Detector de mentiras mediante el analisis de estrés de voz usando redes neuronales recurrentes
Las Redes Neuronales Artificiales están inspiradas en las redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos elementos están organizados de una forma parecida a la que presenta el cerebro humano. Las Redes Neuronales Recurrentes son capaces de realizar una amplia variedad de tareas computacionales incluyendo el tratamiento de secuencias, la continuación de una trayectoria, la predicción no lineal y la modelación de sistemas dinámicos. Estas redes también se conocen como redes espacio-temporales o dinámicas, son un intento de establecer una correspondencia entre secuencias de entrada y de salida que no son más que patrones temporales. El detector de mentiras analiza el estrés de voz con redes neuronales recurrentes para la detección de la mentira. , no existe un dataset con audios de estrés para lo cual se construye primeramente un dataset en base a SAVEE Y CREMA-D tomando en cuenta las emociones de enojo y miedo por la presencia de estrés en los mismos, para ser leído por la librería librosa, procesado por 40 coeficientes cepstrales de frecuencia de mel con lo cual obtiene un vector por audio, pasa al modelo para ser entrenado y validado. Se construye una aplicación donde se incluye el modelo para realizar pruebas, el cual examina el audio en el smartphone y luego realiza su respectiva predicción. El proyecto emplea la metodología fundamental para la ciencia de datos, presenta 10 etapas. Al culminar con las 10 etapas al proyecto se obtiene un 80% de exactitud en la detección de estrés.
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Thesis biblioteca |
| Language: | Spanish / Castilian |
| Published: |
2022
|
| Subjects: | REDES NEURONALES BIOLÓGICAS, COEFICIENTES CEPSTRALES DE FRECUENCIA DE MEL, DETECTOR DE MENTIRAS, |
| Online Access: | http://repositorio.umsa.bo/xmlui/handle/123456789/29138 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|