Estimación de dificultad respiratoria en entorno de interacción humano-robot

Abstract

En este trabajo se propone el primer sistema de estimación de dificultad respiratoria en un entorno de interacción humano-robot (HRI) basado en Deep learning. Esta investigación utiliza la voz como fuente de información para detectar el nivel de disnea de las personas, aportando comodidad y usabilidad para los usuarios. El procedimiento para entrenar los modelos de estimación de disnea, se basan en la simulación del entorno acústico HRI con respuestas de impulsos reales (estimadas con un robot PR2) y ruido aditivo. Los datos de entrenamiento y evaluación se procesaron mediante tres técnicas de speech enhancement: delay-and-sum, MVDR y cRF. Los resultados sugieren que es posible reducir significativamente la degradación de la precisión en la estimación de dificultad respiratoria en un escenario real HRI. Donde un entrenamiento alineado entre las bases de datos de entrenamiento, evaluación y sus speech enhancement correspondientes, permiten entregar en promedio una mejora de 14 % y 6 % en precisión y AUC, respectivamente, frente al caso base de entrenar con datos telefónicos y evaluar el caso ruidoso real sin filtrado espacial.