Reconhecimento de padrões no diagnóstico de distúrbios vocais de docentes

Abstract

Resumo: A voz é uma das faculdades essenciais à comunicação humana; é adquirida e vai se formando através de nosso crescimento físico e emocional. Os profissionais da voz, em especial o professor, devido ao uso intensivo e por estar, em geral, despreparado para a gande demanda vocal diária, utilizam-na de forma inadequada em seu ofício, podendo produzir os chamados distúrbios vocais. Desta forma, é importante que esses profissionais sejam orientados a desenvolverem medidas preventivas visando a manter a qualidade da própria voz. Este trabalho tem como objetivo fazer a classificação quanto a gravidade de distúrbios vocais de docentes de uma escola localizada no município de Curitiba, PR. O interesse da escola com relação a esta classificação está no fato de que o docente com distúrbio classificado como leve poderá aumentar a sua carga horária, se assim o desejar; já o docente com distúrbio classificado como grave, terá que reduzir a sua carga horária, visando a sua saúde e bem-estar. Para tanto, foram utilizados dados de 100 docentes desta escola, com 10 informações (atributos) de cada um deles e, também, as suas respectivas classificações, fornecidos pela especialista da área, a fonoaudióloga da escola. Para alcançar o objetivo proposto, foi aqui utilizado o processo KDD (Knowledge Disco ery in Databases ou Descoberta de Conhecimento em Bases de Dados), usando na etapa de Data Mining (ou Mineração de Dados), duas técnicas de Reconhecimento de Padrões, Redes Neurais Artificiais (RNAs) e a Função Discriminante Linear de Fisher (FDLF) para realizar a classificação dos padrões (docentes). As referidas técnicas (RNAs e FDLF) foram treinadas, comparativamente, para que forneçam com a máxima acurácia possível, a classificação para cada um dos padrões. Assim, dado um novo padrão (novo docente) com seus atributos, pode-se utilizar a técnica treinada que tenha apresentado o melhor desempenho (RNAs ou FDLF) para classificar este novo padrão, sendo que, desta forma, a especialista terá um respaldo adicional para o seu diagnóstico. As técnicas utilizadas mostraram-se de grande eficiência, visto que apresentaram uma margem de erro aceitável e resultados consistentes. Nesta comparação, as RNAs mostraram um maior desempenho, apresentando um resultado de 100% de acerto, no teste IV, contra 84,61% de acerto, no teste VI, da FDLF.

Abstract: The voice is one of the essential powers to human communication, it is acquired and it is being built through our physical and emotional growth. The voice’s professionals, especially the teacher, due to intensive use of the voice and generally for being unprepared for the daily vocal demand, use it inappropriately in their work, and it can cause the so-called vocal disorders. Thus, it is important these professionals to be advised to develop preventive measures that objective to maintain the quality of their own voice. This work aims to classify the severity of vocal disorders in teachers that work in a school located in the city of Curitiba, PR. The interest of the school in this classification is related to the fact that teachers with a disorder classified as mild may increase their workload, if they wish; however, teachers with a disorder classified as grave will have to reduce their workload, aiming their health and wellbeing. For this, data from 100 teachers of that school were used, with 10 information (attributes) from each of them and also their respective classifications, provided by the area specialist, the school’s speech therapist. To achieve the proposed objective, in this study were used the process called KDD (Knowledge Discovery in Databases or Knowledge Discovery in Databases), used in the stage of Data Mining, two techniques of Patterns Recognition, Artificial Neural Networks (RNAs) and the Fisher Linear Discriminant Function (FDLF) to perform patterns’ classification (teachers). These techniques (RNAs and FDLF) were trained, comparatively, to provide with the utmost possible accuracy the rating for each of the standards. Thus, with a new standard (new teacher) with its attributes it is possible to use the trained technique that has shown the best performance (RNAs or FDLF) to classify this new standard, in a way the expert will have an additional support for its diagnosis. The techniques used have been very efficient once they showed an acceptable margin of error and consistent results. In this comparison, the RNAs showed a higher performance, which represents an result of 100% accuracy in test IV, compared with 84,61% accuracy, in test VI of FDLF.