Detección de dificultades en la lectura utilizando reconocimiento de patrones en el habla para la detección temprana de la dislexia

• Quintana, Carlos ^[1] ; Maldonado, Orlando ^[1] ; Quintana, Gladys ^[1]
  1. [1] Universidad de Pamplona
• Localización: Revista Colombiana de Tecnologías de Avanzada, ISSN-e 2500-8625, ISSN 1692-7257, Vol. 1, Nº. 39, 2022 (Ejemplar dedicado a: January - June), págs. 25-31
• Idioma: español
• Títulos paralelos:
  • Detection of errors in the reading-aloud utilizing pattern recognition in speech for the early detection of dyslexia
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    En el presente artículo se presentan los resultados de una comparación de tres técnicas de reconocimiento de patrones aplicados en la clasificación de palabras aisladas que puedan simular errores comunes que ocurran en la lectura en voz alta de niños que padecen de dislexia en la etapa inicial de la lectura. Se hizo una base de datos con grabaciones extraídas de cinco locutores diferentes y muestreadas a una tasa de 16 kHz, la cual fue extendida utilizando aumento artificial de los datos. Las grabaciones fueron preprocesadas para eliminar el ruido y de estas fueron extraídos los MFCC. Se compara el rendimiento de los modelos de K-vecinos más cercanos (KNN), Perceptrón MultiCapa (MLP) y Redes Neuronales Convolucionales (CNN); obteniendo resultados del orden de 99 puntos para el reconocimiento de palabras distintivas, y resultados del orden de los 70 puntos para palabras fonéticamente similares

  • English

    This article presents the results of a comparison between three pattern recognition techniques applied to the classification of isolated words that simulates common errors that occur in the reading-aloud of children that manifest early stages of dyslexia. A database of recordings was made from five different speakers and sampled at 16 kHz, and later extended utilizing artificial data augmentation. The recordings were preprocessed to eliminate noise and the MFCC were later extracted. We compare the performance of the K-nearest neighbors (KNN), Multi-Layer Perceptron (MLP) and Convolutional Neural Networks (CNN), obtaining results in the order of 99 points for the recognition of phonetically distinctive words, and results in the order of 70 points for phonetically similar words.