% 80% 70%

Capítulo VI

160

Tabla 6. 8 (continuación): Rendimiento del Reconocedor de Voz

CP12 Calle Cache 80% 75% 50%

CP13 Camello Canello 75% 70% 70%

CP14 Clavado Calvado 85% 55% 50%

CP15 Esférico Seferico 100% 100% 60%

CP16 Esparrago Aseparrago 85% 85% 50%

CP17 Hipopótamo Hipotamo 95% 75% 60%

CP18 Instituto Istituto 100% 95% 60%

CP19 Partido Pratido 80% 75% 30%

CP20 Plancha Palancha 90% 80% 60%

Total de reconocimiento 84% 75% 63%

De la tabla anterior, se establece el desempeño del reconocimiento de 75%. Este porcentaje se obtiene

de la etapa de pruebas del sistema donde se evaluaron palabras diferentes de los mismos locutores; también

se observa que el desempeño del reconocedor al evaluar locutores que no se encuentran en el patrón

disminuye al 63%.

6.1 Sugerencias para uso del sistema

Los resultados en el sistema se obtuvieron tomando en cuenta las siguientes sugerencias.

Este sistema es un prototipo auxiliar en la detección de dislexia, funciona como un primer filtro al

realizar una prevaloración. Como se ha mencionado, el sistema está enfocado para la evaluación de niños

que viven en comunidades pequeñas y que no tienen acceso a un especialista del habla. Mediante esta

herramienta utilizada por médico auxiliar, es posible realizar un primer acercamiento a la detección de este

trastorno.

1. El sistema proporciona mejores resultados si los niños a evaluar forman parte del patrón de

detección, por lo tanto se sugiere que los patrones se construyan con un aproximado del 60% de la

población de niños a evaluar.

2. Para hacer la prueba de lectura de un niño, se deben utilizar las palabras que se encuentran en la

presentación mostrada en la Figura 5.59.

3. Al realizar una grabación se recomienda:

• Utilizar un micrófono con características similares a las especificadas en la Tabla 3.5.

• Para evitar la captación de fuentes sonoras no deseadas, se debe colocar el micrófono a

180° utilizando la boca como punto de referencia. Además se sugiere colocar el micrófono

a 5 cm de distancia con respecto a la boca (Figura 5.6), con esto también se evita que el

micrófono capte la respiración.

Capítulo VI

161

Figura 5. 70 Posición del micrófono para realizar una grabación.

• Mientras se graba se debe minimizar cualquier sonido que no sea del habla, como tomar

aire, producir sonidos con los labios u otros ruidos ambientales.

• Apagar cualquier otro programa de audio que se esté ejecutando en la computadora, como

reproductores de música o editores de audio.

• Hacer una prueba de grabación, antes de capturar las palabras que serán subidas al sistema.

• Por cada palabra se debe realizar una grabación, por lo que se debe iniciar la grabación,

leer una palabra y guardar el archivo de audio con el nombre de la palabra grabada.

• Las muestras que formaron los patrones de cada palabra mantienen una relación señal a

ruido en un rango de 14.26dB a 29.26 dB, por lo que se sugiere que las grabaciones a

comparar mantengan este intervalo de SNR.

CAPÍTULO VII:

CONCLUSIONES Sistema de reconocimiento de voz para la detección oportuna de la dislexia en niños

Capítulo VII

163

Capítulo VII

164

VII. CONCLUSIONES Con base en los resultados obtenidos se pueden concluir aspectos relacionados con las etapas del

reconocimiento de voz y del sistema de información.


Filtrado

Los filtros que se implementaron y la secuencia con la que se aplican a una señal de voz, entregan resultados

satisfactorios; esto es, mostrando que la implementación funciona dado que la relación señal a ruido

incrementa después de aplicar este preprocesamiento; lo que a su vez permitió realizar una detección de

inicio y fin exclusiva de la palabra, es decir, que se suprimen señales indeseables.

Detección de inicio y fin

Inicialmente, se almacenaron 10 palabras por cada locutor en un solo archivo de audio. Esto con la finalidad

de aplicar el algoritmo de detección de inicio y fin para obtener palabras aisladas. Sin embargo, calcular la

magnitud promedio de la grabación completa, no proporciona los umbrales adecuados para separar las

palabras a través de esta técnica

Por lo tanto, se procedió a realizar grabaciones de la lectura de palabras aisladas. En estos archivos se aplicó

un algoritmo con la finalidad de recortar el ruido de piso al inicio y fin de cada grabación; luego se procedió

a caracterizar cada segmento de la señal resultante.

