Aplicação de análise wavelet e paraconsistent feature extraction no diagnóstico de patologias da voz

• Ano de defesa: 2025
• Autor(a) principal: Dalalana, Gabriel José Pellisser
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise Wavelet; Diagnosis of voice disorders; Diagnóstico de distúrbios da voz; Lógica paraconsistente,Técnicas não invasivas; Non-invasive techniques; Paraconsistent logic; Wavelet analysis
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-21032025-074016/

Neste projeto de pesquisa, será apresentada uma abordagem prática que abrange a anatomia do sistema vocal humano e as patologias associadas, com um foco particular nas técnicas de processamento de sinais, especificamente a análise Wavelet e a lógica para-consistente. A fala humana, um mecanismo complexo de comunicação, é influenciada por uma variedade de fatores biomecânicos e fisiológicos que são essenciais para a produção vocal. Distúrbios vocais, que podem afetar a qualidade e clareza da fala, são causados por uma gama de condições, incluindo danos físicos às pregas vocais, uso excessivo da voz, ou problemas neurológicos. O diagnóstico desses distúrbios frequentemente envolve técnicas não invasivas, como a análise acústica da voz, que podem ser significativamente aprimoradas com o uso de tecnologias de processamento de sinal. A análise Wavelet, em particular, proporciona uma ferramenta poderosa para decompor o sinal de voz em componentes de frequência e tempo, permitindo uma detecção mais detalhada de irregularidades vocais. Além disso, a lógica paraconsistente oferece um método promissor para lidar com contradições e inconsistências em dados, o que pode ser especialmente útil em diagnósticos complexos onde múltiplas condições podem estar presentes. As técnicas de Wavelet são discutidas em detalhe, destacando sua aplicabilidade na identificação de padrões específicos de patologias da voz, o que é crucial para o desenvolvimento de métodos diagnósticos mais precisos e eficazes que serão, posteriormente, automatizados através do uso de classificadores inteligentes, como a Support Vector Machine. Resultados obtidos comprovam a eficácia do método proposto, atingindo 98,65% de acurácia fazendo uso da Taxa de Cruzamento por Zero, superando, seja na acurácia obtida, ou na simplicidade de fazer uso de apenas uma única característica extraída, demais métodos da literatura.