Identification des troubles de la voix à l’aide des techniques d’apprentissage automatique.

Abstract

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). .