Asimismo, se realizaron modificaciones en el algoritmo para recortar ruidos iniciales provenientes de la

apertura de labios que no fueron eliminados durante la etapa de filtrado.

LPC

Es necesario que cada par de palabras tenga el mismo número de coeficientes LPC para poder compararse

correctamente, por lo que fue preciso realizar un escalamiento, el cual permitió igualar la longitud de cada

palabra.

La técnica LPC con la que se extraen características, representa una señal de voz que resalta los fonemas

con sonido sonoro como es el caso de las vocales, es entonces que, la diferencia entre un par de palabras

que cambian únicamente en un fonema es mínima, por ejemplo, entre las palabras alba y alda.

Clasificación

Con el algoritmo de clasificación k-Means se genero un patrón de voz para cada palabra en la base de datos,

para lo cual se utilizaron los coeficientes LPC de las señales de voz. En el patrón se observan los segmentos

en los cuales radica la diferencia entre cada par de palabras, aunque esta es mínima.

Esta técnica permitió encontrar patrones representativos para cada palabra de la base de datos, a pesar que

integra los LPC de cada locutor correctamente, la diferencia entre ellos es mínima, de tal manera que es

complejo establecer un umbral que permita distinguir entre una y otra.

Finalmente, el reconocedor desarrollado para esta aplicación, está enfocado a trabajar con niños evaluando

su pronunciación para la detección de dislexia, lo cual implica integrar diferentes locutores y distinguir

entre palabras similares. En este trabajo se logró un rendimiento en la etapa de reconocimiento de 75% con

Capítulo VII

165

el cual se logra una diferenciación entre una persona con dislexia de otra que no la padece. Estos resultados,

por lo tanto, requieren de la opinión final de un especialista, el sistema sólo proporciona una estimación.

7.2 Sistema de información

El diseño del sistema de información, permite realizar la prevaloración de un usuario mediante las interfaces

desarrolladas, con esto se cumple el objetivo de hacer una herramienta para una evaluación a distancia; lo

que permite acercar aquellas personas que se encuentran lejos de los especialistas en trastornos del habla.

El sistema de información integra la participación de un médico auxiliar y un médico especialista, quienes

valoran los resultados para el prediagnóstico; esto posiciona al prototipo con un auxiliar para la detección.

Sin embargo, el desempeño del sistema de información está sujeto a los resultados de la evaluación de

dislexia. Debido a que la detección del trastorno depende directamente del reconocimiento de voz, el

sistema de información funciona bajo las condiciones definidas anteriormente.

Por otra parte, es importante mencionar las variantes que se encontraron en la práctica al realizar las

grabaciones que conforman el modelo acústico del sistema, mismas que influyen en los alcances del

sistema.

Participantes con un nivel de lectura bajo, el cual no concuerda con el grado escolar al que

pertenecen; como los casos donde los niños sólo conocen algunas letras del abecedario.

Participantes que tienen más de una dificultad en el habla como la disfemia o que presentan alguna

enfermedad del aparato fonador.

Estos participantes por el momento no son incluidos en el sistema, debido a que estas dificultades además

de modificar la lectura de una palabra, para el caso de tener dislexia, también modifican la señal de voz al

existir una alteración en los fonemas pronunciados.

Actualmente no se cuenta con un diccionario global de palabras auxiliares para la detección de dislexia,

cada especialista tiene su propio banco de palabras, por lo cual es necesario que el especialista acuda o

evalúe personalmente a un paciente. Como se mencionó anteriormente esta propuesta recopila palabras de

un estudio realizado en la Cuidad de México, aunado a esto, se integraron palabras recomendadas por una

especialista en pedagogía y educación preescolar. Por lo tanto este sistema de información facilita estas

palabras a aquellas personas que puedan fungir como un auxiliar para la detección del trastorno.

7.3 Trabajo a futuro

Con base en los resultados obtenidos, se proponen las siguientes mejoras al módulo de reconocimiento de

voz en el sistema.

1. Implementación de un algoritmo distinto que permita medir la similitud entre dos secuencias

temporales pese a que estén pronunciadas a velocidades distintas.

