Reconocimiento de Señales de Voz Utilizando MATLAB Miguel Bravo, Jorge Jorge Moreno, Xavier Xavier Verdesoto Verdesoto
1. Resumen El análisis de señales de naturaleza aleatoria tiene una importancia fundamental para la ciencia de las telecomunicaciones. Los principios teóricos del análisis de señales aleatorias, aleatorias, pueden llegar a tener una infinidad infinidad de aplicaciones en el presente. En este proyecto, precisamente se utilizan fundamentos matemáticos de ese tipo para desarrollar un sistema de reconocimiento de señales de voz. El propósito de este trabajo es el desarrollo de un software especializado en el reconocimiento reconocimiento de una palabra, utilizada como clave, para un sistema de seguridad ficticio.
2. Introducción El mecanismo de vocal humano produce el habla mediante fluctuaciones de la presión acústica de un medio. Un micrófono tiene la capacidad de detectar las variaciones de la presión acústica, y es así como una señal de voz puede ser convertida en una señal eléctrica. Un sonido y sus características no son más que distintos patrones en las variaciones de la presión acústica [1]. Las señales señales de voz pueden catalogarse catalogarse como señales señales aleatorias estacionarias continuas, de acuerdo con la naturaleza de su propagación. Debido a esto, una señal correspondiente a una palabra o frase, puede ser manipulada desde el punto de vista del análisis de Fourier [2]. Para implementar un proceso de reconocimiento de voz, se utiliza el enfoque del análisis espectral. En concreto, se utilizan dos funciones de gran importancia dentro del análisis de procesos estocásticos: la función de autocorrelación y la función de densidad espectral de potencia.
2.1 Caracterización de una Señal de Voz Un proceso aleatorio estacionario puede ser descrito de manera casi completa, en tiempo y en frecuencia, mediante el desarrollo de las dos funciones señaladas anteriormente.
Si llamamos a un proceso aleatorio estacionario. La función de auto-correlación se define como el valor esperado del producto del proceso evaluado en un tiempo y un tiempo , donde τ es simplemente un intervalo definido [3]. En forma de ecuación tenemos:
La función de auto-correlación nos ayuda a co mprender el comportamiento de la señal en el dominio del tiempo. En segundo lugar mencionamos a la función de densidad espectral de potencia, que es de gran utilidad para comprender la relación potencia-frecuencia que posee el proceso [3]. La densidad espectral de potencia se define matemáticamente matemáticamente de la siguiente manera:
(2)
Como puede observarse la densidad espectral de potencia y la auto-correlación forman un par de transformada de Fourier, lo que facilita en gran medida nuestro análisis. La función de densidad espectral de potencia tiene una importancia especial para implementar el proceso de reconocimiento de voz, pues proporciona información sobre el contenido de potencia de la señal en toda la banda de frecuencia. La comparación de contenido de potencia entre dos señales es básicamente el principio que se utiliza para todo el desarrollo del software para reconocimiento de palabra clave, como se señala a continuación.
3. Proceso de Reconocimiento Para realizar el reconocimiento se utilizó el programa de Matlab, en el cual se implementaron varias funciones y una interfaz gráfica para brindarle una mayor accesibilidad. Las funciones o códigos que se desarrollaron, según el orden secuencial de uso son:
En primer lugar nos referimos a la Función de Autocorrelación. Esta función nos brinda una descripción estadística de la relación entre los propios valores del proceso aleatorio en un intervalo de muestreo específico [3].
(1)
Bdatos.m Cortvoz.m PalabraClave.m Grabar.m Reconocimiento.m Notificaciones.m
A continuación se explica, desde dos perspectivas, lo que realiza el programa en el sentido de la programación.
Tanto desde el punto de vista del usuario “User1” quien será un sujeto de prueba que interactuará con la interfaz gráfica; como desde el punto de vista de la señal en sí, para observar lo que le sucede dentro del programa y poder apreciar mejor la forma en que se la procesa.
