Classification automatique de la parole continue basée sur des indices acoustiques en vue de la caractérisation des troubles de la voix

Abstract

L’analyse du signal de parole est un moyen privilégié pour l’évaluation clinique de la qualité de la voix en vue d’un diagnostic et d’une documentation quantitative des pathologies du larynx. L’analyse acoustique du signal de parole permet une évaluation non invasive et peu coûteuse des troubles de la voix contribuant ainsi un diagnostic plus efficace, rapide et objectif. Le travail de recherche présentée dans cette thèse est dédié à la classification automatique des voix pathologiques dans le but de fournir une méthode complémentaire d’évaluation clinique de la qualité de la voix permettant aux cliniciens le suivi des patients atteints de troubles de la voix. La méthode proposée utilise conjointement les séparateurs à vaste marge (SVM : support vector machine) et les modèles de Markov cachés (HMM : hidden Markov models) afin de profiter des avantages des deux méthodes simultanément. La classification par SVM est basée sur l’apprentissage automatique supervisé avec pour principe de séparer les données de différentes natures par un hyperplan alors que la classification par HMM basée sur l’apprentissage automatique non supervisé avec pour principe de suivre la règle de décision de Bayes. Ces méthodes de classifications ont été appliquées sur un corpus contenant 251 fichiers composés de deux phrases concaténées suivies de la voyelle [a] produites par des sujets normophoniques et des sujets dysphoniques avec différents degrés de dysphonie. Les résultats de classification de la méthode hybride HMM-SVM sont comparés aux résultats obtenus par des méthodes de référence basées sur les SVMs et les HMMs séparément. Les résultats montrent que la combinaison de ces deux méthodes de classification améliore nettement le taux de classification