Deep neural network para análisis acústico

Autores
García, Mario Alejandro; Rosset, Ana Lorena; Destéfanis, Eduardo A.; Cerruti, Santiago; Moyano, Miguel
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La valoración de la calidad vocal mediante el análisis audio-perceptual es parte de la rutina clínica de evaluación de pacientes con trastornos de la voz. La debilidad de este método reside en la subjetividad y en la necesidad de que sea realizada por oyentes experimentados. Este proyecto tiene como objetivo la realización de una clasificación automática de la calidad vocal, valuada en la escala GRBAS, a través de características extraídas del análisis acústico de la señal y técnicas de aprendizaje automático. Particularmente, en este trabajo se muestran los resultados del cálculo de shimmer con un modelo de deep learning.
Eje: Agentes y Sistemas Inteligentes.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
machine learning
deep learning
acoustic analysis
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/67072
Acceder
id SEDICI_313c2b492b594a275a0599064e9a838c
oai_identifier_str oai:sedici.unlp.edu.ar:10915/67072
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Deep neural network para análisis acústicoGarcía, Mario AlejandroRosset, Ana LorenaDestéfanis, Eduardo A.Cerruti, SantiagoMoyano, MiguelCiencias Informáticasmachine learningdeep learningacoustic analysisLa valoración de la calidad vocal mediante el análisis audio-perceptual es parte de la rutina clínica de evaluación de pacientes con trastornos de la voz. La debilidad de este método reside en la subjetividad y en la necesidad de que sea realizada por oyentes experimentados. Este proyecto tiene como objetivo la realización de una clasificación automática de la calidad vocal, valuada en la escala GRBAS, a través de características extraídas del análisis acústico de la señal y técnicas de aprendizaje automático. Particularmente, en este trabajo se muestran los resultados del cálculo de shimmer con un modelo de deep learning.Eje: Agentes y Sistemas Inteligentes.Red de Universidades con Carreras en Informática2018-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf27-31http://sedici.unlp.edu.ar/handle/10915/67072spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4info:eu-repo/semantics/reference/hdl/10915/67063info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-11-26T09:48:10Zoai:sedici.unlp.edu.ar:10915/67072Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-11-26 09:48:10.46SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Deep neural network para análisis acústico
title Deep neural network para análisis acústico
spellingShingle Deep neural network para análisis acústico
García, Mario Alejandro
Ciencias Informáticas
machine learning
deep learning
acoustic analysis
title_short Deep neural network para análisis acústico
title_full Deep neural network para análisis acústico
title_fullStr Deep neural network para análisis acústico
title_full_unstemmed Deep neural network para análisis acústico
title_sort Deep neural network para análisis acústico
dc.creator.none.fl_str_mv García, Mario Alejandro
Rosset, Ana Lorena
Destéfanis, Eduardo A.
Cerruti, Santiago
Moyano, Miguel
author García, Mario Alejandro
author_facet García, Mario Alejandro
Rosset, Ana Lorena
Destéfanis, Eduardo A.
Cerruti, Santiago
Moyano, Miguel
author_role author
author2 Rosset, Ana Lorena
Destéfanis, Eduardo A.
Cerruti, Santiago
Moyano, Miguel
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
machine learning
deep learning
acoustic analysis
topic Ciencias Informáticas
machine learning
deep learning
acoustic analysis
dc.description.none.fl_txt_mv La valoración de la calidad vocal mediante el análisis audio-perceptual es parte de la rutina clínica de evaluación de pacientes con trastornos de la voz. La debilidad de este método reside en la subjetividad y en la necesidad de que sea realizada por oyentes experimentados. Este proyecto tiene como objetivo la realización de una clasificación automática de la calidad vocal, valuada en la escala GRBAS, a través de características extraídas del análisis acústico de la señal y técnicas de aprendizaje automático. Particularmente, en este trabajo se muestran los resultados del cálculo de shimmer con un modelo de deep learning.
Eje: Agentes y Sistemas Inteligentes.
Red de Universidades con Carreras en Informática
description La valoración de la calidad vocal mediante el análisis audio-perceptual es parte de la rutina clínica de evaluación de pacientes con trastornos de la voz. La debilidad de este método reside en la subjetividad y en la necesidad de que sea realizada por oyentes experimentados. Este proyecto tiene como objetivo la realización de una clasificación automática de la calidad vocal, valuada en la escala GRBAS, a través de características extraídas del análisis acústico de la señal y técnicas de aprendizaje automático. Particularmente, en este trabajo se muestran los resultados del cálculo de shimmer con un modelo de deep learning.
publishDate 2018
dc.date.none.fl_str_mv 2018-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/67072
url http://sedici.unlp.edu.ar/handle/10915/67072
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4
info:eu-repo/semantics/reference/hdl/10915/67063
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
27-31
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1849875909419466752
score 13.011256

Publicaciones similares