Dalgalacık analizi, özellikle konuşma anlaşılabilirliğinin yüz maskeleri gibi faktörlerden etkilendiği durumlarda, konuşma ve akustik sinyalleri analiz etmek için güçlü bir araçtır. COVID-19 pandemisi, maskelerin net iletişim için oluşturduğu zorlukları vurguladı. Dalgalacık Dönüşümü (WT), konuşma tanımayı iyileştirmek için zaman ve frekans alanı verilerini entegre ederek bir çözüm sunar.
Uygun bir "ana dalgalacık" seçimi, farklı dalgalacıkların farklı sonuçlar vermesi nedeniyle etkili bir WT için kritik öneme sahiptir. Araştırmalar, yüz maskeleri veya siperlikler kullanıldığında konuşma sinyalleri için en uygun ana dalgalacık fonksiyonunu belirlemek için COPRAS (COmplex PRoportional ASsessment) tekniğinden yararlanır.
Maksimum Çapraz Korelasyon Katsayısı (MCC) ve Maksimum Enerji-Shannon Oranı (MEER) gibi metrikler, ana dalgalacık fonksiyonlarını sıralamak için kullanılır. Bu yöntem, maskelerin bulunabileceği çeşitli gerçek dünya koşullarında konuşma sinyalleri için en uygun ana dalgalacıkların seçimi için açık bir protokol oluşturur. Dalgalacık dönüşümleri, belirli dönüşümlere göre değişmeyen özellikleri çıkararak örüntü tanıma sistemlerini geliştirir ve gürültülü ortamlarda sınıflandırıcıların performansını artırabilir.