확률모형 기반 발화 탐지에 관한 연구 = Cepstral peak prominence detection method based on stochastic model with speech noise

국문 초록 (Abstract)

본 논문에서는 확률모형을 기반으로 음성의 생성 과정과 다양한 음성 변환 방법에 대해 소개하고, 음성 필터를 모델링하는 방법과 음성의 특징을 추출하는 방법들을 비교하는 데에 중점을 두고 있다. 캡스트럴 피크 현저성(Cepstral Peak Prominence)의 임계값, 멜 주파수 중심 계수(Mel Frequency Ceptral Coffceient), 그리고 웨이블릿 상관계수(Wavelet coeffceient)를 기반으로 분류모델을 통해 정상 그룹과 우울 그룹을 예측하였다. 분류모델은 ① 범주를 구분하지 않았을 때, ② 성별에 따라 구분되었을 때, 그리고 ③ 연령층에 따라 구분되었을 때의 경우에서 진행되었다. 결과적으로, 다른 두 지표들과 다르게 정확한 기본 주파수를 필요로 하지 않는 CPP의 분류 성능이 범주 유형에 따라 67% ~ 88% 로 높게 나타났다.

다국어 초록 (Multilingual Abstract)

This paper focuses on a method of extracting voice features using a stochastic model that explains the voice source generation process. In comparing the voice filter modeling method and the voice feature extraction method, the following three methods were used. Three indicators are extracted from the voice data of 93 participants provided by the National Information Society Agency, which are Cepstral Peak Prominence, Mel Frequency Cepstral Coffceient, and Wavelet Correlation coefficient. Based on these, the depressed group and the normal group were predicted using four classification models. As a result, among the three indicators, the performance of the classification model was found to be 67-88\% even when CPP differentiated the characteristics of vowel utterances by gender and age group.

목차 (Table of Contents)

• 국문초록 1
• 1 서론 2
• 2 확률 모형 4
• 2.1 확률 과정 정의 4
• 2.2 신호 분석 모델링 5
• 2.2.1 음원의 정의 5
• 2.2.2 성도 필터 6
• 3 음원 이론과 신호 변환 8
• 3.1 음원 필터 이론 8
• 3.2 푸리에 변환 9
• 3.3 Z-변환 14
• 3.4 웨이블릿 변환 15
• 4 푸리에 변환 계산 19
• 4.1 시간 영역의 푸리에 계산 성질 19
• 4.1.1 시간 적분 법칙 19
• 4.1.2 시간 이동 법칙 19
• 4.2 주파수 영역의 푸리에 계산 성질 20
• 4.2.1 주파수 미분 법칙 20
• 4.2.2 푸리에 변환쌍 법칙 20
• 5 음성 분석과 실증 연구 22
• 5.1 음성 필터 22
• 5.2 캡스트럼 피크 현저성 25
• 5.3 실증 연구 28
• 6 결론 36
• 영문초록 41