Abstract:
Dans ce travail, de nouvelles approches sont présentées pour améliorer l'analyse et la discrimination des pathologies des Cordes Vocales (CVs) en utilisant des techniques de traitement du signal non linéaire. En premier lieu, les informations obtenues par le diagramme de récurrence: recurrence Plot (RP) et l'analyse quantitative de récurrence (RQA), faisant référence à la forme d'onde du signal glottique, sont explorées pour la détection et la classification des troubles de la voix humaine. Pour cela, le signal glottique a été extrait premièrement du signal vocal à l'aide d'un algorithme de filtrage inverse adaptatif: iterative adaptive inverse filtering (IAIF). Les RP et RQA ont été appliqués au signal glottique pour obtenir huit (08) indicateurs, ou mesures. Ces derniers varient sensiblement avec la présence des pathologies au niveau des CVs. De ce fait, leurs valeurs moyennes sont utilisées comme un vecteur de caractéristiques d'entrée de d'un l’algorithme particle swarm optimization-support vector machines (PSO-SVM) pour séparer les voix normales et pathologiques.
Deuxièmement, un modèle paramétrique basé sur l'analyse quantitative de récurrence croisée (CRQA) est proposé pour montrer comment elle peut être adaptée pour comparer, évaluer et quantifier les changements d'articulation des plis vocaux après une thérapie ou rééducation. En comparant la variation de ces paramètres avant et après la thérapie aux voix normales, les stades pathologiques ont été facilement discriminés. Pour la validation des tests, la base de données saarbrucken voice database (SVD) a été adoptée, dans laquelle la voyelle longue [a:] a été sélectionnée pour les échantillons prononcés par quatre groupes de personnes : sujets souffrant de la paralysie des CVs ; ayant des polypes de CVs ; ayant une dysphonie spasmodique et possédant une voix normale, considérée comme référence. Pour garantir la validité des résultats, la méthode KFolds Kross Validation, a été utilisée. Les résultats obtenus montrent l'efficacité du RQA appliqué au signal glottique comme technique d'extraction des caractéristiques. En effet, le PSO-SVM, en tant que méthode de classification, semble un outil efficace pour le diagnostic et la classification des pathologies citées avec un taux de 97.41%
