CLASIFICACIÓN DE HABLANTES USANDO

PREDICCIÓN LINEAL
Director de Proyecto: Dr. Héctor Pérez Meana
Registro CGPI: 980881
Sección de Estudios de Posgrado e Investigación
Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Culhuacan
Instituto Politécnico Nacional
Av. Santa Ana No.1000, Col San Francisco Culhuacan
C.P. 04430, México, D.F. Tel:56 56 20 58
e-mail: hmpm@prodigy.net.mx

Resumen Sistema propuesto

El presente artículo propone un sistema para

reconocimiento de hablantes de baja complejidad,
basado en n redes neuronales de tipo ADALINE
conectadas en paralelo, las cuáles realizarán la
clasificación del hablante en dos etapas; la primera de
ellas se encargará de “aprender” los patrones de voz y la
segunda etapa llevará a cabo la verificación de dicho
aprendizaje. Las entradas a las redes neuronales son los
coeficientes de predicción lineal y coeficientes de
reflexión de los hablantes a ser identificados. Resultados
experimentales son dados los cuales muestran las
características del sistema propuesto.
Introducción
El reconocimiento de hablantes es uno de los
sistemas biométricos mas estudiados a la fecha, lo cual
ha dados como resultado el desarrollo de una importante
variedad de sistemas para identificar al hablante, y de esa
manera llevar a cabo la verificación y detección de la
identidad de las personas.
La verificación automática de hablante (ASV) hace
uso de una máquina para verificar la autenticidad de una
persona a través de su voz, es decir el sistema determina
si la persona es quien dice ser o no [1].
Por otro lado, los sistemas de identificación del
hablante (ASI) son aquellos en donde el sistema
determina quién es la persona que habla, es decir, nos
indica específicamente de que persona se trata. Así
aunque en ambos casos es necesario analizar los
parámetros que permite la identificación de las personas
de a través de sus voz, su objetivos son diferentes, ya
que mientras los primeros tiene por objeto determinar si
la persona es realmente quien dice ser, el objetivo de los
segundos es determinar, de entre un conjunto de posibles
candidatos, de que persona se trata.
Fig. 1. Sistema propuesto
La figura 1 muestra el sistema propuesto que
consta de un extractor de características y la parte de
identificación usando n redes neuronales conectadas en
paralelo, las cuales emplean los parámetros extraídos de
la señal de voz, que son los coeficientes de predicción
lineal y los coeficientes de reflexión. Las salidas de
estas redes se conectan en serie a otra red neuronal la
cual lleva a cabo la identificación o verificación de la
identidad del hablante.
2.1 Detección del punto inicial y final
La potencia promedio es utilizada para encontrar
el intervalo en donde se excede un umbral ITU, se
asume que el punto inicio y fin están situados fuera de
este intervalo. Moviéndose hacia atrás desde el punto en
el cuál Mn primero excede el umbral ITU, el punto
donde Mn cae más abajo del umbral ITL es
tentativamente seleccionado como el punto inicial, un
procedimiento similar se lleva acabo para encontrar
tentativamente el punto final N2.
Este doble procedimiento de umbral asegura que la
inclinación de la potencia no sea una señal falsa del
punto final. El paso siguiente es mover hacia atrás
desde N1 hacia N2 comparando la medida de cruce por
cero a un umbral determinado estadísticamente de la
medida de cruce por cero para el ruido; esto es limitado
para los 25 frames que preceden a N1 seguido de N2.
 Si la medida de cruce por cero excede el umbral
tres o más veces el punto inicio N1 se mueve atrás hacia
el primer punto en el cuál el umbral de cruce por cero
fue excedido, de otra manera N1 es definido como el
inicio [2]
coeficientes de predicción. Así que suponemos que
algunas características dependientes del hablante se
encuentran presentes en esta señal de excitación
(frecuencia fundamental), si la señal de excitación es
ignorada, la información valiosa de discriminación en la
verificación del hablante se podría perder.
Definiendo el error de predicción (conocido
también como residual) como la diferencia entre el
valor actual de S n y el valor predecido de Ŝ n , produce
la siguiente ecuación:

p
en  Sn  Sˆn  Sn   ak Sn  k (3)
k 1

Por tanto el error de predicción es idéntico a la

señal de entrada escalar G  U n . Permitiendo que E
represente el error cuadrático medio (MSE):

