Reducción de espacios de entrenamiento empleando modelos ocultos de Markov basados en entrenamiento discriminativo = Reduction of training spaces using MCE- based hidden Markov models

Abstract

Es común en el reconocimiento de patrones que los mayores esfuerzos se realicen en las etapas de medición-extracción de características y de clasificación. En diversos problemas de reconocimiento se encuentra que los parámetros resultantes de la medición de variables presentan una dinámica temporal y que esta dinámica en sí misma, es la que contiene mayor parte de la información discriminante. Las técnicas típicamente utilizadas en la etapa de extracción de características, están diseñadas para variables estáticas, es decir, variables que no presentan ningún tipo de dinámica. Este es el caso de técnicas como PCA y LDA. Surge entonces la necesidad de generar metodologías de extracción de características que tengan en cuenta la información dinámica de las variables. Por otro lado, es conocido que los criterios utilizados en las técnicas de extracción de características difieren del criterio de encontrar mínimo error de clasificación; este hecho genera incompatibilidad entre el criterio utilizado en la etapa de extracción de características y la etapa de clasificación y puede degradar el desempeño del sistema. Se presenta por lo tanto una metodología de diseño simultáneo de una etapa de extracción de características y un clasificador basado en modelos ocultos de Markov - HMM, por medio del algoritmo de mínimo error de clasificación - MCE. La extracción de características es dependiente de los estados del modelo y es optimizada utilizando el mismo criterio de ajuste de parámetros del HMM. La metodología es validada sobre un problema de reconocimiento de patologías de voz. Los resultados muestran que el entrenamiento de HMM por medio del algoritmo MCE mejora el reconocimiento en comparación con el método de entrenamiento clásico por el criterio de máxima verosimilitud. Además, la metodologia propuesta disminuye la similitud entre modelos de clases diferentes y mejora el desempeño del sistema / Abstract: In pattern recognition is often common that the most of the attention is centered in the measure-extraction and classification stages. In several recognition problems, the obtained measures display a time-variant dynamic and this one contains a high level of the discriminant information. The classical techniques for feature extraction are designed for static features. PCA and LDA are examples of this. At this point becomes necessary the development of dynamic feature extraction methodologies. On the other hand, it is well known that the classical features extraction techniques make use of optimization criteria that are different from the classifier’s minimum classification error criterion. This fact may cause inconsistency between feature extraction and the classification stages and consequently, degrade the performance of systems. For all this reasons, a hidden Markov models (HMM) - based methodology for simultaneous desing of extraction and classification stages is presented. Such a methodology is based on the minimum classification error (MCE) algorithm. The feature extraction is model state - dependent and is optimized using the same criterion of parameter estimation of the HMM. Validation is carried out over a automatic detection of pathological voices problem. The result shows that the MCE training improves the accuracy against the classical maximum likelihood training. In addition, the proposed methodology diminished the similarity between models of different classes and improves the performance systems.