A análise de wavelet é uma ferramenta poderosa para analisar fala e sinais acústicos, particularmente útil quando a inteligibilidade da fala é comprometida por fatores como máscaras faciais. A pandemia de COVID-19 destacou os desafios que as máscaras representam para uma comunicação clara. A Transformada Wavelet (WT) oferece uma solução ao integrar dados do domínio do tempo e da frequência para melhorar o reconhecimento de fala.
A seleção de uma "wavelet mãe" apropriada é fundamental para uma WT eficaz, pois diferentes wavelets produzem resultados variáveis. A pesquisa aproveita a técnica COPRAS (COmplex PRoportional ASsessment) para determinar a função de wavelet mãe ideal para sinais de fala quando máscaras ou protetores faciais são usados.
Métricas como o Coeficiente de Correlação Cruzada Máxima (MCC) e a Razão Máxima de Energia para Shannon (MEER) são empregadas para classificar as funções de wavelet mãe. Este método estabelece um protocolo claro para selecionar as wavelets mãe mais adequadas para sinais de fala em diversas condições do mundo real onde máscaras podem estar presentes. As transformadas wavelet melhoram os sistemas de reconhecimento de padrões, extraindo características que são invariantes a certas transformações e podem melhorar o desempenho dos classificadores em ambientes ruidosos.