AVALIAÇÃO COMPARATIVA DE FAMÍLIAS WAVELET NA REDUÇÃO DE RUÍDO EM SINAIS DE VOZ CONTAMINADOS POR RUÍDO COLORIDO
Resumo
A presença de ruído em sinais de voz constitui um desafio relevante em aplicações de processamento digital de fala, como sistemas de comunicação, reconhecimento automático de fala e dispositivos de assistência auditiva. Nesse contexto, técnicas baseadas na transformada wavelet têm sido amplamente empregadas devido à sua capacidade de análise multirresolução, permitindo a decomposição do sinal em diferentes escalas de frequência. Este trabalho apresenta uma avaliação comparativa do desempenho de diferentes famílias de wavelets na redução de ruído em sinais de voz contaminados por ruído colorido. Foram analisadas wavelets das famílias Daubechies, Symlet e Coiflet, utilizando decomposição até o terceiro nível e limiarização baseada no método rigrsure (Estimativa de Risco Não Viesado de Stein). Os experimentos foram conduzidos com dez sinais de voz limpa combinados a dez realizações independentes de ruído colorido, totalizando cem condições experimentais. O desempenho foi avaliado por meio das métricas SegSNR, STOI e distância de Itakura–Saito baseada em LPC. Os resultados indicaram ganhos médios de aproximadamente 3 dB na SegSNR após o processo de redução de ruído. As wavelets Daubechies apresentaram maior ganho médio em SegSNR, enquanto as Coiflet, especialmente a coif4, demonstraram melhor desempenho global ao equilibrar redução de ruído e preservação da inteligibilidade. As Symlet, como a sym3, destacaram-se na preservação do envelope espectral. A análise estatística, baseada no teste de Friedman, confirmou diferenças significativas entre os métodos. Os resultados evidenciam que a escolha da wavelet ideal depende do objetivo da aplicação.
Biografia do Autor
Doutor em Engenharia Elétrica pela UFU (2018) e mestre pela USP (2007), com especialização em Automação Industrial e graduação em Engenharia Elétrica. Atua em pesquisa, ensino e extensão nas áreas de IoT, automação, inteligência artificial e processamento de sinais. Possui experiência como docente e coordenador de cursos de engenharia e tecnologia na FACTHUS. Atualmente é professor e gestor de curso na UNIUBE e docente do Mestrado Profissional em Engenharia Química. Atua como editor científico, revisor e avaliador do BASIS/INEP.
Doutor em Ciências pela UFU, mestre em Matemática (UFG) e em Educação Superior (UNITRI). Graduado em Matemática, Administração e Gestão do Agronegócio, com diversas especializações e MBA em Gestão Pública. Atua na educação desde 1990 no ensino médio e desde 2003 no ensino superior, nas áreas de Matemática, Estatística e Gestão. Desde 2014, é Diretor-Geral do IF Goiano – Campus Cristalina. Possui experiência em gestão pública e desenvolvimento educacional.
Doutor em Educação pela UNIUBE e mestre em Ciência da Informação pela PUC-Campinas. Possui especializações em Avaliação na Educação Superior (UnB) e Análise de Sistemas (UNAERP), além de aperfeiçoamento em Educação a Distância. É tecnólogo em Processamento de Dados pela UNIUBE. Atua como gestor de cursos de tecnologia (Sistemas de Informação, ADS, IA e Ciência de Dados e Ciência da Computação) na UNIUBE. Possui experiência em sistemas de informação, ensino superior e educação a distância, além de atuar como analista de sistemas.
Doutorando em Educação pela UNIUBE e mestre em Ensino de Ciências e Matemática (PUC Minas), com ênfase em Física. Possui diversas especializações em educação, tecnologias e ensino de ciências, além de formação multidisciplinar em Computação, Gastronomia, Engenharia Ambiental, Pedagogia, Matemática e Física. É professor da UNIUBE, atuando em cursos de Gastronomia, Engenharias e Licenciatura em Física, onde também exerce coordenação acadêmica. Possui experiência no ensino médio desde 2002 e na rede pública estadual de Minas Gerais desde 2017. Desenvolve atividades em ensino, formação docente, tecnologias educacionais e projetos interdisciplinares.
