Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Escuela Superior de Ingeniería Mecánica y Eléctrica Ingeniería en Comunicaciones y Electrónica “Sistema de Seguridad Por Reconocimiento de Voz” TESIS Que para Obtener el Título de: Ingeniero en Comunicaciones y Electrónica PRESENTAN Pérez Badillo Eyra Oxana Poceros Martínez Fernando Villalobos Ponce José Alexis ASESORES M. en C. Jiménez Hernández Mario Ing. Patricia Lorena Ramírez Rangel INSTITUTO POLITECNICO NACIONAL México, D.F., Septiembre 2013 a I RESUMEN El presente trabajo de tesis se basa en un sistema de reconocimiento de voz que permite que el usuario grabe una palabra por medio de un micrófono y ésta sea reconocida en la base de datos existente en ese momento. Este tipo de proyectos han sido aceptados usando metodologías desde la comparación de plantillas hasta análisis de espectros en hogares desde que se tuvo la necesidad de mejorar la seguridad del hogar. El sistema en sí posee un entorno gráfico en la computadora por medio del software MATLAB llamado GUI, que proporciona las selecciones de grabación, donde la señal de voz es ingresada a la computadora, grabada y es procesada por los algoritmos del programa que modifican la señal llamado Predicción Lineal, obteniendo los parámetros LPC significativos de la señal de voz, para luego ser almacenados en la computadora. La selección de reconocimiento permite que la palabra sea comparada con la base de datos almacenada en la computadora en un proceso llamado comparación de coeficientes LPC, dicha base de datos ya fue procesada digitalmente por el programa, esta selección reconoce la palabra que fue grabada por el usuario al momento de querer ingresar a su hogar. El entorno gráfico proporciona, por otra parte, un análisis gráfico de las palabras grabadas y reconocidas. Como el Sistema de Reconocimiento de Voz es un sistema de procesamiento digital de señales de voz, el análisis gráfico en el reconocimiento es un análisis del espectro de frecuencias de la señal de voz. Para poder comprobar que el sistema fuera confiable se hicieron 2 tipos de pruebas; Una entre los usuarios del hogar tratando de acceder uno con el usuario del otro y otra donde personas ajenas a las almacenadas en la Base de Datos trataran de acceder. Se pudo comprobar que el sistema de reconocimiento por voz es confiable haciendo uso de diferentes métodos, los cuales limiten la posibilidad de error de identificación ya sea entre usuarios almacenados o no, la dificultad más grande de este proyecto se debió a que si el usuario cambia su tono de voz el sistema podría no reconocerlo, esto se debe a que si el usuario dice su contraseña en estado de ebriedad, de tristeza o felicidad su voz cambia y por consiguiente tambien los parámetros LPC. RESUMEN II ÍNDICE Pág. Resumen I Índice II Índice de Figuras IV Índice de Tablas V Objetivo General 1 Objetivos Específicos 1 Planteamiento del problema 1 Hipótesis 2 Justificación 2 Capítulo 1. Conceptos importantes en los Reconocedores de Voz 3 Introducción 3 1.1. Historia del reconocedor de voz 3 1.2. Orden Cronológico de los Reconocedores de Voz 4 1.3. Características de la señal de voz 5 1.3.1. Articulación 6 1.3.2. Señal Acústica 8 1.3.3. Percepción Auditiva 10 1.4. Funcionamiento de un sistema de reconocimiento de voz 11 Capítulo 2. Métodos y Etapas para el Reconocimiento de Voz 12 2.1. Digitalización de la señal de voz 12 2.1.1. Codificación de la señal de voz 12 2.1.2. Muestreo y Cuantizacion 13 2.2. Métodos de Reconocimiento de Voz 17 2.2.1. Aproximación en Base a Plantillas 18 2.2.2. Predicción Lineal 20 2.2.3. Análisis Cepstral 21 2.3. Diagrama de Flujo del Reconocedor de Voz 21 2.4. Etapas del Reconocimiento de Voz 22 2.4.1. Generación de la señal Acústica 22 2.4.2. Conversión A/D o Adquisición 22 2.4.3. Pre-procesamiento 24 2.4.4. Eliminación de Ruido y Normalización 24 2.4.5. Filtro Pre-énfasis 25 2.4.6. Segmentación 25 2.4.7. Extracción de las Características 26 INDICE III 2.4.8. Calculo de la Distancia 26 2.4.9. Toma de Decisión 27 Capítulo 3. Planteamiento del problema 28 Capítulo 4. Desarrollo de un Sistema de Seguridad por Reconocimiento de Voz 31 4.1. Metodología 31 4.2. Micrófono 32 4.3. Entrenamiento y Base de Datos 32 4.3.1. Adquisición 32 4.3.2. Eliminación de Silencios y Normalización 33 4.3.3. Promedio 33 4.3.4. Base de Datos 34 4.4. Desarrollo 34 4.4.1. Adquisición 34 4.4.2. Eliminación de Silencios y Normalización 35 4.4.3. Parametrización 36 4.4.4. Reconocimiento de Habla (Toma de decisión) 38 4.4.5. Selección de la Acción a Realizar 40 4.4.6. Interfaz Grafica 40 4.4.7. Programa Completo 46 4.5. Implementación 46 Capítulo 5. Pruebas y Resultados 48 5.1. Pruebas Generales 49 5.1.1. Comparación de Contadores con usuario Alexis 49 5.1.2. Comparación de Contadores con usuario Fernando 51 5.1.3. Comparación de Contadores con usuario Oxana 53 5.1.4. Uso de los promedios 54 5.2. Pruebas de Reconocimiento 55 5.3. Pruebas Con intrusos o personas no Identificadas 57 5.4. Solución del Problema 59 5.5. Estudio Socio Económico 60 Conclusiones 63 Bibliografía y/o Referencias 65 Anexos 66 Anexo1 Programa Completo 66 Anexo 2 Diagrama de Conexión 72 Glosario 73 INDICE IV ÍNDICE DE FIGURAS Figura 1.1. Proceso de Comunicación del Habla 6 Figura 1.2. Órganos del cuerpo que intervienen en el aparato fonador 7 Figura 1.3. Diagrama a Bloques del Proceso General Del Reconocimiento de voz 11 Figura 2.1. Diferentes tipos de Transductores Eléctrico – Acústicos 13 Figura 2.2. Señales Senoidales Muestreadas a diferentes valores 14 Figura 2.3. Señal Cuantizada con 4 y 16 bits respectivamente 15 Figura 2.4. Señal Cuantizada Uniformemente 16 Figura 2.5. Señal Cuantizada No Uniformemente 16 Figura 2.6. Procesos en la que la señal obtiene sus características principales 18 Figura 2.7. Diagrama de Flujo de un Reconocedor de Voz 21 Figura 2.8. Diagrama de generación de la señal acústica 22 Figura 2.9. Diagrama de la adquisición de Voz 22 Figura 2.10. Señal tratada Digitalmente para ser muestreada 23 Figura 2.11. Diagrama de la digitalización de la señal de Voz 24 Figura 2.12. Diagrama de eliminación de ruido y Normalización 24 Figura 2.13. Diagrama de los filtros de énfasis 25 Figura 2.14. Diagrama de segmentación, ventaneo y recorte de la señal acústica 25 Figura 2.15. Diagrama que explica los procesos de extracción de características 26 Figura 2.16. Formula que muestra el cálculo realizado para obtener las distancias 26 Figura 2.17. Diagrama que muestra el proceso para obtener y comparar las distancias 27 Figura 3.1. Peligros En México 28 Figura 3.2. Intento de robo en México 29 Figura 3.3. Tecnología de Protección y/o seguridad 29 Figura 3.4. Seguridad en el hogar (Entrada principal) 30 Figura 4.1. Micrófono que se usara en el proyecto 32 Figura 4.2. Icono de GUIDE en MATLAB para crear interfaces 41 Figura 4.3. Selección de la GUI o abrir una nueva GUI 41 Figura 4.4. Inicio de la GUI con su ventana lateral izquierda de selección de objetos 42 Figura 4.5. Colocación, edición y uso de un Botón en la GUI 42 Figura 4.6. Interfaz gráfica imagen de la GUI 43 Figura 4.7. Interfaz gráfica del Reconocedor de Voz creado en MATLAB 43 Figura 4.8. Interfaz gráfica después de haber apretado el botón Grabar 44 Figura 4.9. Interfaz gráfica después de haber apretado el botón Identificar 45 Figura4.10. Ventana que aparece después de presionar el botón Salir 45 Figura 4.11. Menú de Funciones del Sistema que despliega las acciones que se puede realizar 46 Figura 4.12. Ventana que aparece después de seleccionar la Acción de Abrir Puerta 46 Figura 4.13. Maqueta e Interfaz grafica 47 Figura 4.14. Tarjeta de Adquisición de datos USB6008 47 Figura 5.1. Análisis de Factor Peso (Plantilla) 61 INDICE DE FIGURAS V ÍNDICE DE TABLAS Tabla 5.1. Pruebas con ruido de 49.5 a 56 dBA 48 Tabla 5.2. Pruebas con ruido de 62.8 a 69.4 dBA 48 Tabla 5.3. Pruebas con ruido de 66.2 a 75.4 dBA 49 Tabla 5.4. Pruebas de Alexis mencionando Alexis 49 Tabla 5.5. Pruebas de Alexis mencionando Fernando 50 Tabla 5.6. Pruebas de Alexis mencionando Oxana 50 Tabla 5.7. Pruebas de Fernando mencionando Alexis 51 Tabla 5.8. Pruebas de Fernando mencionando Fernando 51 Tabla 5.9. Pruebas de Fernando mencionando Oxana 52 Tabla 5.10. Pruebas de Oxana mencionando Alexis 53 Tabla 5.11. Pruebas de Oxana mencionando Fernando 53 Tabla 5.12. Pruebas de Oxana mencionando Oxana 54 Tabla 5.13. Promedios Obtenidos para Alexis 55 Tabla 5.14. Promedios Obtenidos para Fernando 55 Tabla 5.15. Promedios Obtenidos para Oxana 55 Tabla 5.16. Resultados del Reconocimiento de Alexis 55 Tabla 5.17. Resultados del Reconocimiento de Fernando 56 Tabla 5.18. Resultados del Reconocimiento de Oxana 57 Tabla 5.19. Resultados del Reconocimiento para un Hombre Adulto 57 Tabla 5.20. Resultados del Reconocimiento para una Mujer Adulta 58 Tabla 5.21. Resultados del Reconocimiento para una Niña 58 Tabla 5.22. Análisis de PF (Factor de Peso) 61 Tabla 5.23. Análisis de Costos 62 Tabla 5.24. Análisis Total de Costo 62 INDICE DE TABLAS 1 OBJETIVO GENERAL Diseñar un sistema de seguridad para el hogar que funcione