4/ Stratégies de reconnaissance.
Les deux premières méthodes vont permettre de
faire la reconnaissance de voyelles automatique pour les 255 modèles
pour chaque locuteur (10) et chaque patient (4). Ces reconnaissances vont
être sous forme de matrices similaires à celles des patients.
Exemple: Mode F2F1, patient CO, locuteur Gar par
méthode euclidienne.
|
CALC
|
A
|
I
|
U
|
E
|
|
A
|
6
|
0
|
0
|
6
|
|
I
|
0
|
12
|
0
|
0
|
|
U
|
0
|
0
|
11
|
1
|
|
E
|
0
|
0
|
0
|
12
|
La troisième méthode va permettre de comparer les
matrices de reconnaissances par patient et par ordinateur.
al Méthode euclidienne.
Avant de calculer des distances euclidiennes on va faire une
normalisation des données. Nous allons pour cela procéder de la
manière suivante.
Méthode de normalisation.
On veut faire une étude avec plusieurs grandeurs Fl, F2,
Al, A2, Ti, T2, El, E2.
Comme ces données n'ont pas toutes les mêmes
dimensions il faudra trouver un moyen pour pouvoir les comparer.
La méthode classique qui consiste à centrer
réduire ne peut pas être envisageable car plusieurs de ces
paramètres sont de même nature mais n'ont pas le même effet
sur le patient.
(ex: Un signal émis sur le même numéro
d'électrode ayant la même amplitude n'aurait pas la même
importance si il est émis en tant que 1 er formant qu'en tant que
deuxième formant alors que le patient aurait la même sensation.De
même qu'une variation du premier formant entre l'électrode 17
à 21 aurait le même poids qu'une oscillation du 2ème
formant entre l'électrode 4 à 17 alors que le patient utilise le
même moyen de discrimination de l'électrode.)
Il faudrait donc trouver un moyen qui va nous permettre de
regrouper les données de même nature.
La méthode que nous avons envisagée est de prendre
les domaines de variation,de l'amplitude,de l'électrode,..,et de tout
ramener à la même échelle.(0 à 1)
Cela nous permet donc de pouvoir faire une étude avec tous
ces paramètres en tenant compte de ce que ressent le patient, ce qui est
fondamental pour notre étude.
Distance euclidienne.
La méthode consiste a prendre les barycentres des
sous-ensembles de voyelles dans la liste d'apprentissage et de calculer les
quatre distances euclidiennes pour chaque voyelle contenue dans la liste de
reconnaissance. Les voyelles seront attribuées à la classe la
plus proche.
Ces calculs seront effectués pour les 255
modèles construits par locuteur et par patient. Nous ne pouvons pas
regrouper les données des locuteurs car cela doit correspondre au
protocole du patient. ( apprentissage de la voix du locuteur puis
reconnaissance ).
La formule pour le calcul de distance euclidienne de la voyelle x
par rapport au barycentre du sous-ensemble v est.
|
N
D(x,v)=17 1.1E(X;
-V1)2
1=1
|
b/ Logique floue.
Apprentissage.
On se sert des listes d'apprentissage comme base de
données pour créer notre règle.
Pour les 48 voyelles de chaque liste d'apprentissage on a les
valeurs des 8 paramètres associés.(F1 Al Ti El F2 A2 T2 E2).
On sépare ses données en 4 grandes familles la/,
/u/, /9/ :
Pour chaque niveau de chaque paramètre on calcule le score
de chaque voyelle.(exemple : pour F1=20 on a 2 /V, 3 /9/, 4 /ai, 5 /u/). ( cf
figure 9 ).
a(F1I=20)-(2/14); a(F1E=20)=(3/14);
a(F1A=20)=(4/14); a(FlU=20)=(5/14);
|
Classes
/a/ /i/ /u/ le/
Valleurs
pour 1 paramètre
1 1a 1i 1u le
, ei,:::::.:.
\-k.v,:wie
·§"O
.: . ..: :-.-
-
·:' . g.e....:;:me. `...
-.:...
, ....`,1 ...-,k.....k.. .,....
\ ..e. .
.'sz.:.:-....` N..\.,
t\---\; \ -%
, \ . -..
·:....,\,....
..:e«...-:k..... :-..
::::::-..«...-e- \......4....-,..s: .>:e
·..::. -.:.
32 32a 32i 32u 32e
|
|
Figure 9 : exemple de mise en forme des données.
Reconnaissance:
On prend une voyelle X de la liste de reconnaissance.
exemple: on veut calculer la reconnaissance de voyelle avec le
protocole FIAI T2. On calcul ota=a(F1A=x)+a(AlA=x)+OE(T2A=x),ai, au, ae.
La lettre x sera reconnue comme un y avec ay qui correspond
à la probabilité la plus
grande.
Remarque:
Si la valeur x n'existe pas dans la liste d'apprentissage on
calcul les distances des la voyelle X, par rapport aux barycentres de la/, /u/,
/43/ de la liste de reconnaissance, appelé respectivement da, di, de, du
et on calcule saa(..A=x)=da/somme(d).
Prenons par exemple les données suivantes pour le
modèle Fl. ( cf figure 10 ).
F1 /a/. 17(2), 18(9), 19(1). F1 /i/. 21(12). F1 /u/. 21(12) F1
/e/ 19(7), 20(4), 21(1).
Apartenance au sous-ensemble
A A E I,U
13 15 16 17 18 19 20 21 n° électrode
Figure 10 : Etablissement de la règle d'appartenance.
Remarque : Dans l'exemple on n'a pas pris en compte les calculs
des distances euclidiennes pour les électrodes 1 à 15 pour ne pas
compliquer le dessin.
cl Distance entre matrices.
La distance de Hamming va être calculée entre la
matrice de reconnaissance des modèles et celle donnée par le
patient de la manière suivante.
|
100 4 4
Erreur = -- E E
48
|
L'erreur va être comprise entre 0 et 200.
Exemple: Mode F2F1, patient CO, locuteur Gar.
Ordinateur. Modèle Patient
|
CALC
|
A
|
I
|
U
|
E
|
|
A
|
6
|
0
|
0
|
6
|
|
I
|
0
|
12
|
0
|
0
|
|
U
|
0
|
0
|
11
|
1
|
|
E
|
0
|
0
|
0
|
12
|
|
PAT
|
A
|
I
|
U
|
E
|
|
A
|
5
|
0
|
4
|
3
|
|
I
|
0
|
10
|
1
|
1
|
|
U
|
0
|
0
|
12
|
0
|
|
E
|
1
|
0
|
1
|
10
|
La distance de Hamming qui représente l erreur est 37.5
J]
ENREGISTREMENT DES LISTES D'APPRENTISSAGE ET RECONNAISSANCE
| 
