Résumé:
Dans ce mémoire, nous nous intéressons aux techniques d’apprentissage automatique utilisées
pour l’identification des troubles de la voix. Nous présentons les deux méthodes
d’apprentissage automatique supervisé Machine à Vecteurs de Support (SVM) et K-Plus
Proches Voisins (K-NN) pour détecter la voix normale et pathologique de 150 fichiers de la
base de données MEEI et classer cinq différentes pathologies vocales. Nous utilisons les
MFCC, Jitter et ses variantes, Shimmer et ses variantes et HNR comme paramètres pour la
discrimination de la voix. Nous étudions ces deux classificateurs par l’application MATLAB
Classification Learner en utilisant la validation simple et la validation croisée (kv =5 et kv =10),
et en changeant la méthode multi-classes pour le SVM. Nous terminons ce travail par
l’optimisation des hyper-paramètres des deux méthodes en appliquant les trois techniques
disponibles dans l’application Classification Learner (recherche de grille, recherche aléatoire et
optimisation Bayésienne).
.