2. Realizar la comparación entre fonemas y no entre palabras retomando los algoritmos de

clasificación implementados en este trabajo junto con otros que se sabe sirven para el

reconocimiento de voz.

Capítulo VII

166

3. Para mejorar esta propuesta se sugiere hacer del sistema un modelo evolutivo, con el fin de que

cada muestra de voz ingresada al sistema sea evaluada y pase a formar parte del modelo acústico

del sistema. Con ello se actualizaría el promedio de segmentos para cada palabra y se ampliaría el

número locutores para formar un patrón, lo que podría tener un patrón que permita realizar la

detección con mayor precisión.

Capítulo VII

167

Bibliografía

168

Bibliografía

[1] INEGI, «Instituto Nacional de Estadística y Geografía,» INEGI, 2010. [En línea]. Available:

http://cuentame.inegi.org.mx/poblacion/discapacidad.aspx?tema=P. [Último acceso: 3 noviembre

2016].

[2] J. E. Jiménez, Dislexia en español, Madrid: Pirámide, 2012.

[3] D. G. Martín, «Prevalencia e indicadores cognitivos y familiares de la dislexia en adolescentes,»

2012. [En línea]. Available: ftp://tesis.bbtk.ull.es/ccssyhum/cs377.pdf. [Último acceso: 14 octubre

2016].

[4] H. K. De León Ortíz, «Dislexia y bajo rendimiento escolar,» octubre 2014. [En línea]. Available:

http://recursosbiblio.url.edu.gt/tesisjcem/2014/05/22/De%20Leon-Heidi.pdf. [Último acceso: 21

octubre 2016].

[5] L. Furlong, S. Erickson y M. E. Morris, «Computer-based speech therapy for childhood speech

sound disorders,» Journal of Communication Disorders, vol. 68, nº Junio, pp. 50-59, 2017.

[6] J. Becerra Becerra, D. A. Farías Pineda y V. Martínez Sánchez, Sistema de reconocimiento de

palabras clave en conversación de voz, Ciudad de México, 2015.

[7] C. Aguilar Orozco y M. Benitez Marin, Sistema certificador de locutor por voz, Ciudad de México,

2003.

[8] D. S. Abraham, Gamevoice, videojuego controlado por voz, Ciudad de México.

[9] J. D. Paz Jaimes y S. Flores Clemente, Sistema de seguridad de activación automatica para joyerías,

Ciudad de México, 2017.

[10] A. B. Burraco, «Neurobiología y neurogenética de la dislexia,» Neurología, vol. 25, nº 9, pp. 563-

581, 2009.

[11] L. E. A. Borja, Evaluacion y tratamiento de niños disléxicos, Ciudad de México: Trillas, 2007.

[12] F. N. S. F. Ignacio Cobeta, Patología de la voz, Barcelona: Marge Médica Books, 2013.

[13] E. Obediente, Fonética y Fonología, Venezuela: Consejo de Publicaciones de la Universidad de Los

Andes, 2007.

[14] R. D. González, «Producción de la voz y el habla,» 2014. [En línea]. Available:

https://repositorio.unican.es/xmlui/bitstream/handle/10902/5583/DosalGonzalezR.pdf. [Último

acceso: 24 marzo 2017].

Bibliografía

169

[15] D. K. M. John G. Proakis, Digital Signal Processing, Nueva Jersey: Pearson, 2007.

[16] L. W. C. II, Sistemas de comunicación digitales y analógicos, Ciudad de México: Pearson

Educación, 2008.

[17] J. R. Don Johnson, «Aliasing, Universidad de Washington,» 21 agosto 2003. [En línea]. Available:

http://courses.cs.washington.edu/courses/cse467/05wi/tools/oscopefordummies/aliasing.pdf.

[Último acceso: 12 marzo 2017].

[18] E. H. Pérez, Introducción a las telecomunicaciones modernas, Ciudad de México: Limusa, 2004.

[19] Microsoft, «WAVE PCM soundfile format,» [En línea]. Available:

http://soundfile.sapp.org/doc/WaveFormat/. [Último acceso: 10 enero 2017].

[20] M. S. L. Raúl Ibarra, Principios de teoría de las comunicaciones, Ciudad de México: Limusa, 1999.

