L'analisi wavelet è uno strumento potente per analizzare la voce e i segnali acustici, particolarmente utile quando l'intelligibilità del parlato è compromessa da fattori come le mascherine. La pandemia di COVID-19 ha evidenziato le sfide che le mascherine pongono a una comunicazione chiara. La trasformata wavelet (WT) offre una soluzione integrando i dati del dominio del tempo e della frequenza per migliorare il riconoscimento vocale.
La selezione di una "wavelet madre" appropriata è fondamentale per una WT efficace, poiché diverse wavelet producono risultati variabili. La ricerca sfrutta la tecnica COPRAS (COmplex PRoportional ASsessment) per determinare la funzione wavelet madre ottimale per i segnali vocali quando si utilizzano mascherine o schermi facciali.
Metriche come il coefficiente di correlazione incrociata massimo (MCC) e il rapporto energia massima-Shannon (MEER) vengono utilizzate per classificare le funzioni wavelet madre. Questo metodo stabilisce un protocollo chiaro per la selezione delle wavelet madri più adatte per i segnali vocali in diverse condizioni del mondo reale in cui possono essere presenti mascherine. Le trasformate wavelet migliorano i sistemi di riconoscimento di pattern estraendo caratteristiche che sono invarianti a determinate trasformazioni e possono migliorare le prestazioni dei classificatori in ambienti rumorosi.