en base al reconocimiento de voz. OBJETIVOS ESPECÍFICOS a) Aplicar métodos acústicos, matemáticos y físicos de la voz para identificar y reconocer a los dueños del hogar. b) Analizar la transmisión, aplicación y manipulación de las señales de voz para poderlas utilizar en el sistema de seguridad c) Aplicar un software que funcione como interfaz con el usuario y que además realice las comparaciones y cálculos necesarios para el reconocimiento de voz, en este caso se usó MATLAB. PLANTEAMIENTO DEL PROBLEMA Dado que en la actualidad es necesario tener mejores y más innovadores sistemas de seguridad que interactúen con el dueño y que sean capaces de tener un procesamiento de información veloz y precisa que les permita tomar decisiones rápidas y confiables. Se propone el diseño, implementación y mejora de sistemas de reconocimiento de voz, por medio de algoritmos implementados en un software (MATLAB) para analizar la señal capturada por un micrófono y obtener un mejor reconocimiento de la voz. OBJETIVOS 2 HIPOTESIS Al implementar un sistema de seguridad en el hogar por reconocimiento de voz en MATLAB la seguridad será mejor, eficaz y barata a largo plazo haciendo uso de los métodos de cuantificación de la señal de voz con ayuda de los coeficientes LPC y Cepstrum. Se hará uso del software MATLAB para desarrollar e implementar el reconocedor de voz, debido a que se está familiarizado con él y es mejor y más preciso que otros. JUSTIFICACION Debido a la inseguridad actual que se presenta en la Ciudad de México se realizara un sistema de seguridad para el hogar utilizando la voz, con la finalidad de proponer a los habitantes de la Ciudad un sistema capaz de resguardar su hogar. OBJETIVOS 3 Capítulo 1. Conceptos importantes en los Reconocedores de Voz INTRODUCCION En el presente trabajo se encuentra la propuesta de un desarrollo realizado para lograr un sistema de seguridad por reconocimiento de voz en un hogar, con el afán de facilitar el acceso a su domicilio y la seguridad de que solo esa persona podrá tener acceso a él. En la Actualidad los Sistemas de Reconocimiento de Voz han tenido un gran desarrollo y han sido importantes en la vida cotidiana. Primero se hará referencia a los conceptos básicos que debe de tener en cuenta para el desarrollo de un sistema de seguridad, así como algunas consideraciones con respecto al habla y a las señales de voz que se necesitan manejar. Se darán a conocer los diferentes tipos de Métodos que existen para el reconocimiento de Voz, así como las Etapas por las cuales debe pasar un reconocedor de voz para poder procesar la voz y manejarla por medio de software. Después se enfocara al planteamiento del problema relacionado con la realidad que vive México en cuanto a la delincuencia justificando el uso de los reconocedores de voz como sistemas de seguridad. Se generara una propuesta de un sistema de reconocimiento de voz tanto en el desarrollo como las observaciones que se obtuvieron dentro de él, aplicando los conceptos, métodos y etapas vistos. Por último se darán las conclusiones, observaciones y problemas encontrados del trabajo desarrollado así como un estudio socio-económico para calcular el costo del proyecto. 1.1. Historia del Reconocedor de Voz La historia de los primeros Reconocedores de voz comienza hace 40 años pero los sucesos más importantes que se desarrollaron dentro de la industria fueron gracias a que AT&T introdujo su Sistema de reconocimiento de voz en 1992 para llamadas por cobrar, para a finales de 1993 procesaba 50 millones de llamadas al mes. En 1995 los teléfonos celulares ya ofrecían servicios de marcado activado por voz. En los 1990's en el sector Salud se inicia la generación de reportes clínicos por voz en salas de emergencia (fomentado por las empresas se seguros Blue Cross y Blue Shield). Posteriormente se amplió a diversas áreas de hospitales como radiología, cardiología, etc. CAPITULO 1: Conceptos importantes en los Reconocedores 4 En 1995 se desarrollan los primeros prototipos de aparatos electrodomésticos Whirlpool Corp. Actualmente las PC's integran utilerías de voz. Microsoft Corp.: Facilidades para construir objetos de comandos de voz (voice-commandobjects) en Win95. CreativeLabs integra Procesamiento automático en la mayoría de sus tarjetas soundblaster. Compaq y PureSpeech desarrollan conjuntamente tecnología de voz. SeagateTech compró 25% de DragonSystems. 1.2. Orden Cronológico De los Reconocedores de Voz 1870's Alexander Graham Bell: Quería construir un sistema/dispositivo que hiciera el habla visible a las personas con problemas auditivos. Resultado: el teléfono 1880's Tihamir Nemes: Solicita permiso para una patente para desarrollar un sistema de transcripción automática que identificara secuencias de sonidos y los imprimiera (texto). Pero fue rechazado como "Proyecto no Realista" 30 años después AT&T Bell Laboratories: Construye la primera máquina capaz de reconocer voz (basada en Templates) de los 10 dígitos del inglés. Requería extenso reajuste a la voz de una persona, pero una vez logrado tenía un 99% de certeza. Por lo tanto surge la esperanza de que el reconocimiento de voz es simple y directo. A mediados de los 60's: La mayoría de los investigadores reconoce que era un proceso mucho más intrincado y sutil de lo que habían anticipado. Por lo tanto empiezan a reducir los alcances y se enfocan a sistemas más específicos: Dependientes del Locutor. Flujo discreto de habla (con espacios / pausasentre palabras) Vocabulario pequeño (menor o igual a 50 palabras) Estos sistemas empiezan a incorporar técnicas de normalización del tiempo (minimizar diferencia en velocidad del habla) Además, ya no buscaban una exactitud perfecta en el reconocimiento.Después: IBM y CMV trabajan en reconocimiento de voz continuo pero no se ven resultados hasta los 1970's. CAPITULO 1: Conceptos importantes en los Reconocedores 5 Principios 1970's: Se produce el 1er Producto de reconocimiento de voz, el VIP100de ThresholdTechnology Inc. (utilizaba un vocabulario pequeño, dependiente del locutor, y reconocía palabras discretas). Gana el U.S. NationalAward en 1972. Luego: Nace el interés de ARPA del U.S. Department of Defense, y gracias al lanzamiento de grandes proyectos de investigación y financiamiento por parte del gobierno se precipita la época de la inteligencia artificial. El proyecto financiado por ARPA busca el reconocimiento de habla continua, de vocabulario grande. Impulsa que los investigadores se enfoquen al entendimiento del habla. Los sistemas empiezan a incorporar módulos de: Análisis léxico (conocimiento léxico) Análisis sintáctico (Estructura de Palabras) Análisis semántico (Significado) Análisis pragmático (Intención) 80's a 90's: Surgen los sistemas de vocabulario amplio, que ahora son la norma. (Más de1000 palabras). Adicionalmente bajan los precios de estos sistemas. Empresas importantes actualmente: Philips Lernout&Hauspie SensoryCircuits DragonSystems Speechworks Vocalis Dialogic Novell Microsoft NEC, Siemens, Intel (apoyo / soporte técnico), entre otros. [3] 1.3. Características de la señal de voz Los sistemas de reconocimiento de voz se enfocan en las palabras y los sonidos que distinguen una palabra de la otra en un idioma. Estas son los fonemas. Por ejemplo, "tapa", "capa", "mapa", "napa", son palabras diferentes puesto que su sonido inicial se reconoce como fonemas diferentes en español. CAPITULO 1: Conceptos importantes en los Reconocedores 6 Existen varias maneras para analizar y describir el habla. Los enfoques más comúnmente usados son: 1. Articulación: Análisis de cómo el humano produce los sonidos del habla. 2. Señal Acústica: Análisis de la señal de voz como una secuencia de sonidos. 3. Percepción Auditiva: Análisis de cómo el humano procesa el habla. Los tres enfoques proveen ideas y herramientas para obtener mejores y más eficientes resultados en el reconocimiento. Figura 1.1.Proceso de Comunicación del Habla En la imagen anterior se observa que partes del oído intervienen en el proceso de comunicación del habla. 1.3.1. Articulación La Articulación se compone del sistema fonador que es un conjunto de órganos que intervienen en la producción de sonidos. También llamado aparato bucal o articulatorio. El aparato fonador consiste en tres grupos de órganos diferenciados [Figura 1.2]: Órganos de respiración-cavidades infra-glóticas: pulmones, bronquios y tráquea. Órganos de fonación-cavidades glóticas: laringe, cuerdas vocales y resonadores - nasal, bucal y faríngeo. Órganos de articulación-cavidad supra-glóticas: paladar, lengua, dientes, labios y glotis. [2] CAPITULO 1: Conceptos importantes en los Reconocedores http://www.tartamudez.pro/2009/07/cuerdas-vocales.html 7 Figura 1.2.