2
 p

Fig. 2. Ejemplo típico del promedio de la magnitud y la
medida de cruce por cero.
E   e    S n   ak  S n  k 
2
n (4)
n  k 1 
2.2 Coeficientes de predicción lineal
En cada recursión del algoritmo de Durbin, el
orden de predicción se incrementa y su correspondiente
El sistema vocal del ser humano se puede
error es determinado. Esto puede ser monitoreado como
representar matemáticamente por medio de la siguiente
un criterio sobre la predicción de orden p [3]
ecuación:
E0  R0
p
S n   ak  S n  k  G  U n
k 1
(1)

Ki 

 Ri   j 1 a (ji 1) Ri  j
i 1
  1 i  p
Ei 1
Donde: Sn Salida
p Orden de predicción ai(i )  ki
ak Coeficientes de predicción
a (ji )  a ij1  ki ai(i j1)  1  j  i -1
Sn  k Salidas anteriores
G Factor escalar de ganancia

Ei  1  ki2 Ei 1   i  1,2,..., p
Un Entrada presente (en aplicaciones de
voz es ignorada)
a j  a (j p )  1 j p
Como la entrada G  U n es desconocida, la
aproximación Ŝ n depende solo de las salidas anteriores, p

entonces: S n   ak  S n  k en (5)

k 1
p
Sˆn   ak  Sn  k (2)
k 1

La estimación se reduce porque la fuente y el filtro

han sido separados. La fuente U n corresponde a la
excitación del tracto vocal, no es modelada por estos

