Detecció d'anomalies mitjançant senyals d'àudio

Detecting anomalous behaviors in a specific environment is a challenge and a necessity, since by detecting an anomaly we can soon avoid wasting time to solve a specific problem. For example, in a domestic environment we can intercept a thief, or in an industry we would be able to know if a machine is not working properly. To solve this challenge, many fields of research have been opened, some based on video recordings and others on the ambient sound of the specific area to be analyzed. In this Thesis, an anomaly sound detection system is proposed for signals that have been subjected to blind source separation using ICA methods. The system is built with a neural network called Autoencoder, in order to use the reconstruction error that it returns. This reconstruction error is the difference between the original signal and the one reconstructed by the Autoencoder. By using and combining it with the error added to the signal after applying the ICA method, it has been demonstrated that the system can detect whether or not an audio signal is anomalous. Detectar comportamientos anómalos en un entorno específico es un desafío y una necesidad, ya que al detectar una anomalía, podemos evitar con antelación perder tiempo resolviendo un problema específico. Por ejemplo, en un entorno doméstico podemos interceptar a un ladrón, o en una industria podríamos saber si una máquina no funciona correctamente. Para resolver este problema, se han abierto muchos campos de investigación, algunos basados en el análisis de grabaciones de video y otros en el sonido ambiental del área específica a analizar. En esta Tesis, se propone un sistema de detección de sonido de anomalías para señales que han sido sometidas a la separación ciega de fuente utilizando métodos ICA. El sistema está construido con una red neuronal llamada Autoencoder, para utilizar el error de reconstrucción que devuelve. Este error de reconstrucción es la diferencia entre la señal original y la reconstruida por el Autoencoder. Al usarlo y combinarlo con el error agregado a la señal después de aplicar el método ICA, se ha demostrado que el sistema puede detectar si una señal de audio es anómala o no. La detecció de conductes anòmales en un entorn concret és un repte i una necessitat, ja que, detectant una anomalia amb antelació, podem evitar perdre el temps intentant resoldre un problema. Per exemple, en un entorn domèstic podem interceptar un lladre, o en una indústria podríem identificar si una màquina no funciona adequadament. Per resoldre aquest repte, s'han obert molts camps de recerca, alguns basats en enregistraments de vídeo i d'altres en el so ambient de l'àrea específica a analitzar. En aquesta Tesi, es proposa un sistema de detecció de sons anòmales per a senyals que han estat sotmesos a una separació cega de fonts mitjançant mètodes ICA. El sistema està construït amb una xarxa neuronal anomenada Autoencoder, per tal d'utilitzar l'error de reconstrucció que aquest retorna. Aquest error de reconstrucció és la diferència entre el senyal original i el reconstruït per l'Autoencoder. Mitjançant l'ús i la combinació amb l'error afegit al senyal després d'aplicar el mètode ICA, s'ha demostrat que el sistema pot detectar si un senyal d'àudio és o no anòmal.