Órganos del cuerpo que intervienen en el aparato fonador El correcto funcionamiento del aparato fonador, es controlado por el sistema nervioso central. Específicamente, se sabe que el control del habla se realiza en el área de Broca que se encuentra en el hemisferio izquierdo de la corteza cerebral. La articulación centra su atención en el aparato vocal: Garganta, boca, nariz, en donde se producen los sonidos del habla. Garganta: Contiene las cuerdas vocales, cuya vibración produce los fonemas "hablados". Boca y Nariz: "Cavidades de resonancia" por que refuerzan ciertas frecuencias sonoras. o Cuando el paladar suave baja y deja el aire pasar por la nariz se generan los fonemas nasales (/m/ /n/) o La boca consiste de: Puntos de articulación Dientes Puente alveolar (puente óseo atrás de los dientes superiores) CAPITULO 1: Conceptos importantes en los Reconocedores http://www.tartamudez.pro/2009/07/sistema-nervioso-central.html http://www.tartamudez.pro/2009/07/sistema-nervioso-central.html http://www.tartamudez.pro/2009/05/area-de-broca.html http://www.tartamudez.pro/2009/05/area-de-broca.html http://www.tartamudez.pro/2009/07/hemisferio-izquierdo.html http://www.tartamudez.pro/2009/07/corteza-cerebral.html 8 Paladar duro Paladar suave o velum Articuladores Labios Lengua [1] 1.3.2. Señal Acústica Un reconocedor no puede analizar los movimientos en la boca. En su lugar, la fuente de información es la señal de voz misma. El Habla es una señal analógica, es decir, un flujo continuo de ondas sonoras y silencios. El conocimiento de la ciencia de la acústica se utiliza para identificar y describir los atributos del habla que son necesarios para un reconocimiento de voz efectivo. Algunas características importantes del análisis acústico son: Frecuencia y amplitud Todos los sonidos causan movimientos entre las moléculas del aire. Algunos sonidos, tales como los que produce una cuerda de guitarra, producen patrones regulares y prolongados de movimiento del aire. Los patrones de sonidos más simples son los sonidos puros (pure tones), y se pueden representar gráficamente por una onda sinoidal. Frecuencia: Número de vibraciones (ciclos) del tono por segundo 100 por segundo = 100 ciclos/segundo = 100 Hz. Tonos altos = Mayor frecuencia Tonos bajos = Menor frecuencia El volumen de un sonido refleja la cantidad de aire que es forzada a moverse. Se describe y representa como amplitud de la onda y se mide en decibeles dB. [2] Resonancia La resonancia se define comúnmente como la habilidad que tiene una fuente vibrante de sonido de causar que otro objeto vibre gracias a ella. La mayoría de los sonidos incluyendo del habla tienen una frecuencia dominante llamada frecuencia fundamental también conocida como pitch (tono) que se combina con frecuencias secundarias en el habla, la frecuencia fundamental es la velocidad a la que vibran las cuerdas vocales al producir un fonema sonoro. CAPITULO 1: Conceptos importantes en los Reconocedores 9 Sumadas a la frecuencia fundamental hay otras frecuencias que contribuyen al timbre del sonido. (Son las que nos permiten distinguir una trompeta de un violín, etc. o las voces de diferentes personas) Algunas bandas de la frecuencia secundarias juegan un rol importante en la distinción de un fonema de otro. Se les llama formantes y son producidas por la resonancia. La garganta, boca y nariz son cámaras de resonancia que amplifican las bandas o frecuencias formantes contenidas en el sonido generado por las cuerdas vocales. Estas formantes amplificadas dependen del tamaño y forma de la boca y si el aire pasa o no por la nariz. Los patrones de las formantes son más fuertes (distinguibles) para vocales que para las consonantes no sonoras. Estructura Armónica y Ruido El habla no es un tono puro es continuación de múltiples frecuencias y se representa como una onda compleja. Vocales se componen de 2 o más ondas simples son ricos en frecuencias secundarias y contienen estructuras internas que incluyen ondas cíclicas y a cíclicas. Las ondas a cíclicas no tienen patrones repetitivos generalmente llamados ruido forman parte de todos los fonemas sonoros, consonantes y semivocales. Las frecuencias y características de los patrones a cíclicos proveen información importante sobre la identidad de los fonemas. La identidad de las consonantes también se revela por el cambio en las formantes que resultan cuando los articuladores se mueven de un fonema anterior a la consonante y de ella al siguiente fonema llamadas transiciones deformantes. Estas se analizan utilizando técnicas como la transformada rápida de Fourier (FFT) generando espectrogramas. La complejidad de las formas de onda de los fonemas y las constantes transiciones de un patrón a otro dificultan el análisis de los patrones utilizando las representaciones complejas de las ondas. Los patrones armónicos y de ruido se muestran con más claridad utilizando los espectrogramas de banda ancha. La localización (la distancia entre ellas) y cambio en las formantes ayudan a identificar fonemas y palabras. CAPITULO 1: Conceptos importantes en los Reconocedores http://cslu.cse.ogi.edu/tutordemos/SpectrogramReading/ipa/formants.html http://cslu.cse.ogi.edu/tutordemos/SpectrogramReading/spectrogram_reading.html 10 Coarticulación Los fonemas aparentemente tienen parámetros acústicos claramente definidos, pero más bien, los fonemas tienden a ser abstracciones implícitamente definidas por la pronunciación de palabras en un lenguaje. La forma acústica de un fonema depende fuertemente del contexto acústico en el que sucede a éste efecto se le llama coarticulación. Investigadores, utilizan este concepto para distinguir entre la característica conceptual de un sonido del habla (fonema) y una instancia o pronunciación específica de ese fonema (tono). [1] 1.3.3. Percepción Auditiva La variabilidad del habla producida por coarticulación y otros factores hacen del análisis de la voz extremadamente difícil. La facilidad del humano en superar estas dificultades sugiere que un sistema basado en la percepción auditiva podría ser un buen enfoque desafortunadamente el conocimiento de la percepción humana es incompleto, lo que se sabe es que el sistema auditivo está adaptado a la percepción de la de voz. El oído humano detecta frecuencias de 20Hz a 20,000 Hz pero es más sensible al rango entre 1000 y 6000 Hz. También es más sensible a cambios pequeños en la frecuencia en el ancho de banda crítico para el habla. Además el patrón de sensibilidad a cambios en el tono (pitch) no corresponde a la escala lineal de frecuencias de ciclos por segundo de la acústica. Para representar mejor al patrón de percepción acústica, se tiene una escala llamada mel-scale, la cual es una escala logarítmica que representa los niveles de la señal. El humano no procesa frecuencias individuales independientemente, como lo sugiere el análisis acústico. En su lugar escucha grupos de frecuencias por lo cual es capaz de distinguirlas de ruidos alrededor. CAPITULO 1: Conceptos importantes en los Reconocedores 11 1.4. Funcionamiento de un sistema de Reconocimiento de Voz El reconocimiento de voz generalmente es utilizado como una interfaz entre humano y computadora para algún software. Debe cumplir 3 tareas: Pre-procesamiento: Convierte la entrada de voz a una forma que el reconocedor pueda procesar. Reconocimiento: Identifica lo que se dijo (traducción de señal a texto). Comunicación: Envía lo reconocido al sistema (Software/Hardware) que lo requiere. Componentes en una aplicación: Figura 1.3. Diagrama a Bloques del Proceso General Del Reconocimiento de voz Existe una comunicación bilateral en aplicaciones, en las que la interfaz de voz está íntimamente relacionada al resto de la aplicación. Estas pueden guiar al reconocedor especificando las palabras o estructuras que el sistema puede utilizar. Otros sistemas sólo tienen una comunicación unilateral. Los Procesos de pre-procesamiento, reconocimiento y comunicación deberían ser invisibles al usuario de la interfaz. El usuario lo nota en el desempeño del sistema de manera indirecta como: certeza en el reconocimiento y velocidad. Estas características las utiliza para evaluar una interfaz de reconocimiento de voz. [6] CAPITULO 1: Conceptos importantes en los Reconocedores 12 Capítulo 2. Métodos y Etapas para el Reconocimiento de Voz En este Capítulo se darán a conocer los diferentes tipos de Métodos que existen para el reconocimiento de Voz, así como las Etapas por las cuales debe pasar un reconocedor de voz para poder procesar la voz y manejarla por medio de software. 2.1. Digitalización de la señal de Voz Para poder manipular la señal de voz este debe de ser transformada a una señal digital para poder ser utilizada por el software de programación, este proceso se lleva a cabo en etapas con consideraciones variables que hacen que la adquisición de la señal sea de forma correcta. 