Search

Resumen En este artículo se comparan los resultados de utilizar señales de voz comprimidas frente a señales de voz sin comprimir para detectar de forma automática anomalías vocales. Las técnicas de codificación y compresión de voz usadas en este estudio son las mismas que se utilizan de forma estándar en los sistemas de telefonía fija, móvil e IP, y las técnicas de caracterización y clasificación usadas también están dentro de las más utilizadas para la detección automática de anomalías de voz. Los resultados obtenidos permiten concluir que es posible utilizar señales de voz comprimidas para detección automática de patologías vocales sin detrimento en el porcentaje de acierto en el diagnóstico, lo que haría posible la implementación de sistemas de telediagnóstico automático de patologías vocales. Abstract: This paper compares the results of using compressed voice signals versus uncompressed speech signals to automatically detect voice abnormalities. Coding techniques and voice compression used in this study are the same as those used by default in the fixed, mobile and ip telephony systems, and techniques of characterization and classification used are also among the most used for detecting automatic speech abnormalities. The results obtained indicate that it is possible to use compressed voice signals for automatic detection of vocal pathologies without compromising the success rate in the diagnosis, which would make the implementation of automatic remote diagnosis of vocal pathologies possible.

The efficient use of spectrum has become an active research area due to its scarcity and underutilization. In a spectrum sharing scenario as cognitive radio (CR), the vacancy of licensed frequency bands could be detected by a secondary user through spectrum sensing techniques. Usually, this sensing approaches are performed with prior knowledge of the channel features. In the present work, a blind spectrum sensing approach based on independent component analysis (ICA) and singular spectrum analy sis (SSA) is proposed. The approach is tested and compared with other outcomes. Results show that the proposed scheme is capable of detecting most of the sources with low time consumption, which is a remarkable aspect for online applications with demanding time issues. Resumen El uso eficiente del espectro se ha convertido en un área de investigación activa, debido a la escasez de este recurso y a su subutilización. En un escenario en el que el espectro es un recurso compartido como en la radio cognitiva (CR), los espacios sin uso dentro de las bandas de frecuencias con licencia podrían ser detectados y posteriormente utilizados por un usuario secundario a través de técnicas de detección y sensado del espe ctro. Generalmente, estas técnicas de detección se utilizan a partir de un conocimiento previo de las características de canal. En el presente trabajo se propone un enfoque de detección ciega del espectro basado en análisis de componentes independientes (ICA) y análisis de espectro singular (SSA). La técnica de detección se valida a través de simulación, y su des empeño se compara con metodologías propuestas por otros autores en la literatura. Los resultados muestran que el sistema propuesto es capaz de detectar la mayoría de las fuentes con bajo consumo de tiempo, un aspecto que cabe resaltar para aplicaciones en línea con exigencias de tiempo.

In this work, a methodology for biosignal analysis (e.g. pathology diagnosis) is discussed, which is based on dynamic relevance analysis of stochastic features extracted from different decomposition techniques of biosignal recordings. Dimension reduction is carried out by adapting in time commonly used latent variable techniques, in such a way, that the data information is maximally preserved for a given relevance function. Specifically, since the maximum variance is assumed as a measure of relevance, time– adapted supervised approaches are developed. Additionally, in the case of high dimensionality data with significant correlation among the whole set, a dimensionality reduction technique is proposed, based on time–frequency relevance maps. The proposed approaches are experimentally assessed on real-world data sets, allowing to confirm whether the proposed feature selection algorithm is adequate for classification purposes. The conjunction of these advances conforms a methodology for training pattern recognition systems, which is a fully automatized dimensionality reduction method that allows the use of functional representations. The main advantage of the proposed methodology, is that preserves the maximum information among the high dimensional input data. In this terms of classifi- cation performance, the proposed methodology is efficient and competitive, outperforming other similar methods. Doctorado