[21] A. I. V. Escamilla, «Reconstrucción de señales de entrada con filtros variantes en el tiempo,» 4

diciembre 2009. [En línea]. Available:

http://tesis.ipn.mx/bitstream/handle/123456789/7249/69.pdf?sequence=1. [Último acceso: 14

noviembre 2016].

[22] B. H. J. Lawrence Rabiner, Fundamentals of Speech Recognition, Nueva Jersey: Prentice Hall,

1993.

[23] J. A. M. Saravia, «Segmentación de audio y locutores para recuperación de información multimedia

y su apicación a videos de información turística,» septiembre 2011. [En línea]. Available:

https://repositorio.uam.es/bitstream/handle/10486/12498/60600_20110926JoseAntonioMorejonSar

avia.pdf?sequence=1. [Último acceso: 9 abril 2017].

[24] M. R. S. Lawrence Rabiner, «An algorithm for determining the endpoints of isolated utterances,»

The Bell System Technical Journal, pp. 297-315, febrero 1975.

[25] J. H. Dietrich W. R. Paulus, Applied Pattern Recognition, Berlín: Springer Vieweg Verlag, 2003.

[26] K. P. Murphy, «Machine Learning: A Probabilistic Perspective,» 22 mayo 2012. [En línea].

Available: https://www.cs.ubc.ca/~murphyk/MLbook/pml-intro-22may12.pdf. [Último acceso: 25

marzo 2017].

[27] D. R. S. Olson, Phyton Machine Learning, Reino Unido: Packt Publishing Limited, 2015.

[28] S. Marsland, Machine learning: An Algoritmic Perspective, Nueva Zelanda: Chapman & Hall,

2009.

Bibliografía

170

[29] S. E. S. C. o. t. I. C. Society, IEEE 380 Recommended Practice for Software Requirements

Specications, 1998.

ANEXO


Anexo

172

MANUAL DE USUARIO


1. Introducción

Este manual tiene como objetivo dar a conocer las

características y las formas de funcionamiento de las

interfaces correspondientes al Sistema de

reconocimiento de voz para la detección oportuna de

dislexia en niños. Este es un sistema auxiliar para el

diagnóstico de este trastorno a distancia, debido a

que funciona como un primer filtro en la detección.

Existen tres roles de usuario para acceder al sistema:

Administrador, Médico auxiliar y Médico

especialista.

2. Entrada al sistema

Para acceder al sistema, el usuario deber hacer uso

de sus credenciales de acceso, esto es, usuario y

contraseña. Por lo cual deben estar registrados en la

base de datos del sistema.

El usuario Administrador gestiona y controla el

sistema en general por lo que cuenta con un par

usuario/contraseña desde que tiene permisos en el

sistema. En el caso de un usuario Médico

especialista, las credenciales de acceso se obtienen

mediante su registro realizado por el Administrador.

Un usuario Médico auxiliar solicita su alta o registro

en el sistema mediante el portal de entrada del

sistema.

2.1 Portal de entrada

Actualmente para ingresar al sistema se utiliza el

siguiente enlace:

http://jesusolivares.com/dis

Ingresar a la URL, le permitirá al usuario acceder a

al sitio web con sus credenciales o acceder al

formulario de Registro de usuario.

174

Botones disponibles

Entrar: Una vez introducido el correo electrónico y

la contraseña, se debe presionar este botón para

ingresar a la página principal correspondiente a cada

usuario.

Registrarse: Si desea registrarse en el sistema como

Médico auxiliar, deber presionar este botón y

accederá al formulario de registro.

3. Usuario Administrador

Al ingresar al sistema con las credenciales

correspondientes al usuario administrador, se tendrá

acceso a la siguiente página de inicio.

Aquí se tiene acceso, al menú de administrador con

las pantallas Inicio, Especialistas, Usuarios y

Ayuda.

Botones disponibles

Cerrar sesión: Para salir del sitio y cerrar su sesión

de usuario, debe pulsar este botón que lo situará en

el portal de entrada.

3.1 Inicio

Esta pantalla, le permite regresar a la página de

inicio del sitio.

3.2 Especialistas

En esta sección el Administrador del sistema puede

registrar a un usuario Médico Especialista, quien es

el responsable de validar los resultados del sistema.

Los médicos especialistas son registrados por este

usuario debido a que emiten el prediagnóstico final

en el sistema y deben ser capacitados para el uso de

sus interfaces.