2.1.1. Codificación de la señal de voz La codificación de una señal se refiere al método para convertir digitalmente el habla para utilizarlo en diversos ambientes, desde juguetes parlantes, CD’s hasta transmisiones vía telefónica. Para utilizar la voz como dato en aplicaciones tan diversas como el voice mail, anotaciones en un texto o un directorio parlante, es necesario almacenar la voz de manera que una computadora pueda recuperarla. La presentación digital de la voz nos provee también con las bases para el reconocimiento y síntesis de voz. El método convencional o secuencial de almacenamiento de datos, la cinta magnética requiere que se le adelante y regrese hasta encontrar la posición buscada. Es propensa a daño mecánico, no se pueden editar (cut/paste) y no duran mucho tiempo en uso. Algunos factores que se deben de considerar para codificar la señal dependiendo del uso que se le dé son: Memoria y Ancho de banda necesario para flexibilidad de uso. Costo de transmisión. Rangos de calidad Aplicación. Codificadores de Voz. Inteligibilidad: La mayor calidad posible Error e inteligibilidad. Edición Simple. Eliminación del silencio: Ahorrar espacio Time-scaling: Reproducción más rápida. CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 13 Adaptación de Velocidad Robustez 2.1.2. Muestreo y Cuantización El habla es una señal continua y varia en el tiempo. Las variaciones en la presión del aire se irradian desde la cabeza y se transmiten por el aire. Un micrófono convierte esas variaciones en presión del aire a variaciones en voltaje. Una señal Análoga se puede transmitir a través de un circuito telefónico (voltaje) o almacenados en una cinta magnética (flujo magnético). En el Mundo Real los estímulos sensoriales son análogos. Sin embargo, para las computadoras es necesario digitalizar la señal (primera fase del procesamiento de la señal) Para esto se usan series de valores numéricos con una frecuencia regular (frecuencia de muestreo). El número posible de valores está limitado por el número de bits disponible para representar a cada muestra. Figura 2.1. Diferentes tipos de Transductores Eléctrico – Acústicos CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 14 Muestreo El muestreo asigna un valor numérico a la señal en unidades discretas de tiempo constante dependiendo de la frecuencia Nyquist que específica la frecuencia máxima a la que una señal puede reproducirse completamente. El teorema de Nyquist establece que: Frecuencia muestreo = 2 veces la frecuencia máxima de la señal para poder reproducirla. Para poder reproducir la señal análoga debe pasar por un filtro pasa-bajas a la frecuencia de muestreo (quitar ruidos creados por el muestreo). Figura 2.2. Señales Senoidales Muestreadas a diferentes valores Si la señal varía más rápido se requiere una T más pequeña por lo tanto un menor ancho de banda de frecuencias. El humano produce señales de Voz desde los 100(hombre)-400(mujer) Hertz hasta los 15000Hz. Teléfono: 3100Hz por lo tanto se muestrea a 8000 Hz, inteligible pero baja calidad. Comparado con un CD, se muestrea a 44.1Hz. El ancho de banda es mayor para instrumentos quepara voz. Pero la diferencia es audible. Por lo tanto se requiere mayor espacio para almacenar y transmitirla. CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 15 Cuantización La cuantizacion consiste en que cada muestra se representa con un valor digital limitando el rango de valores discretos correspondiente a la original. Ejemplo: Utilizando 4 bits se pueden representar 16 valores diferentes. Con 8 bits ya son 256 valores. Figura 2.3. Señal Cuantizada con 4 y 16 bits respectivamente Esto se puede ver como la resolución: 1. El error o diferencia entre la señal original y la reconstruida se percibe como ruido. 2. Por lo tanto, a mayor resolución mayor cuantización y menor ruido como consecuencia. 3. La resolución (# de bits por muestra) se describe generalmente en términos de la relación señal-a-ruido (signaltonoise ratio o SNR). 4. A mayor SNR es mayor la fidelidad de la señal digitalizada. 5. SNR aproximadamente 2^B (B=bits/muestra) 6. Es independiente de la frecuencia de muestreo. Existen diferentes técnicas de cuantizacion: Cuantización uniforme Cuantización no uniforme Cuantización logarítmica Cuantización vectorial CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 16 Cuantificación uniforme En los cuantificadores uniformes o lineales la distancia entre los niveles de reconstrucción es siempre la misma, la mayoría usan un número de niveles que es una potencia de 2. No hacen ninguna suposición acerca de la señal a cuantificar, de allí que no proporcionen los mejores resultados. Su ventaja es que son más fáciles y económicos al implementarlos. Figura 2.4. Señal Cuantizada Uniformemente Cuantificación no uniforme El problema de la cuantificación uniforme es que conforme aumenta la amplitud de la señal, también aumenta el error. Este problema lo resuelve el cuantificador logarítmico de forma parcial. Sin embargo, si conocemos la función de la distribución de probabilidad, podemos ajustar los niveles de reconstrucción a la distribución de forma que se minimice el error cuadrático medio. Esto significa que la mayoría de los niveles de reconstrucción se den en la vecindad de las entradas más frecuentes y, consecuentemente, se minimice el error (ruido). Figura 2.5. Señal Cuantizada No Uniformemente CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 17 Cuantificación logarítmica Las señales de voz pueden tener un rango dinámico superior a los 60 dB, por lo que para conseguir una alta calidad de voz se deben usar un elevado número de niveles de reconstrucción. Sin embargo, interesa que la resolución del cuantificador sea mayor en las partes de la señal de menor amplitud que en las de mayor amplitud. Por tanto, en la cuantificación lineal se desperdician niveles de reconstrucción y, consecuentemente, ancho de banda. Esto se puede mejorar incrementando la distancia entre los niveles de reconstrucción conforme aumenta la amplitud de la señal. Para evitar desperdicio de niveles de reconstrucción y de ancho de banda se utiliza un método sencillo para mejorar el incremento de la distancia entre los niveles de reconstrucción conforme aumenta la amplitud de la señal. Para conseguir esto se hace pasar la señal por un compresor logarítmico antes de la cuantificación. Esta señal comprimida puede ser cuantificada uniformemente. A la salida del sistema la señal pasa por un expansor. A esta técnica se le llama compresión. Cuantificación vectorial Este método cuantifica los datos en bloques de N muestras. En este tipo de cuantificación, el bloque de N muestras se trata como un vector N-dimensional. La cuantificación vectorial ofrece mejores resultados que la cuantificación escalar, sin embargo, es más sensible a los errores de transmisión y lleva consigo una mayor complejidad computacional. [4,6,9] 2.2. Métodos de Reconocimiento de voz En el reconocimiento del habla, la señal de voz se ingresa a un procesamiento para producir una representación de la voz en forma de secuencia de vectores o agrupaciones de valores que se denominan parámetros, que deben representar la información contenida en la envolvente del espectro. Hay que tener en cuenta que el número de parámetros debe ser reducido, para no saturar la base de datos, ya que mientras más parámetros tenga la representación menos fiables son los resultados y más costosa la implementación. Existen distintos métodos de análisis para la extracción de características, y se concentran en diferentes aspectos representativos. En este trabajo de tesis utilizaremos los dos de mayor importancia para el análisis de la voz tomando en cuenta su predecesor de Aproximación en base a plantillas: Análisis de predicción lineal (LPC) Análisis Cepstral [8] CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 18 2.2.1. Aproximación en base a plantillas Teoría que ha dado lugar a toda una familia de técnicas de reconocimiento de voz, causando un considerable avance durante las décadas de los 70’s y 80’s. Figura 2.6. Procesos en la que la señal obtiene sus características principales El principio es simple, se almacenan patrones de voz típicos (templates) como modelos de referencia en un diccionario de palabras candidato. El reconocimiento se lleva a cabo comparando la expresión desconocida a los patrones almacenados (templates) seleccionando el que más se le parece usualmente se construye patrones para las palabras completas. Ventaja: Se evitan errores debidos a la segmentación o clasificación de unidades pequeñas que pueden variar mucho acústicamente, como los fonemas. Desventaja: Cada palabra requiere de su patrón y el tiempo de preparar y compararlos se vuelve demasiado al incrementarse el tamaño del vocabulario. Inicialmente se pensaba que se restringía sólo a reconocimiento dependiente del locutor. Sin embargo se logro un reconocimiento independiente del loc. Utilizando técnicas de Cluster para generar automáticamente grupos de patrones para cada palabra del vocabulario. También pasó de ser para el reconocimiento de palabras aisladas a habla continua utilizando técnicas de programación dinámica para encontrar la mejor cadena de patrones. Medición de características. Se trata básicamente de una técnica de reducción de datos en la cual el gran número de datos en la señal grabada es transformado en un grupo más pequeño de características que describen las propiedades importantes de la señal. CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 19 El tipo de características que se calculan depende de: 1. Tiempo para calcularlas 2. Espacio para almacenarlas 3. Facilidad