Identificación de eventos delictivos a partir de señales de audio utilizando modos de correlación wavelet

Abstract

Durante muchos años, la seguridad en los entornos urbanos ha sido una preocupación para los habitantes de todas las ciudades del mundo. A causa de la inseguridad que existe en mayor o menor medida, los gobiernos en diferentes regiones del mundo buscan continuamente mecanismos para prevenir actos criminales. Este estudio presenta un método que busca prevenir delitos utilizando señales de audio que pueden capturarse en un entorno urbano. Por ello, se utiliza una técnica emergente, denominada modos de correlación wavelet, con el fin de representar señales de audio de forma compacta, tras lo cual se implementa un método basado en aprendizaje automático para clasificar las señales de audio en dos categorías: aquellas asociadas con un evento o crimen violento o aquellos asociados con un evento común (no violento o no criminal). En el estudio realizado, fue posible concluir que los modos de correlación de wavelet permiten realizar la clasificación de este tipo de señales con una precisión mayor al 80 % y con tiempos de ejecución menores a 1 segundo, utilizando un máximo de 4 características para el entrenamiento de los modelos. Las pruebas se realizaron en un computador portátil con sistema operativo de 64 bits, procesador x64, Windows 11, procesador AMD Ryzen 5 5500U, 16 Gb de RAM. (Tomado de la fuente)

For many years, safety in urban environments has been a concern for inhabitants of all cities worldwide. Because of the insecurity that exists to a greater or lesser extent, governments in different regions of the world continually seeks mechanisms to prevent criminal acts. This study introduces a method to prevent crime events using audio signals that can be captured in an urban environment. For this, an emerging technique, called wavelet correlation modes, is used to represent audio signals in a compact manner, following which a machine learning based method is implemented to classify the audio signals into two categories: those associated with a violent event or crime or those associated with a common event (nonviolent or noncriminal). In the study carried out, it was possible to conclude that wavelet compression modes allow the classification of this type of signals with a precision greater than 80 % and with execution times less than 1 second, using a maximum of 4 characteristics for the model training. The tests were carried out on a laptop with a 64-bit operating system, x64 processor, Windows 11, AMD Ryzen 5 5500U processor, 16 Gb of RAM.