Después, User1 tiene la opción en el programa de visualizar su grabación “en bruto” es decir sin procesado , así como después del procesado para así ver que es lo que sucedió con la misma y como es la señal que se comparará con la base de datos.
3.1 Proceso Previo al Reconocimiento
3.3 Método de Comparación
Se denomina esta parte del proceso como previo ya que no es un proceso que se realice siempre que corre el programa, o siempre que se quiera reconocer la señal de voz. Se trata básicamente el código denominado Bdatos.m, el cual consiste en grabar una base de datos para la comparación que se realizará posteriormente.
Una vez estandarizada y visualizada la señal, User1 oprime el botón de reconocer, con lo cual comienza el proceso esencial de este software. El código de esta sección se denomina Reconocimiento.m; el cual toma una grabación estandarizada, y cada una de las grabaciones de la base de datos para realizar el mismo procesamiento que se explica a continuación:
El proceso inicia tomando un cierto número de usuarios, lo más variado posible en cuanto a su expresión oral y locación, es decir mujeres, hombres, gente con voces gruesas, voces agudas, con diferentes acentos, en espacios cerrados, silenciosos, así como en espacios abiertos y ruidosos. El objetivo es crear una base de datos amplia, para así conseguir que el denominado error máximo, que se definirá luego en la parte 3.2, pueda tomarse lo más pequeño posible. La explicación del código Bdatos.m es sencilla: lo que hace es grabar por medio del micrófono, a una frecuencia de muestreo de 8000 Hz y durante 2 segundos por grabación, 10 grabaciones de varios usuarios diciendo la palabra clave. En este caso se usó la palabra “MUSICA”. Posteriormente se utiliza la función llamada cortvoz.m, que corta la grabación desde que se comienza a hablar hasta 1,125 segundos después; para así eliminar ruidos y silencios no deseados. Así obtenemos matrices estandarizadas y normalizadas de 9000 posiciones con la palabra clave en cada una. Finalmente se guardan todas estas grabaciones en carpetas, con los nombres de cada usuario en formato wav.
1.
2.
3.
Se procede a comparar el error entre cada posición de estas matrices de PSD de la base de datos con la matriz de la grabación, y se almacena cada error en otra matriz; de la cual se halla el valor absoluto y el valor máximo. Este valor se usa para ser comparado con otro valor llamado error , que es una cantidad determinada experimentalmente, a partir de la eficacia que se requiera. Se espera que el programa tenga un desempeño positivo de por lo menos 85%. Con una base de datos numerosa es posible mejorar la dicha eficacia. Para este caso el valor de error es de 0,2 unidades.
4.
Después de comparar estos valores pueden darse dos casos: el primero es que el valor sea menor al error, y por lo tanto se deja de comparar con el resto de grabaciones de la base de datos y se concluye que se dijo la palabra correcta. El segundo es que en ninguna matriz se haya obtenido un máximo absoluto menor al error , en tal caso se concluye que no se dijo la palabra clave. Además, si el acceso es denegado 2 veces el programa se bloquea y se despliega la opción de ingresar una clave escrita, para que se pueda obtener dos oportunidades más para acceder; y si
3.2 Captación de la Señal de Voz y Procesado En este momento ya empieza a interactuar User1 con la interfaz. Primeramente, lo que hace el usuario es presionar el botón de grabar, con lo cual correrá la función grabar.m: en la cual se le darán 2 segundos para que, por medio de un micrófono conectado al computador, grabe la palabra clave para que sea comparada. Una vez terminada la grabación se despliegan dos mensajes: el primero advierte sobre una grabación correcta o incorrecta y el segundo una opción para escuchar la grabación realizada. Lo que le sucede a la señal antes de que se desplieguen estos mensajes es algo similar a lo que les sucedió a las señales para la base de datos, se la corta y normaliza con la misma función para estandarizarla y así facilitar la comparación.