de Implementación. Análisis mediante banco de filtros, Una muestra de voz se puede aproximar como una combinación lineal de muestras anteriores. Determinación de similitud entre patrón de referencia de voz y serial capturada. R(t) T(t) Se busca una función de alineamiento w(t) que mapee R y las partes correspondientes de T. El criterio de correspondencia es la minimización de una medida de distancia D(T,R) Por lo tanto se busca una w(t) tal que mística d(T(t), R(W(t))) función de ponderación deriva de w(t) D(T,R)= min INTEGRAL dw(t) Se buscan una alineación en tiempo "optima" a través de una curva que relacione el eje de tiempo m de R al eje de tiempo del patrón T. m=w(n) Restricciones w(I)=1 W(NT)=NR Para determinar el tipo de la alineación se propusieron diversas técnicas: 1. Alineamiento lineal m=w(n)=(n-1)[(NR-1)/(NT-1)]+1 2. Mapeo de eventos temporales (significativos) en ambos patrones 3. Máxima Correlación se varía la función para maximizar la correlación entre RyT 4. Dynamic Time Warping (se calcula la distancia entre Ry T) Se debe encontrar una medida que indique qué tan similares con los patrones R y T. Para ello es necesario alinearlos de alguna forma. [5,8] Reglas de decisión El candidato con la menor distancia o una lista ordenada por distancias (de menos a mayor) Se usa cuando se tienen varios patrones de referencia para cada cantidad R. CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 20 2.2.2. Predicción Lineal Se trata de una de las técnicas más potentes de análisis de voz, y uno de los métodos más útiles para codificar voz con buena calidad. Su función es representar la envolvente espectral de una señal digital de voz en una forma comprimida, utilizando la información de un modelo lineal, con lo cual se proporcionan unas aproximaciones a los parámetros de la voz muy precisas. Se fundamenta en establecer un modelo de filtro de tipo “todo polo”, para la fuente de sonido, el filtro “todo polo” justifica su uso ya que permite describir la función de transferencia de un tubo, que sin perdidas está formado por diferentes secciones. El modelo recibe este nombre porque pretende extrapolar el valor de la siguiente muestra de voz s(n) como la suma ponderada de muestras pasadas: s(n) = s(n-1), s(n-2),…, s(n-K)……(2.1) Estimación de los LPC Una estima o predicción de s(n) basada en p muestras anteriores, puede calcularse como lo muestra la siguiente fórmula: ( ) ∑ ( ) ( ) y el error de predicción se obtiene de: ( ) ( ) ∑ ( ) ( ) Los LPC se obtienen minimizando un criterio cuadrático en los errores de predicción, para cada cuadro en que es dividido el segmento de voz. El número de coeficientes LPC que se obtienen dependen la frecuencia de muestreo como se indica en la siguiente fórmula: ( ) ( ) [5] CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 21 2.2.3. Análisis Cepstral Como se sabe los sonidos de la voz se pueden representar mediante un espectrograma, que indica las componentes frecuenciales de la señal de voz. Es así entonces como el espectro nos proporciona información acerca de los parámetros del modelo de producción de voz, tanto de la excitación como del filtro que representa el tracto vocal. Estos coeficientes fueron utilizados solo para mostrar la señal acústica no se usaron para cálculos, estimaciones, etc. 2.3. Diagrama de Flujo del Reconocedor de Voz El siguiente diagrama de flujo muestra las acciones que deben seguirse para que el Reconocedor de Voz funcione. Figura 2.7. Diagrama de Flujo de un Reconocedor de Voz CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 22 2.4. Etapas del Reconocimiento de Voz Las etapas para el correcto funcionamiento de un Reconocedor de Voz se mencionan a continuación. 2.4.1. Generación de la Señal Acústica Figura 2.8. Diagrama de generación de la señal acústica 2.4.2. Conversión A/D o Adquisición Figura 2.9. Diagrama de la adquisición de Voz Obtención de la señal por el micrófono El micrófono es un transductor electro-acústico. Su función es la de transformar la presión acústica ejercida sobre su capsula por las ondas sonoras en energía eléctrica. Cuando un micrófono está operando las ondas de sonido hacen que vibre el elemento magnético del micrófono causando una corriente eléctrica hacia la tarjeta de sonido, donde el convertidor A/D básicamente graba los voltajes eléctricos en intervalos específicos. Muestreo El muestreo es para transformar una señal analógica o señal continúa a una señal digital o discreta, es decir de la señal original (analógica) se toman muestras cada determinado tiempo y se hace una copia de su valor en tiempos definidos, de esta forma surge la frecuencia de muestreo que es la cantidad de muestras que se tienen de una señal en una unidad de tiempo y se mide en Hz (ciclos por segundo). CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 23 Figura 2.10. Señal tratada Digitalmente para ser muestreada La frecuencia de audio que percibe el ser humano está entre los 20 Hz y 20kHz, frecuencias más elevadas el oído humano no lo percibe. La frecuencia de la voz se encuentre entre frecuencias de 100Hz a 8kHz. [4] Resolución o Cuantificación El proceso de cuantificación es uno de los pasos que se siguen para lograr la digitalización de una señal analógica. Este proceso es convertir una sucesión de muestras de amplitud continua en una sucesión de valores discretos preestablecidos según el código utilizado. Durante el proceso de cuantificación se mide el nivel de tensión de cada una de las muestras, obtenidas en el proceso de muestreo, y se les atribuye un valor finito de amplitud, seleccionado por aproximación dentro de un margen de niveles previamente fijado. La cuantificación más comúnmente usada, es de 8 bits, mínimo requerido para una calidad baja, puede mejorarse su S/R con una técnica no lineal de cuantificación, se obtienen excelentes resultados aumentando la cuantificación a 16 bits. [3,4] CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz http://es.wikipedia.org/wiki/Conversi%C3%B3n_anal%C3%B3gica-digital http://es.wikipedia.org/wiki/Se%C3%B1al_anal%C3%B3gica http://es.wikipedia.org/wiki/Amplitud_(sonido) http://es.wikipedia.org/wiki/Tensi%C3%B3n_(electricidad) http://es.wikipedia.org/wiki/Muestreo_digital http://es.wikipedia.org/wiki/Amplitud_(sonido) 24 Ganancia El siguiente paso es amplificar las señales a niveles que sean manejables. La señal vocal tiene componentes de frecuencia que pueden llegar a los 10 kHz., sin embargo la mayor parte de los sonidos vocales tiene energía espectral significativa hasta los 5 Khz. solamente los sonidos fricativos poseen componentes que pueden llegar a los 10 kHz. Para tomar y no eliminar información se debe amplificar la ganancia. 2.4.3. Pre-procesamiento Figura 2.11. Diagrama de la digitalización de la señal de Voz Para el análisis de la señal de voz se realiza un pre-procesamiento de la señal vocal. Esto sucede a través de técnicas que permitan extraer la información acústica directamente a partir de la señal vocal emitida, se realiza el muestreo y algún tipo de cuantizacion. [3] 2.4.4. Eliminación de Ruido y Normalización Figura 2.12. Diagrama de eliminación de ruido y Normalización Primero se realiza un filtrado de la señal para reducir los efectos del ruido que acompaña la señal de voz ingresada, sin este filtrado se tendrían datos que no necesitamos. También se hace una segmentación, esto es detectar el inicio y final de la señal de voz para eliminar el ruido inicial y final, esto ayuda a optimizar memoria y hacer más veloz el tiempo de cálculo para comparaciones y por supuesto evitar errores, para hacer esto se hace uso del nivel de energía. CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 25 2.4.5. Filtro Pre-énfasis Se aplica un filtro digital pasa altas de primer orden a la señal, para enfatizar las frecuencias altas de los formantes por dos razones, primero para que no se pierda información durante la segmentación, ya que la mayoría de la información está contenida en las frecuencias bajas, en segundo remueve la componente DC de la señal, aplanando espectralmente la señal. Figura 2.13. Diagrama de los filtros de énfasis [8] 2.4.6. Segmentación La segmentación consiste en cortar la señal en segmentos de análisis. La señal de voz es asumida como estacionaria en estos segmentos. Durante la segmentación los segmentos son guardados cada uno como la columna de una matriz, para el posterior procesamiento de la señalde voz. Para el proceso una ventana de Hamming de 30ms es aplicada a la señal de voz, enfatizada previamente con el filtro de pre-énfasis. Con un desplazamiento típico 10ms entre cada ventaneo. Figura 2.14. Diagrama de segmentación, ventaneo y recorte de la señal acústica [9] CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 26 2.4.7. Extracción de las características Figura 2.15. Diagrama que explica los procesos de extracción de características En este paso se utiliza el método de Predicción lineal para obtener coeficientes LPC y con ayuda de Cepstrum entender el espectro frecuencia de la señal que se va a reconocer. [9] 2.4.8. Calculo de Distancia Una