Fig. 3. Coeficientes de predicción para la vocal a de un mismo
hablante
2.3 Coeficientes de reflexión
Los coeficientes de reflexión indican la cantidad de
voz reflejada así como la cantidad de voz que pasa a
través del sistema vocal. El tracto vocal es representado
por tubos acústicos de distinta magnitud como se
muestra en la siguiente figura:
Fig. 4. Representación de los coeficientes de reflexión
Si el algoritmo de Levinson-Durbin es usado para
resolver las ecuaciones normales, los coeficientes de
reflexión son las variables intermedias ki en la
recursión. Si los tubos acústicos son de la misma
longitud, el tiempo requerido para la propagación del
sonido a través de cada tubo es el mismo. Así los
coeficientes de reflexión pueden ser obtenidos de un
modelo de tubos acústicos [3].
Se tiene un vector de coeficientes (Levinson)
(a0 , a1 , a2 ,..., a p )
de un predictor de forma
p mínimos cuadrados) [4], tratando de obtener un mínimo
a
k 1
p (k ) z 1
K p  a p ( p)
Calculo del predictor p-1
a p (k )  k p a p ( p  k )
a p 1 (k ) 
1 kp
2
k  1,2,3,..., p  1
a p 1 (1), a p 1 (2),..., a p 1 ( p  1) 
K p 1  a p 1 ( p  1)
Hasta que K sea igual a 1.
6)
Fig. 5. Coeficientes de reflexión para la vocal a de un mismo
hablante
2.4 Red neuronal ADALINE
Las redes neuronales artificiales fueron diseñadas
con el propósito de simular el funcionamiento que tiene
una red neuronal fisiológica por lo que el primer paso
que se realiza posterior al desarrollo de la red, es el
entrenamiento de la misma; este se lleva a cabo con la
utilización de una determinada cantidad de entradas
distintas.
Dentro de las redes neuronales artificiales existen
varios modelos, así como de entrenamientos para este
proyecto se utilizó como base la red neuronal
ADALINE.
Una ADALINE (elemento lineal adaptable) esta
formada por un solo elemento la cuál maneja datos
analógicos en su entrada y a la salida tiene una
activación lineal o sigmoidal; esta red utiliza para su
aprendizaje la regla de LMS (regla de aprendizaje de
error entere la salida deseada y la obtenida, la cuál se
basa en hallar un vector de pesos deseados, mediante la
introducción de valores de pesos en las entradas de la
red calculando el error y posteriormente actualizar los
valores de los pesos distribuyendo el error entre las
entradas. Este proceso se repite hasta obtener los valores
deseados, a este proceso se le llama entrenamiento.
Fig. 6 Red Neuronal ADALINE
La actualización de los pesos se hace para cada
vector de entrada como se muestra en (7):
Wk (n  1)  W (n)  ek (n) x(n) (7)
Donde Wk(n) es un vector de pesos de conexión de
k-ésimo nodo del ADALINE en tiempo n. X(n) es el
vector de entradas y ek es la señal de error entre la salida
deseada y la salida obtenida, que se muestra en (8):
ek (n)  d k (n)  Yk (n) (8)
donde: Yk (n)  Wk (n) x(n)  (9)
 es el factor de convergencia que cumple con la
siguiente ecuación:
0   1 . 0 ( 10 )
3. Resultados obtenidos
El sistema propuesto ha evaluado por dos vocales 'a'
,'e' de 3 hablantes. Se generaron bases de datos con 15
vocales por cada hablante para entrenamiento de las
redes neuronales, y 5 vocales por cada hablante se
usaron para verificación del sistema propuesto.
Total han generado 2 bases de datos para
entrenamiento, uno para vocal 'a', y otro para vocal 'e', y
2 bases de datos para la verificación del sistema.
Partir de estos bases de datos, se calcularon los
coeficientes de LPC y los coeficientes de reflexión.
Usando las bases de datos antes mencionada, se
evaluó el sistema propuesto. Los resultados obtenidos se
muestran en las siguientes tablas (tabla 1 y tabla 2). De
los resultados obtenidos, el vocal 'a' puede ser mejor
factor que el vocal 'e' para identificar hablantes.
También el reconocimiento obtenido con los
coeficientes de LPC fue mejor que el reconocimiento
empleando los coeficientes de reflexión.
vocal Coeficientes de reflexión
% Reflexión 1 Reflexión 2
Vocal 'a' 80.00 73.33
Vocal 'e' 64.00 88.00
Tabla 1. Resultados de los coeficientes de reflexión
Vocal Coeficientes de predicción lineal
% LPC 1 LPC 2
Vocal 'a' 80.00 86.67
Vocal 'e' 69.33 78.67
Tabla 2. Resultados de los coeficientes de predicción lineal
4. Conclusiones
Los resultados obtenidos muestran que el sistema
propuesto mostrado en la figura 1 es eficiente, ya que
presenta un porcentaje de reconocimiento aceptable
usando los coeficientes de reflexión y de predicción
lineal separadamente. El reconocimiento puede ser
mejorado empleando ambos parámetros de manera
conjunta. Además el sistema propuesto presenta una
arquitectura simple y fácil de desarrollar por lo que el
costo del sistema es bajo.
Mayor funcionamiento del sistema se puede
esperar usando una palabra completa, en el cual los 5
vocales y consonantes pueden ser factores combinados
para identificación. También se podría mejorar su
funcionamiento empleando una red neuronal de Back
Propagation, el lugar de la red ADALINE, ya que esta
tiene mayor flexibilidad en la similitud de patrones a
detectar permitiendo que no sean completamente
similares, aunque su complejidad es mayor.
Para eliminar el ruido que afecta directamente a
todo el sistema, sería necesario implementar filtros a la
entrada que pudieran reducir la distorsión y aclarar las
señales de voz previas al reconocimiento.
Referencias
[1] Speaker verification: A tutorial, IEEE Commun. Mag.,
Vol.28, J.Naik, January 1990.
[2] Digital Processing of Speech Signal, Lawrence R. Rabiner
and Ronald W. Shafer, Ed. Prentice-Hall Inc.
[3] Linear prediction: A tutorial review, Proc. .of The
IEEE, Vol. 63, J. Makhoul, 1975.
[4] Freeman. James A, David M. Skapura. REDES
NEURONALES Algoritmos, aplicaciones y técnicas de
programación. Addison-Wesley/Díazde santos Wilmignton,
delaware, E.U.A. 1993.