SISTEMA DETECTOR DE ALARMAS

DESCRIPCIÓN DEL PROBLEMA Podemos reconocer el sonido de alarmas fácilmente en un entorno con ruido, así nunca hayamos escuchado esa alarma antes, esto se debe al que las alarmas están compuestas por un conjunto de sonidos muy particulares. Por otro lado la pérdida de audición puede afectar nuestra percepción del sonido de alarmas. Un dispositivo confiable que pueda reconocer tales sonidos tendría muchas aplicaciones, tales como asistir a personas con problemas para escuchar bien o para sistemas que necesiten responder a los sonidos de su entorno. Aunque puede parecer que las alarmas son fáciles de detectar, en realidad las características distintivas de las alarmas no están formalmente definidas. OBJETIVOS DEL PROYECTO El objetivo del proyecto es el producir un sistema detector de sonidos de alarma, sonidos que comúnmente escuchamos y usamos en la vida diaria. El sistema debe ser capaz de detectar e identificar el tipo de alarma que se emite en el momento es decir, lo que se busca es que el sistema detector imite, por así decirlo, lo que el ser humano hace al escuchar un sonido de alarma. MARCO TEORICO Uno de los puntos importantes de este proyecto es la detección fiable de la alarma en los altos niveles de ruido de fondo, por lo que tener alarmas digitalizadas con poco ruido de fondo no será de mucha utilidad, ya que lo que necesitaremos será sonidos de alarmas mezclados con niveles de ruido mucho más elevados, para ellos hemos seleccionado una base de datos para realizar nuestras pruebas. Características observadas en las alarmas:
   

· Las alarmas incluyen componentes de frecuencia alrededor de 3Khz, que se encuentra cerca de la región de sensibilidad de mayor audiencia. · La mayoría de alarmas son muy agudas, esto se ve manifestado en las concentraciones de energía horizontales en los espectrogramas que corresponden a las frecuencias individuales. · Las alarmas muestran una fuerte modulación de amplitud en el rango 4-30Hz. La modulación en este rango se asocia con la percepción de aspereza en un sonido. · Las alarmas en su mayoría tienen un comienzo brusco, por lo que se podría visualizar picos elevados en determinados momentos de su análisis.

es así que logra identificar cuáles son sonidos de alarmas. todas las mezclas que se construyeron para tener una relación señalruido de 0 dB. La mezcla de alarma y el ruido es analizada de acuerdo a sus características. que ya se conocen de las alarmas. La tarea iba a ser una simple detección de un sonido de alarma.Algunos ejemplos sobre las características: Ejemplos Espectrogramas: Para evaluar la viabilidad de la detección automática de sonido de la alarma. en los experimentos actuales. Sistema Red-Neural El Sistema Red-Neural es una adaptación de un sistema detector de palabras. las alarmas fueron artificialmente mezclado con una variedad de ruidos de fondo. se utilizará el Sistema Red-Neural y el Sistema de Modelo Sinusoide. Para evaluar los sonidos y lograr el objetivo el cual es el reconocimiento de alarmas de un conjunto de sonidos. en lugar de cualquier tipo de clasificación o de la discriminación entre los sonidos de alarma. Gracias a esto se logra calcular y clasificar los diferentes sonidos presentes en la grabación. que son capturadas cada 10ms en un cuadro de 25ms. . se realizaron algunos experimentos para medir la exactitud de la detección de sonidos de alarma en condiciones de mucho ruido. Para hacer este reto. con un margen de error. La Red clasifica los sonidos de acuerdo a las características.