característica fundamental de los sistemas de reconocimiento es la forma en que los vectores característicos son combinados y comparados con los patrones de referencia. Para poder realizar estas operaciones es necesario definir una medida de distancia entre los vectores característicos. Algunas de las medidas de distancia más utilizadas son las distancias o métricas inducidas por las normas en espacios Lp. En el algoritmo de reconocimiento en MATLAB se utiliza una distancia Euclidea, definida del siguiente modo: por ejemplo si fi y fi’, con i=0, 1, 2,…, D son las componentes de dos vectores característicos f y f’, puede definirse la siguiente métrica inducida por la norma Lp: ………(2.5) Figura 2.16. Formula que muestra el cálculo realizado para obtener las distancias CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 27 En el algoritmo primero se define el tamaño del mayor vector, y se calcula con la formula anterior la distancia entre el vector de la palabra a reconocer y cada uno de los vectores de referencia en la base de datos, luego se hacen las condiciones para obtener la menor distancia, con lo cual se encuentra la palabra identificada en la base de datos. Figura 2.17. Diagrama que muestra el proceso para obtener y comparar las distancias 2.4.9. Toma de Decisión La toma de decisión se hace en cuestión de la diferencia entre las distancias de la señal graba que tiene su base de datos y la señal que se está comparando, se toma la decisión para aquella que cumpla con la menor distancia y cumpla ciertas condiciones, como tener mayor numero acertado de coeficientes LPC o la envolvente de esta señal es muy parecida a la envolvente de la señal grabada en base de datos. CAPITULO 2: Métodos y Etapas para Reconocimiento de Voz 28 Capítulo3. Planteamiento del Problema La inseguridad ciudadana se ha convertido en uno de los grandes desafíos de las sociedades contemporáneas. El impacto del fenómeno sobre la calidad de vida de los ciudadanos obliga a los gobiernos nacionales, locales y a los sectores organizados de la sociedad, a diseñar esquemas alternativos a los existentes, siendo su propósito el disminuir los niveles de inseguridad, sin sacrificar el avance de la Democracia y el respeto por los Derechos Humanos y las Garantías Ciudadanas. La seguridad es un pre requisito básico para que las personas puedan satisfacer sus necesidades básicas y desarrollar sus potencialidades como seres humanos, se ha constituido como un Derecho Humano exigible. El robo a casa habitación es uno de los delitos cuya incidencia ha aumentado en la ciudad de México, de acuerdo con un estudio de la empresa Multisistemas de Seguridad Industrial. Figura 3.1.Peligros En México De acuerdo con estadísticas dadas a conocer por funcionarios de la Secretaría de Seguridad Pública y de la Procuraduría General de Justicia (PGJDF), ambas del Distrito Federal, así como el Consejo Ciudadano de Seguridad Pública y Procuración de Justicia, en 68 por ciento de robos a casa habitación la víctima fue abordada cuando llegaba a su domicilio; 20 por ciento abrieron la puerta al asaltante, quien se hace pasar por prestador de algún servicio y en 12 por ciento el atraco ocurrió cuando no había nadie en la vivienda. CAPITULO 3: Planteamiento del Problema http://www.monografias.com/trabajos16/evolucion-sociedades/evolucion-sociedades.shtml http://www.monografias.com/trabajos/democracia/democracia.shtml http://www.monografias.com/Derecho/index.shtml 29 El subprocurador de Averiguaciones Previas Desconcentradas de la PGJDF, Hiram Almeida Estrada, indicó que la mayor incidencia de ese ilícito es en las delegaciones Tlalpan, Gustavo A. Madero e Iztapalapa. Figura 3.2. Intento de robo en México La tecnología puede ser una herramienta sumamente útil y poderosa para reducir el riesgo a ser víctimas de la inseguridad. Proponer y diseñar un sistema tecnológico ayudara a reducir los riesgos de ser víctimas de un robo a domicilio, es vital para el desarrollo de satisfacer la necesidad de vivir seguro y confiado al ciudadano. Figura 3.3.Tecnología de Protección y/o seguridad CAPITULO 3: Planteamiento del Problema 30 Es de enfoque el ingreso o acceso al hogar por ello se toman medidas para limitar el acceso a personas desconocidas y las funciones que pueden realizar dentro de este, como encender luces, entrar a diferentes habitaciones, hacer uso de teléfono etc. De esta forma el dueño y su familia podrán sentirse seguros de vivir en un lugar controlado por ellos. Usando tecnología eficiente y accesible para personas de cualquier nivel social se pretende dar un servicio de seguridad al ciudadano, estando dentro y fuera de su hogar. Figura 3.4.Seguridad en el hogar (Entrada principal) CAPITULO 3: Planteamiento del Problema 31 4. Desarrollo de un Sistema de Seguridad por Reconocimiento de Voz 4.1. Metodología Dentro de la metodología del proyecto se requiere: Generar una base de datos. Filtrar y normalizar la señal adquirida. Obtener sus coeficientes LPC. Comparación de los coeficientes LPC según la distancia. Permitir o denegar el acceso. Primeramente para la base de datos se realizan 5 grabaciones del usuario, las cuales se hicieron con un micrófono y en formato .WAV a través de MATLAB a 22 KHz de muestreo y 16 bits de resolución. Posteriormente se hizo el filtro que elimina el ruido y aumentaba su energía para que las grabaciones sean parecidas a sus parámetros (Normalización). Al tener las 5 muestras sin ruido y normalizadas se obtiene el promedio de estas para tener una única señal promediada con la señal de voz del usuario. Los coeficientes LPC se obtienen con una función dentro de MATLAB, el número de coeficientes que se utilizan son 25, dado por la siguiente ecuación: ( ) ………….(3.1) Con esto se obtienen vectores de 25 coeficientes LPC para cada una de las señales, que se comparan en distancia para obtener la relación entre la señal grabada y las 3 señales guardadas en la base de datos. La medida de la distancia se realiza elemento por elemento uno a uno, entre la señal de voz grabada y alguna de la de la base de datos. Al final de la medición de las distancias se suman los coeficientes que tengan menos del rango dado por el programa para dar el número exacto de coeficientes LPC en que se parecen las señales. Este procedimiento se realiza 3 veces comparando la señal grabada con cada una de las bases de datos. La toma de decisión se hace en base a que la señal grabada debe tener como mínimo cierto número de coeficientes LPC, que se parecen a la señal almacenada en la base de datos de ese usuario, si alguna de esas relaciones supera ese mínimo se da por hecho que la voz grabada es de ese usuario, por lo cual el programa reconoce a la persona y le CAPITULO 4: Desarrollo de Un sistema de Seguridad 32 da acceso al sistema, si ninguna delas relaciones supera el mínimo para alguna de las 3 personas el programa manda un error de que no se reconoció, negando el acceso al sistema a la persona que grabo. 4.2. Micrófono Las características principales del Micrófono, con el cual la adquisición de la señal de voz es posible, son las siguientes: Suprime ruidos de funcionamiento no deseados. El protector contra viento y el interruptor de filtro pasa-altas evitan las interferencias del viento o ruidos de baja frecuencia. Cuenta con un cuerpo de dimensiones reducidas para poder utilizarlo cómodamente. Ofrece la manera ideal de grabar un sonido nítido y claro. El principal inconveniente es que el micrófono, captan tanto lo se requiere como lo que no: ruido del entorno, reflexiones acústicas, etc. Figura 4.1. Micrófono que se usara en el proyecto 4.3. Entrenamiento y Base de Datos 4.3.1. Adquisición Mediante el Software de MATLAB se crea un programa en el editor, con el cual se puede adquirir señales de voz en archivos WAV con Frecuencia de muestreo de 22Khz, a 16 bits de resolución, mono canal y duración de 2 segundos. Programa: %Programa de Grabaciones de la Base de Datos Fs = 22050; % Frecuencia de Muestreo s = wavrecord(2*Fs, Fs, 1); wavwrite(s,Fs,16,'F1.wav') % Guarda .wav señal grabada CAPITULO 4: Desarrollo de Un sistema de Seguridad http://es.wikipedia.org/wiki/Reflexi%C3%B3n_(sonido) 33 4.3.2. Eliminación de Silencios y Normalización Adquirida la señal de voz, se procede a eliminar el ruido por medio de un Filtro para obtener la señal característica, aunado a esto se debe Normalizar la señal, debido a que en MATLAB la señal debe tomar valores desde -1 hasta 1 para poder utilizarla de forma adecuada sin perdidas. Programa: %Programa de Grabaciones de la Base de Datos (Normalización y eliminación de ruido) Fs = 22050; % Frecuencia de Muestreo s = wavrecord(2*Fs, Fs, 1); wavwrite(s,Fs,16,'F1.wav') % Guarda .wav señal grabada lon = length(s); % Longitud del vector d = max(abs(s)); % Obtiene el valor más Grande s = s/d; % Normaliza la señal prom = sum(s.*s)/lon; % Promedio señal entera umbral = 0.02; % 2% de la energía promedio y = [0]; for i = 1:400:lon-400 % Ventaneo cada 10ms seg = s(i:i+399); % Segmentos e = sum(seg.