Graduado em Licenciatura em Matemática pela Universidade de Uberaba (2004), com mestrado (2006) e doutorado (2009) em Energia na Agricultura pela UNESP. Atua como docente em tempo integral na Universidade de Uberaba. Possui experiência em Matemática Aplicada, com ênfase em Álgebra Linear, Geometria Analítica e Cálculo. Trabalha também com Cálculo Numérico, Estatística Inferencial e Otimização de Sistemas. Desenvolve aplicações da matemática voltadas às Ciências Agrárias.
Graduado, mestre e doutor em Engenharia Elétrica pela UNIFEI e UNICAMP. Possui ampla experiência na área, com ênfase em sistemas elétricos de potência e controle de processos. Atua em temas como controle multivariável, sistemas não lineares, lógica nebulosa e redes neurais. Tem experiência também em eletricidade industrial. Atualmente é professor do curso de Engenharia Elétrica da Universidade de Uberaba (UNIUBE).
Referências
BENESTY, J.; CHEN, J.; HUANG, Y. Microphone Array Signal Processing. Berlin: Springer, 2008.
DAUBECHIES, I. Ten Lectures on Wavelets. Philadelphia: Society for Industrial and Applied Mathematics (SIAM), 1992. Disponível em: https://epubs.siam.org/doi/book/10.1137/1.9781611970104
DEMŠAR, J. Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, v. 7, p. 1–30, 2006. Disponível em: https://jmlr.org/papers/v7/demsar06a.html Acesso em: 13 mar. 2026.
DONOHO, D.; JOHNSTONE, I. Adapting to unknown smoothness via wavelet shrinkage. Journal of the American Statistical Association, v. 90, n. 432, p. 1200–1224, 1995. Disponível em: https://doi.org/10.1080/01621459.1995.10476626 Acesso em: 13 mar. 2026.
IQBAL, Y. et al. A hybrid speech enhancement technique based on discrete wavelet transform and spectral subtraction. [S. l.: s. n.], 2025. Disponível em: https://ieeexplore.ieee.org/document/10906581 Acesso em: 13 mar. 2026
ITAKURA, F.; SAITO, S. Analysis synthesis telephony based on the maximum likelihood method. In: International Congress on Acoustics, 1970. Disponível em: https://ieeexplore.ieee.org/document/1164317 Acesso em: 13 mar. 2026.
LOIZOU, P. Speech Enhancement: Theory and Practice. 2. ed. Boca Raton: CRC Press, 2013.
MALLAT, S. A Wavelet Tour of Signal Processing: The Sparse Way. 3. ed. New York: Academic Press, 2009.
TAAL, C. et al. A short-time objective intelligibility measure for time-frequency weighted noisy speech. IEEE Transactions on Audio, Speech and Language Processing, v. 19, n. 7, p. 2125–2136, 2011. Disponível em: https://doi.org/10.1109/TASL.2011.2114881 Acesso em: 13 mar. 2026.
VASEGHI, S. Advanced Digital Signal Processing and Noise Reduction. 4. ed. Chichester: Wiley, 2008. Disponível em: https://doi.org/10.1002/9780470740156 Acesso em: 13 mar. 2026.
WU, Z. T. et al. Improving speech enhancement models using discrete wavelet transform features. Electronics, v. 14, n. 7, 2025. Disponível em: https://www.mdpi.com/2079-9292/14/7/1354 Acesso em: 13 mar. 2026.
YOUSIF, S. T. et al. Speech enhancement algorithms: a systematic literature review. Algorithms, v. 18, n. 5, 2025. Disponível em: https://www.mdpi.com/1999-4893/18/5/272 Acesso em: 13 mar. 2026.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.