En esta pantalla se deben ingresar todos los datos del

especialista para ser guardados en la base de datos

del sistema. Los datos en los campos Contraseña y

Confirma contraseña, deben ser iguales para

proporcionar las claves de acceso del especialista

correctamente.

Botones disponibles

Guardar: Almacena los datos del especialista en la

base de datos del sitio.

Cancelar: Cancela la operación y sitúa al usuario en

la página de inicio.

3.3 Usuarios

Cada vez que un Médico auxiliar, solicita el ingreso

al sistema, este aparece en la pantalla Usuarios a

validar, ubicada en la sesión del Administrador.

Para validar a un usuario, como administrador debe

corroborar sus datos en el portal:

https://www.cedulaprofesional.sep.gob.mx/cedula/

presidencia/indexAvanzada.action

175

Si los datos son correctos, seleccione el «checkbox»

correspondiente al usuario en la columna Validar, en

caso contrario seleccione el «checkbox» de la

columna Eliminar.

Botones disponibles

Validar usuarios seleccionados: En este botón se

permite al acceso al sitio a un usuario Médico

auxiliar. Se liberan sus credenciales de acceso y

desde ese momento puede ingresar sitio desde el

portal de entrada.

Eliminar usuarios seleccionados: Si los datos son

incorrectos elimina el registro de este usuario de la

base de datos.

Los resultados de esta acción aparecen en la misma

pantalla.

3.4 Ayuda

En esta pantalla puede consultar el funcionamiento

de las principales pantallas en esta sesión de usuario.

4. Usuario Médico Auxiliar

En el caso de ingresar al sistema con las credenciales

correspondientes a un Médico Auxiliar, este

accederá a la siguiente página de inicio.

Aquí se muestra el menú correspondiente a esta

sección, el cual enlista las pantallas: Inicio, Dislexia,

Pacientes, Ayuda, Descargas y Configuración.

Botones disponibles




4.1Inicio

Esta pantalla, le permite al usuario regresar a la

página de inicio del sitio; desde la pantalla en que se

encuentre.

4.2 Dislexia

Al ingresar en esta pantalla obtendrá información

importante acerca del trastorno de dislexia. Esta

pantalla explica que es el trastorno de dislexia,

cuáles son los síntomas principales que afectan a

quien la padece y cuales sirven como indicadores

para realizar un diagnóstico, además resalta que

personas pueden padecer dislexia y describe cómo

funciona la propuesta de este sistema para realizar

un prediagnóstico.

4.3 Pacientes

Para realizar una prueba de prevaloración de dislexia

es necesario registrar a cada paciente que será

176

evaluado. Por lo que debe de ingresar a la pantalla

Pacientes; aquí se desplegará un formulario para

registrar los datos del niño, incluyendo su CURP ya

este que sirve como identificador único de cada

paciente.

Botones disponibles

Guardar: Almacena los datos del paciente en la base

de datos del sitio.

Cancelar: Cancela la operación y sitúa al usuario en

la página de inicio.

Los resultados de la acción Guardar aparecen en la

misma pantalla.

En esta pantalla también se pueden observar los

pacientes registrados y se permite llevar un control

de la información de cada paciente, como datos

personales, archivos de voz subidos al sistema y el

resultado de la prevaloración realizada.

Botones disponibles

Editar: Muestra la interfaz para actualizar los datos

de un paciente registrado en el sistema.

Subir Archivos: Muestra la interfaz para subir los

archivos de audio de un paciente.

Resultados: Muestra los resultados de la prueba de

prevaloración de dislexia.

4.3.1 Editar

La opción Editar, consiste en actualizar la

información del paciente o eliminar el registro

completo. El formulario que se muestra a

continuación manda a llamar los datos del paciente

seleccionado y permite editarlos.

Botones disponibles

Actualizar: guarda en la base de datos cada

modificación.

Eliminar: suprime el registro del paciente

seleccionado en la base de datos.

Los resultados de la acción Actualizar aparecen en

la misma pantalla.

4.3.2 Subir Archivos

Para realizar una prevaloración de dislexia se deben

proporcionar los archivos de audio de un paciente.

Por lo que es necesario enviarlos al servidor

mediante la opción subir archivos en la pantalla

Pacientes. Ahí debe seleccionar los archivos de

audio un paciente y subirlos uno por uno.

177

Botones disponibles

Subir archivo: crea automáticamente un directorio

dentro del servidor donde se almacenan los archivos.