*seg)/400; % Promedio de cada segmento % Si el promedio energético es mayor que la señal completa por el valor umbral if( e> umbral*prom) % Almacena en (y) sino es eliminado como espacio en blanco y = [y;seg(1:end)]; end; end; % Guarda .wav señal normalizada y sin ruido wavwrite(y,Fs,16,'F1b.wav') plot(y) % Grafica señal Normalizada sound(y,22050) % Reproduce Señal Normalizada 4.3.3. Promedio Se procede a grabar 5 veces el comando a reconocer lo cual genera 5 grabaciones distintas, las cuales se deben promediar para obtener una sola señal que caracterizara el comando grabado. Una vez más se debe Normalizar a la señal. CAPITULO 4: Desarrollo de Un sistema de Seguridad 34 Programa: %Programa que Realiza el Promedio de la Base de Datos de Grabaciones clearall; clc; Fs = 22050; % Frecuencia de Muestreo [rec1] = wavread('F1b.wav'); % Lee la primera grabación [rec2] = wavread('F2b.wav'); % Lee la segunda grabación [rec3] = wavread('F3b.wav'); % Lee la tercera grabación [rec4] = wavread('F4b.wav'); % Lee la cuarta grabación [rec5] = wavread('F5b.wav'); % Lee la quinta grabación % Crea el vector final de grabación prom=rec1; tam = length(rec5); fori = 1:1:tam prom(i) = ((rec1(i)+rec2(i)+rec3(i)+rec4(i)+rec5(i))/5); end; lon = length(prom); % Longitud del vector d = max(abs(prom)); % Obtiene el valor más Grande prom = prom/d; % Normaliza la señal % Guarda .wav señal Promediada wavwrite(prom,Fs,16,'FProm.wav') plot(prom) % Grafica señal Promediada sound(prom,Fs) % Reproduce Señal Promediada 4.3.4. Base De Datos Obtenidos los promedios de los comandos, se forma una base de datos con ellos, que servirán para comparar con las grabaciones en tiempo real de identificación del software. [k0,Fs,bits] = wavread('FProm.wav'); % Archivo De Promedio Fer [k1,Fs,bits] = wavread('AProm.wav'); % Archivo De Promedio Alexis [k2,Fs,bits] = wavread('EProm.wav'); % Archivo De Promedio Oxana 4.4. Desarrollo 4.4.1. Adquisición La adquisición de la señal ocurre dentro del programa en la función de GRABAR en él se adquieren señales de voz en archivos WAV con Frecuencia de muestreo de 22Khz, a 16 bits de resolución, mono canal y duración de 2 segundos. CAPITULO 4: Desarrollo de Un sistema de Seguridad 35 Parte del Programa: Fs = 22050; % Frecuencia de Muestreo s = wavrecord(2*Fs, Fs, 1); wavwrite(s,Fs,16,'Prueba.wav') % Guarda .wav señal grabada 4.4.2. Eliminación de silencios y Normalización La eliminación de silencio y ruido junto con la Normalización ocurre después de la adquisición de la señal en esta parte se hace uso del nivel de energía de la señal, tomando el valor máximo y normalizándolo a 1, por medio de la segmentación y ventanas de haming se elimina el ruido y los silencios para que solo se tenga la señal pura que contenga la información de la voz. Parte del Programa: Fs = 22050; % Frecuencia de Muestreo s = wavrecord(2*Fs, Fs, 1); wavwrite(s,Fs,16,'Prueba.wav') % Guarda .wav señal grabada lon = length(s); % Longitud del vector d = max(abs(s)); % Obtiene el valor más Grande s = s/d; % Normaliza la señal prom = sum(s.*s)/lon; % Promedio señal entera umbral = 0.02; % 2% de la energía promedio y = [0]; for i = 1:400:lon-400 % Ventaneo cada 10ms seg = s(i:i+399); % Segmentos e = sum(seg.*seg)/400; % Promedio de cada segmento % Si el promedio energético es mayor que la señal completa por el valor umbral if( e> umbral*prom) % Almacena en (y) sino es eliminado como espacio en blanco y = [y;seg(1:end)]; end; end; % Guarda .wav señal normalizada y sin ruido wavwrite(y,Fs,16,'Limpia.wav') plot(y) % Grafica señal Normalizada sound(y,22050) % Reproduce Señal Normalizada CAPITULO 4: Desarrollo de Un sistema de Seguridad 36 4.4.3. Parametrización La Parametrización u obtención de las características de la voz se realiza dentro de la función IDENTIFICAR, en esta función se toman las 3 señales de las bases de datos y se obtienen sus coeficientes LPC para analizar. Adquiridos los coeficientes LPC de las 3 señales de la base de datos y de la señal grabada, se realizan 3 algoritmos de medición de distancia, entre la señal grabada en tiempo real y cada una de las grabaciones dentro de la base de datos, obteniendo 3 vectores que contienen 0 (si la relación entre distancias es mayor al rango máximo) y 1 (sila relación entre distancias es menor al rango máximo). Posteriormente se suman los vectores de las relaciones y se obtiene un número entero el cual representa que cantidad de coeficientes LPC, se parecen a la voz grabada y a cada una de las bases de datos. Si este número es igual a 25 indica que la señal grabada y la base de datos son perfectamente iguales, mientras que si es igual a 0 indica que no poseen nada en común, el estándar mínimo en el cual el numero de coeficientes puede indicar que la relación corresponde a alguna de las bases de datos es si este número es igual o mayor a 17. [4] Parte del Programa: % Obtiene el numero de Coeficientes LPC num = (Fs/1024)+3; % Obtiene los coeficientes del filtro LPC de Fer W0 = lpc(k0,num); % Obtiene los coeficientes del filtro LPC de Alexis W1 = lpc(k1,num); % Obtiene los coeficientes del filtro LPC de Oxana W2 = lpc(k2,num); % Obtiene los coeficientes del filtro LPC de La Grabación de GUI Wx = lpc(kx,num); % Vector que contendrá las distancias entre Fer y la grabación d0=0; for z=1:25 % Obtiene la distancia cuadrática media d0(z)=sqrt((W0(z)-Wx(z))*(W0(z)-Wx(z))); if d0(z)<= 0.15 % Coloca un 1 en el vector si es próximo a Fer d0(z)=1; % Coloca un 0 en el vector si es lejano a Fer else d0(z)=0; end end % Vector que contendrá las distancias entre Alexis y la grabación CAPITULO 4: Desarrollo de Un sistema de Seguridad 37 d1=0; for z=1:25 % Obtiene la distancia cuadrática media d1(z)=sqrt((W1(z)-Wx(z))*(W1(z)-Wx(z))); if d1(z)<= 0.15 % Coloca un 1 en el vector si es próximo a Alexis d1(z)=1; % Coloca un 0 en el vector si es lejano a Alexis else d1(z)=0; end end % Vector que contendrá las distancias entre Oxana y la grabación d2=0; for z=1:25 % Obtiene la distancia cuadrática media d2(z)=sqrt((W2(z)-Wx(z))*(W2(z)-Wx(z))); if d2(z)<= 0.15 % Coloca un 1 en el vector si es próximo a Oxana d2(z)=1; % Coloca un 0 en el vector si es lejano a Oxana else d1(z)=0; end end % Contador que almacena el número de coeficientes que se parecen cont0=0; for i = 1:25 % Suma todos los valores de la cadena cont0 = d0(i)+cont0; end cont0 cont1=0; for j = 1:25 cont1 = d1(j)+cont1; end cont1 cont2=0; for x = 1:25 cont2 = d2(x)+cont2; end cont2 CAPITULO 4: Desarrollo de Un sistema de Seguridad 38 4.4.4. Reconocimiento del habla (Toma de decisión) Debido a que el análisis de predicción lineal es frecuencia y aunando que los fonemas y pronunciación en cada nombre de los usuarios es completamente diferente, la toma de decisión depende de la relación de coeficientes LPC entre la voz grabada y las grabaciones en la base de datos. Es identificado el usuario si sus coeficientes entran en un rango predispuesto, este rango se define por una serie de pruebas realizadas. SI el programa reconoce al usuario de acceso al sistema, indica en la interfaz gráfica de que usuario corresponde la voz y le permite seleccionar la acción a realizar en el menú de FUNCIONES DEL SISTEMA. Si no lo reconoció, no le da acceso al sistema por lo cual no podrá seleccionar ninguna acción a realizar. Parte del Programa: if (cont0 > 17) op = length(k0); % Predicción de la Señal por filtro predic = filter([0 -W0(2:end)],1,k0); error = k0 - predic; % Error % Vector de Autocorrelacion Rsw = xcorr(k0); R = Rsw(op:op+num); % Obtención R(0) G = sqrt(sum(W0.*R')); % Obtención G % Obtención de la envolvente H(z) envolvente = abs(G./fft(W0,op)); % Transformada de Fourier de la señal original SW = abs(fft(k0,op)); semilogy(SW(1:(op/2)),'g'); holdon; semilogy(envolvente(1:(op/2)),'b'); holdoff; title('Usuario Fernando Poceros','Fontname','Trebuchet MS','Fontangle','Italic','Fontweight','Bold','Fontsize',20,'color',[1 1 1]) xlabel('Frecuencia','Fontname','Trebuchet MS','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) ylabel('Nivel de voz','Fontname','Dotum','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) msgbox('Identificado: Fer'); ID=1; saveID.mat; elseif (cont1 > 17) op = length(k1); % Predicción de la Señal por filtro predic = filter([0 -W1(2:end)],1,k1); error = k1 - predic; % Error % Vector de Autocorrelacion CAPITULO 4: Desarrollo de Un sistema de Seguridad 39 Rsw = xcorr(k1); R = Rsw(op:op+num); % Obtención R(0) G = sqrt(sum(W1.*R')); % Obtención G % Obtención de la envolvente H(z) envolvente = abs(G./fft(W1,op)); % Transformada de Fourier de la señal original SW = abs(fft(k1,op)); semilogy(SW(1:(op/2)),'g'); holdon; semilogy(envolvente(1:(op/2)),'b'); holdoff; title('Usuario Alexis Villalobos','Fontname','Trebuchet MS','Fontangle','Italic','Fontweight','Bold','Fontsize',20,'color',[1 1 1]) xlabel('Frecuencia','Fontname','Trebuchet MS','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) ylabel('Nivel de voz','Fontname','Dotum','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) msgbox('Identificado: Alexis'); ID=2; saveID.mat; elseif (cont2 > 17) op = length(k2); predic = filter([0 -W2(2:end)],1,k2); % Predicción de la Señal por filtro error = k2 - predic; % Error % Vector de Autocorrelacion Rsw = xcorr(k2); R = Rsw(op:op+num); % Obtención R(0) G = sqrt(sum(W2.