ESCUCHANDO A LA NATURALEZA: DEL RECONOCIMIENTO DE VOZ A LA BIOACÚSTICA

Ángel David Pedroza Ramírez, José Ismael De la Rosa Vargas, Rogelio Rosas Valdez

Resumen


La bioacústica es la rama de la ciencia que, mediante información acústica, se encarga del estudio de la forma de transmisión y recepción de información biológica con el fin de alcanzar desde la identificación de especies hasta la determinación de la salud de un ecosistema. Algunos desarrollos recientes se han enfocado en la adecuación y aplicación de técnicas de reconocimiento de voz tales como el uso de Modelos Ocultos de Markov, Redes Neuronales, entre otros; con el fin de lograr el reconocimiento automatizado de especies. En esta revisión se presentan algunos avances tecnológicos en el área así como una visión global sobre las herramientas matemáticas disponibles para, mediante ellas, lograr algunos de los objetivos que la bioacústica pretende alcanzar.


Texto completo:

1039-1056 PDF

Referencias


P. Tubaro, “Bioacústica aplicada a la sistemática, conservación y manejo de poblaciones naturales de aves”. Etología. Vol. 7. 1999. Pp.19-32.

M. Aide,”Real-time bioacoustics monitoring and automated species identification”. PeerJ. 2013. Pp. 1-19.

R. Carbó, “Bioacustica de fondos marinos. Acústica aplicada a la pesca”. Revista de Acústica. Vol. 31. No. 3 y 4. Pp. 1-4.

L. Baptista, J. Martínez, “La investigación bioacústica de las aves del Archipiélago de Revillagigedo: un reporte de avance”. Revista Mexicana de Ornitología. Vol. 3. No. 2. 2002. Pp. 33-41.

A. Navarro et al., “Biodiversidad de Aves en México”. Revista Mexicana de biodiversidad. 2014. Pp. 476-495.

E. Villarreal, Identificación del canto de Turdus migratorius (Aves) utilizando un modelo acústico estadístico. Tesis licenciatura. Universidad Nacional Autónoma de México. Facultad de estudios superiores Zaragoza. 2014.

R. Rempel, “Bioacustic monitoring of forest songbirds: interpreter variability and effects of configuration and digital processing methods in the laboratory”. Journal of Field Ornithology. Vol. 76. No. 1. 2005. Pp. 1-11.

D. Chesmore, “Automated bioacustic identification of species”. Annals of the Brazilian Academy of Sciences. Vol. 76. No. 2. 2004. Pp. 435-440.

G. Moreno, “El comportamiento de las aves como herramienta para su identificación”. Acta Granatense. 2006. Pp. 85-93.

C. Duncan et al., “The quest for a mechanistic understanding of biodiversity–ecosystem services relationships”. The royal society publishing. 2015. Pp.1-10.

N. Toro, S. Giraldo, T. Salazar, “Reconocimiento de especies de anuros por sus cantos, en archivos de audio, mediante técnicas de procesamiento digital de señales”. Scientia et Technica. No. 32. 2006. Pp. 1-6.

P. Catalina, J. Ruiz, M. Orozco, “Reconocimiento automatizado de señales bioacústicas: Una revisión de métodos y aplicaciones”. Ingeniería y Ciencia. Vol. 9. No. 18. 2013. Pp. 171-195.

J. Pabico, “Automatic Identification of Animal Breeds and Species Using Bioacustics and Artificial Neural Networks”. CoRR. 2015.

A. Pedroza, J. de la Rosa, “El invisible y asombroso proceso de la comunicación oral: bases sobre reconocimiento de voz”. Pistas Educativas. No. 112. Noviembre 2015. Pp. 1310-1330.

A. Buzó, “Speech Coding Based Upon Vector Quantization”. IEEE Transactions on Acoustics, Speech, and Signal Processing. Vol. assp-28. No. 5. 1980. Pp. 562-574.

G. Bendezú, Filtro adaptivo LMS y su aplicación en el reconocimiento de palabra aisladas para el control de equipo de sonido por medio de la voz. Tesis de licenciatura. Pontificia Universidad Católica del Perú: Facultad de Ciencias e Ingeniería. 2004.

M. Saerens, H. Bourlard, “Linear and nonlinear prediction for speech recognition with Hidden Markov Models”. En: 3rd European Conference on speech communication and technology. Berlin, Alemania. 21-26 de Septiembre de 1993. Eurospeech. 1993.

L. Rabiner, “A tutorial on Hidden Markov Models and Selected Applications in Speech Recognition”. Proceedings of the IEEE. Vol. 77. No. 2. Febrero de 1989. Pp. 257-286.

J. Pech, Desarrollo de un sistema de reconocimiento de voz para el control de dispositivos utilizando mixturas gaussianas. Tesis de Maestría. Instituto Politécnico Nacional: Centro de Investigación en Computación. 2006.

G. Hinton, “Deep Neural Networks for Acoustic Modeling in Speech Recognition”. IEEE Signal Processing Magazine. 2012. Pp. 82-97.

M. Hagan, Neural Network Design. 2da. Edición, editorial Martin T. Hagan and Howard B. Demuth. 1012 páginas.


Enlaces refback

  • No hay ningún enlace refback.




URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Esta revista está bajo una Licencia Creative Commons Atribución 3.0 No portada.