Grupos de sinusoides que varían muy poco en la frecuencia durante un período prolongado son comunes en muchos de los sonidos de alarma. Sistema de Modelo Sinusoide El sistema se basa en el modelado sinusoide. La variación de frecuencia-duración normalizada mide la estabilidad de las frecuencias de los componentes sinusoidales con respecto a su duración. las salidas de la red entrenada puede considerarse como estimaciones de la probabilidad posterior de que un sonido de alarma está presente (o ausente). las pistas generadas por la fase de modelado sinusoidal corresponden sólo a los componentes en el sonido original con bien definidas las prominencias espectrales y con frecuencias estáticas o de variación lenta. si esta energía llega a ser captada por el modelo de la sinusoide dicha representación podría ser invariante ante el ruido de fondo ya que sólo se describiría los picos espectrales.La red se formó a través de retro propagación con un mínimo cruce de un criterio de 20 ejemplos de sonido de capacitación. Por ello utilizaremos dos etapas para poder realizar una correcta discriminación entre el ruido y la alarma en sí. esta probabilidad se filtra a través de la mediana 11 pasos (alrededor de 110 ms) y umbral izadas a 0. PROCEDIMIENTO A ULTILIZAR — Utilizaremos el sistema de modelo sinusoide. No obstante el ruido de fondo puede afectar a nuestras componentes extraídas del tono mediante nuestro modelo sinusoide. Se puede mejorar la capacidad de detección de estos componentes mediante un filtrado de la energía superficial inicial del espectrograma para mejorar las estructuras horizontales. De esta manera. una transición a por encima de este umbral fue tomada como un sonido de alarma detectada. . Las trayectorias de la sinusoide se reúnen en grupos que se consideran que provienen de una sola fuente. Para el reconocimiento.5. La alarma presenta un espectro escaso y estable. donde el sonido se representara con un número pequeño de tonos puros. asimismo concentra su energía en pocas zonas espectrales.

Nuestro sistema detector esencialmente se compone de:    Uso de una mezcla de sonidos con alamas. Spectral enhancement: mejoramos la detección de los componentes armónicos de las alarmas mediante un filtrado de la energía superficial inicial del espectrograma para mejorar las estructuras horizontales. Group clasification: se clasifican en grupos y se obtiene al que pertenecen las alarmas. Los siguientes 2 pasos se realizan para poder diferenciar los generados por el ruido con los de las alarmas. DESARROLLO EN MATLAB Y RESULTADOS Se carga un archivo de audio que es la grabación de un alarma (en este caso la sirena de una ambulancia) en un entorno con ruido. Sinusoid modeling: se generan pistas correspondientes solo a los componentes en el sonido original.   Object formation: las pistas se juntan en grupos que se piensa provienen de una sola fuente. .

.

que es donde se considera que se encuentra la información de la alarma.Se tiene una señal de audio resintetizada. . Teniendo esto se puede separar la señal de audio original en 2 partes: la señal de información que queremos y el ruido de fondo.

con esto lograríamos identificar a cual se asemeja mas nuestra señal de entrada y así determinar cual es la fuente de la alarma. A la hora hacer la interpolación se pierden datos del audio original.Lo siguiente a desarrollar seria un filtro pasabanda centrado en la frecuencia que generalmente se asocia a la emisión de las alarmas en general (3KHz). es por eso que para obtener la señal real sin ruido usamos un filtro adaptativo con algoritmo LMS. esta señal luego del filtro pasabanda sería la alarma del archivo de audio. . Lo siguiente sería hacer una correlación con una base de datos que contiene archivos de alarma conocidos.

.

pero un filtro pasa bajos puede también cumplir con el propósito. . lo ideal seria un filtro pasa banda con frecuencia de paso en las frecuencias cercanas a los 3KHz.Ahora se diseña un filtro.

ifgram. La forma de control en Matlab para la implementación del programa brinda facilidades para su diseño y así tener un mejor funcionamiento del equipo. convm. synthtrax. fueron tomadas de una de las fuentes. Gráficamente se puede determinar a que señal se parece mas la original. debido a que cuenta con un grupo de librerías y comandos que nos permite manipular varios elementos. CONCLUSIONES El trabajo realizado en este proyecto se ha centrado principalmente en el desarrollo de un clasificador de bajo coste computacional para la detección de señales de alarmas dentro de un entorno con ruido. para ejemplificar usaremos solo 6. extractrax. colinterpvals y synthphtrax. BIBLIOGRAFÍA . es posible realizar el objetivo principal del proyecto. Con un poco más de investigación sobre los comandos de Matlab y sobre manipulación de base de batos dentro de este.Lo siguiente es una correlación con cada una de las señales de la base de datos recopilada. NOTA: Las funciones: nlms.

   DETECTING ALARM SOUNDS .ee. Ellis -Department of Electrical Engineering.html http://www.mathworks.W.edu/~dpwe/resources/matlab/sinemodel/ . New York NY USA http://www.com/help/toolbox/signal/ref/buttord. Columbia Universit y.columbia.Daniel P.

Sign up to vote on this title
UsefulNot useful