*R')); % Obtención G % Obtención de la envolvente H(z) envolvente = abs(G./fft(W2,op)); % Transformada de Fourier de la señal original SW = abs(fft(k2,op)); semilogy(SW(1:(op/2)),'g'); holdon; semilogy(envolvente(1:(op/2)),'b'); holdoff; title('UsuarioEyraOxana','Fontname','Trebuchet MS','Fontangle','Italic','Fontweight','Bold','Fontsize',20,'color',[1 1 1]) xlabel('Frecuencia','Fontname','Trebuchet MS','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) ylabel('Nivel de voz','Fontname','Dotum','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) msgbox('Identificado: Oxana'); ID=3; saveID.mat; elsemsgbox('No Identificado!!!!!'); end CAPITULO 4: Desarrollo de Un sistema de Seguridad 40 4.4.5. Selección de la Acción a realizar Una vez que el usuario es reconocido puede elegir entre 4 opciones: Abrir Puerta, Cerrar Puerta, Prender Luz y Apagar Luz, la variable ID indica a que usuario se reconoció, si: ID=1 se trato de Fernando, si ID=2 se trato de Alexis y si ID=3 se trato de Oxana, el programa permite a todos los usuarios poder realizar cualquiera de las 4 acciones. Parte del Programa: % MENU FUNCIONES DEL SISTEMA functionMenu_Callback(hObject, eventdata, handles) loadID; if ID==1 || ID==2 || ID==3 P0=get(handles.Menu,'Value'); switch P0 case 1, msgbox('No Selecciono Nada'); case 2, msgbox('Abriendo Puerta'); case 3, msgbox('Cerrando Puerta'); case 4, msgbox('Prendiendo Luz'); case 5, msgbox('Apagando Luz'); endelse msgbox('No Identificado!!!'); end 4.4.6. Interfaz Grafica Es diseñada una interfaz de usuario - máquina para lograr la comunicación entre ambos fácil de entender, se utiliza MATLAB para crear una GUI, en esta se puede mostrar las gráficas de la señal de voz, los botones que permiten identificar al usuario y las funciones que se pueden realizar dentro la GUI. El programa MATLAB tiene la opción para realizar esta interfaz en su barra de funciones donde aparece el icono de GUIDE para crearla. CAPITULO 4: Desarrollo de Un sistema de Seguridad 41 Figura 4.2. Icono de GUIDE en MATLAB para crear interfaces Al seleccionar crear GUIDE, el programa da la opción de crear diferentes modos de GUIDES, la opción que se selecciono es la que esta como predeterminada (en blanco),en esta se puede diseñar la forma de la interfaz, con los botones o elementos necesarios. Figura 4.3. Selección de la GUI o abrir una nueva GUI Se escoge la GUIDE predeterminada para poder colocar los objetos necesarios. CAPITULO 4: Desarrollo de Un sistema de Seguridad 42 Figura 4.4. Inicio de la GUI con su ventana lateral izquierda de selección de objetos Una vez teniéndola la plantilla de la GUIDE se ajusta el tamaño, se colocan los botones, graficas, textos, imágenes, graficas, etc. Con los diferentes botones que se tienen al lado izquierdo de la pantalla, cuando se selecciona el botón y se coloca en el lugar que se requiere, se ajusta el tamaño y color de este. Figura 4.5. Colocación, edición y uso de un Botón en la GUI CAPITULO 4: Desarrollo de Un sistema de Seguridad 43 El diseño realizado para el trabajo fue el siguiente: Figura 4.6. Interfaz gráfica imagen de la GUI Esta es la Interfaz gráfica realizada. Figura 4.7. Interfaz gráfica del Reconocedor de Voz creado en MATLAB CAPITULO 4: Desarrollo de Un sistema de Seguridad 44 Dentro de las funciones aparecen recuadros donde da aviso la interface del estado del programa, los botones despliegan diferente información: Botón Grabar: Este botón realiza la función de activar el micrófono y grabar durante dos segundos el comando a reconocer, en este caso es el nombre del usuario. Para posteriormente limpiar la señal de ruido y normalizarla, una vez hecho esto imprime la gráfica de la señal de voz en el recuadro de gráfica y aparece una ventana que indica que la grabación se ha realizado con éxito, puede observarse en la figura: Figura 4.8. Interfaz gráfica después de haber apretado el botón Grabar Botón Identificar: El botón Identificar es el que cumple la función más importante del programa que es reconocer y tomar la decisión. Consta de las siguientes etapas: 1) Obtener los coeficientes LPC de la señal grabada y de las 3 señales de la base de datos de cada usuario, esto entrega 4 vectores que son las envolventes de la señal (Grabación, Fernando, Alexis y Oxana). 2) Después obtener la relación de la señal grabada con cada una de las señales de la base de datos, por medio de la distancia entre cada coeficiente LPC de cada uno de los 4 vectores. En esta etapa se da un rango de aceptación en el cual un coeficiente LPC al parecerse al otro se toma en cuenta o se desprecia, al final todos los coeficientes LPC de la CAPITULO 4: Desarrollo de Un sistema de Seguridad 45 relación se suman dando la relación de cuanto se parece la señal grabada con las 3 bases de datos. 3) La etapa final es la Toma de decisión la cual se realiza tomando en cuenta 2 condiciones, una que el número de coeficientes LPC que se tomaron en cuenta superen un número mínimo requerido para cada usuario y dos que el número de coeficientes LPC no sean iguales, ya que al tener dos relaciones iguales el programa entra en conflicto para decidir a qué usuario identificar. Figura 4.9. Interfaz gráfica después de haber apretado el botón Identificar Botón Cerrar Sesión: Este botón se ocupa para cerrar la sesión y volver al inicio de la interfaz una vez que el usuario reconocido ha realizado alguna acción, este botón limpia las variables utilizadas y reinicia el programa general. Botón Salir: El botón salir apaga y cierra la interfaz borrando todas las variables utilizas. Figura 4.10. Ventana que aparece después de presionar el botón Salir CAPITULO 4: Desarrollo de Un sistema de Seguridad 46 Menú Funciones Del Sistema: Dentro de este menú, están las opciones de Abrir Puerta, Cerrar Puerta, Apagar Luz y Cerrar Luz, se pueden agregar más opciones depende de las necesidades del usuario, su función es indicarle al programa que es lo que el usuario desea hacer. Figura 4.11. Menú de Funciones del Sistema que despliega las acciones que se puede realizar Figura 4.12. Ventana que aparece después de seleccionar la Acción de Abrir Puerta 4.4.7. Programa Completo El Programa completo se puede observar en los Anexos como Anexo 1. 4.5. Implementación Para la implementación de sistema de reconocimiento de voz, se fabricó una maqueta que simularía un Hogar, la cual tendría una puerta y un foco. Se realizaron algunos circuitos para poder hacer que la puerta se moviera con ayuda de un motor eléctrico y que el foco se prendiera y apagara, estos circuitos se pueden encontrar dentro de Anexos en Anexo 2. Para la conexión entre la computadora (la interfaz gráfica) y los circuitos de la maqueta se utilizó la tarjeta de adquisición de datos de National Instruments la cual puede ser reconocida por MATLAB. CAPITULO 4: Desarrollo de Un sistema de Seguridad 47 Figura 4.13. Maqueta e Interfaz grafica Figura 4.14. Tarjeta de Adquisición de datos USB6008 CAPITULO 4: Desarrollo de Un sistema de Seguridad 48 Capítulo 5. Pruebas y Resultados En este Capítulo se mostraran los resultados obtenidos al realizar pruebas con el programa de reconocimiento de voz, para poder obtener y comparar los objetivos alcanzados, las ventajas y desventajas del proyecto propuesto. Para realizar las siguientes pruebas, se usa la voz de uno de los usuarios y dependiendo de los resultados, se escogió el mejor lugar para realizar las pruebas de reconocimiento. Estas pruebas consisten en la comparación de los coeficientes LPC de la voz grabada en una base de datos y la voz en tiempo real, para estos hay un contador de cuantos coeficientes coinciden, por lo cual las siguientes pruebas muestran la cantidad de coeficientes que se aproximan a los originales en la base de datos. Existen 3 contadores denominados Cont 0 para la relación entre los coeficientes LPC de Fernando y la voz grabada al instante, Cont 1 corresponde a Alexis y Cont 2 corresponde a Oxana. Estas pruebas se realizaron en un lugar cerrado con un nivel de ruido de: 49.5-56 dBA Tabla 5.1. Pruebas con ruido de 49.5 a 56 dBA Alexis Cont 0 Cont 1 Cont 2 Alexis 11 20 9 Alexis 13 18 13 Fernando 12 19 9 Fernando 11 21 10 Oxana 10 15 12 Oxana 9 19 12 Estas pruebas se realizaron en un lugar abierto con un nivel de ruido de: 62.8-69.4 dBA Tabla 5.2. Pruebas con ruido de 62.8 a 69.4 dBA Alexis Cont 0 Cont 1 Cont 2 Alexis 14 19 11 Alexis 14 18 12 Fernando 12 18 8 Fernando 10 22 9 Oxana 9 12 13 Oxana 11 19 12 Estas pruebas se realizaron en un lugar con un nivel de ruido de: 66.2-75.4 dBA CAPITULO 5: Pruebas y Resultados 49 Tabla 5.3. Pruebas con ruido de 66.2 a 75.4 dBA Alexis Cont 0 Cont 1 Cont 2 Alexis 17 19 14 Alexis 18 18 16 Fernando 16 18 10 Fernando 17 22 17 Oxana 10 12 19 Oxana 17 19 12 El lugar que se escogió para las pruebas generales fue en donde se obtuvieron mejores resultados, en este caso en lugares con niveles de ruido entre 62.8-69.4 dBA. 5.1. Pruebas Generales En las pruebas generales
Compartir