Se divide la señal en n frames de comparación, donde este número n paso a paso varía desde 3 hasta 6. Pero, para los siguiente pasos se toman en cuenta solo los primeros 3 frames, lo que se hace para tratar de manipular directamente los fonemas de una palabra de 3 sílabas, como nuestra palabra clave, eliminando el ruido o silencio después de cada grabación . Cada uno de estos frames se opera para obtener su auto-correlación, y posteriormente la transformada de Fourier, que resulta en la densidad espectral de potencia.
ésta clave también es errónea el programa se cierra automáticamente.
brinda MATLAB para este tipo de aplicaciones y formuló una ventana de trabajo amigable que cuenta con botones para las funciones específicas que se explicaron antes.
3.4 Notificaciones al Usuario. Una vez finalizado el reconocimiento, se activa el código llamado notificaciones.m al cual son enviados dos parámetros, que logran notificaciones al usuario con message boxes y efectos de sonido, si se le concedió el acceso o no. Asimismo, como un complemento importante, se almacena una fotografía de cada usuario que usó el software; y se guarda en la carpeta de permitidos o no permitidos según corresponda. Esto como un mecanismo para llevar el registro de usuarios.
Figura 1: Ventana de Programa Para Reconocimiento de Voz
3.5 Comandos de MATLAB A continuación se presenta un listado de los comandos más importantes de MATLAB que se utilizaron en el código desarrollado:
Aplicaciones de Audio: wavrecord() o wavread() o wavwrite() o sound() o Reconocimiento: autocorr() o fft() o strcmp() o Notificaciones: msgbox() o questdlg() o inputdlg() o Gráficos en general: stem() o plot() o imshow() o Fotografía: videoinput() o getsnapshot() o
4. Desarrollo de una Interfaz Gráfica Una de las partes más importantes del desarrollo del software para reconocimiento de una palabra clave, fue la implementación de una Interfaz Gráfica de Usuario (GUI). Esto sin duda es lo que le brindó al programa una utilidad tangible. Se utilizaron las distintas opciones que
Como se observa en la figura la ventana de trabajo brinda las opciones para grabar, graficar y reconocer la palabra clave. Todas estas opciones se efectúan y relacionan gracias a las funciones implementadas en MATLAB, que se mencionan anteriormente. Una interfaz gráfica brinda la posibilidad de que el programa pueda ser utilizado por cualquier usuario, independientemente de sus conocimientos de programación. Esto le da una aplicabilidad real en un posible sistema de seguridad o acceso al software desarrollado.
5. Resultados Después de haber realizado varias pruebas con distintos usuarios, variando la base de datos y el error máximo, se obtuvo un porcentaje de eficacia de entre 80% y 90% en el proceso de reconocimiento de voz. Cabe aclarar que los porcentajes más altos se obtuvieron cuando el sujeto de prueba utilizó el programa en lugares cerrados, o mejor dicho en entornos sin o con muy poco ruido de ambiente. En dichos casos se pudo logró reconocimientos satisfactorios con hasta con un error de comparación menor o igual a 0.15. Una base de datos más amplia también posibilita que los porcentajes de reconocimientos exitosos aumenten.
6. Conclusiones En conclusión, se desarrolló un sistema, que puede denominarse de seguridad mediante reconocimiento de palabra clave, que tiene características que lo hacen muy
aplicable. Esta aplicabilidad puede darse especialmente en, pero no sólo en, lugares cerrados; ya que a pesar de que se obtuvo mejores resultados en lugares con muy poco ruido ambiental se comprobó que la base de datos influye mucho en el reconocimiento. Es así que se confirmó que el tamaño de la base de datos es directamente proporcional al porcentaje de eficacia, e inversamente proporcional al error máximo. Entonces, bastaría con tener como parte de la base de datos grabaciones en el lugar en que se implementaría el programa, en momentos ruidosos y en momentos de silencio.
Referencias [1] A. Oppenheim y A. Willsky. Señales y Sistemas. Mexico: Prentice Hall, 1998. [2] R. Bartí. Acústica Medio Ambiental. Alicante: Editorial Club Universitario. [3] S. Haykin. Sistemas de Comunicación. Mexico: Limusa,2006