El directorio de cada paciente se identifica con su

CURP y la Cédula Profesional del usuario que hace

la evaluación.

Los resultados de la acción -Subir archivo aparecen

en la misma pantalla.

4.3.3 Resultados

Para visualizar los resultados de la prueba, debe

ingresar a la opción Resultados en la pantalla

especialista. Ahí puede observar los resultados que

se obtuvieron por el sistema para cada paciente,

junto con la validación realizada por el Médico

especialista.

4.4 Ayuda

En la pantalla Ayuda, puede encontrar una guía

simplificada para el uso del sistema; dicha guía es

un complemento de este manual donde se explica

cómo realizar una grabación adecuada de cada

palabra.

4.5 Descargas

Las palabras que este sistema utiliza para detectar

dislexia, se encuentran en la sección de descargas.

Ahí se proporciona una presentación que contiene el

diccionario de palabras que un niño debe leer para

realizar la prueba.

178

4.6 Configuración

Si desea cambiar su contraseña, debe ingresar a la

pantalla Configuración. Para ello el sistema obtiene

su identificación del inicio de sesión y solicita la

nueva contraseña; como en el registro la contraseña

inicial y la contraseña de confirmación deben ser

iguales para que el cambio se realice

Botones disponibles

Cambiar: Verifica que los datos ingresados en

Contraseña nueva y Confirma contraseña sean

iguales; y actualiza la nueva contraseña en la base de

datos del sistema.

Los resultados de la acción Cambiar, se muestran en

la misma pantalla.

5. Usuario Médico especialista

Al ingresar al sistema con las credenciales

correspondientes al usuario Médico especialista, se

tendrá acceso a la siguiente página de inicio.

Aquí se tiene acceso, al menú de administrador con

las pantallas Inicio, Pacientes, Archivos y Ayuda.

Botones disponibles




5.1 Inicio

Esta pantalla, le permite regresar a la página de

inicio del sitio.

5.2 Pacientes

En esta sección puede validar los resultados del

sistema; para ello debe seleccionar un paciente.

Posteriormente debe elegir entre dos alternativas

para calificar el resultado del sistema, estas son

correcto o incorrecto; asimismo debe escribir un

comentario acerca de la evaluación con el fin de

proporcionar un mejor resultado de la prueba.

5.3 Archivos

Para tener acceso a los archivos de audio que se

encuentran en el servidor, se proporciona esta

sección.

179

Botones disponibles

Crear carpeta ZIP: actualiza el directorio de archivos

y crear una carpeta ZIP que contiene todas las

pruebas de cada paciente.

Descarga archivos: descarga carpeta creada en su

equipo de cómputo.

Los resultados de la acción Crear carpeta ZIP se

muestran en la misma pantalla.

5.4 Procesamiento de archivos de audio.

Como usuario Médico especialista, tiene la función

de procesar los archivos de audio que lleguen al

servidor; esta es la función principal del sistema. Es

primordial recibir los archivos de audio de aquellos

participantes que no tienen la posibilidad de ser

valorados por un especialista en trastornos del habla

personalmente, pero que pueden enviar la lectura de

palabras clave por medio de grabaciones y realizar

una prevaloración a distancia.

Para realizar el procesamiento de los archivos que se

encuentren en el servidor, se debe ingrsar a la

interfaz de procesamiento y seleccionar el directorio

a examinar, utilizando el botón Directorio.

Botones disponibles

Directorio: establece el directorio inicial donde se

encuentran almacenados los archivos con formato

WAV, los cuales están ordenados por la cédula del

médico auxiliar y el CURP del paciente.

Una vez que se seleccionó el directorio, se procede

a analizar los archivos en cada carpeta. Con el botón

Analizar.

Analizar: obtiene el nombre de cada archivo, el cual

permite realizar la comparación con los patrones

correspondientes a cada palabra.

En esta sección se lleva a cabo el reconocimiento de

voz de donde se obtienen los resultados

“Pronunciación normal” y “Pronunciación con

dislexia”. Los resultados de cada paciente se

guardan en la base datos del sistema y se imprimen

en la pantalla de esta interfaz.

Finalmente, debe validar los resultados en la

pantalla Pacientes descrita en la sección 5.2 de este

manual.

instituto politecnico nacionaljesusolivares.com/multi/tesiskarla-itzel.pdf · instituto politecnico...

Documents