International Research Journal of Engineering and Technology

Key Words
:
Digital signal processing, Machine learning, 
Segmentation, Fundamental frequencies, pyAudioAnalysis, 
Fundamental frequency estimation, Time-Frequency graph. 
1. INTRODUCTION
Digital signal process (DSP) a numerical manipulation of
signals usually to measure features produced over compress 
continuous analog signals. It is characterized by the use of 
digital signals to represents these signals as discrete-time, 
discrete frequency or other discrete domain signals in the 
form of a sequence of numbers symbols to permit digital 
processing of signals. Numerical methods required digital 
signals such as to produce analog to digital convertor. Digital 
signal processing and analog signal processing are subfields 
of signal processing. DSP applications are speech and audio 
signal processing, sonar and radar signal processing, spectral 
estimation, statistical processing, digital image processing, 
signal processing for communication.
Segmentation is a completely vital processing level for 
maximum of audio evaluation programs. The intention is to 
cut up an uninterrupted audio signal into homogeneous 
segments. Segmentation can either be
Supervised: in that case some sort of supervised information 
is used to categories and section the enter indicators. This is 
both carried out via applying a classifier a good way to 
classify successive restore-sized segments to a hard and fast 
of predefined lessons, or employing using a HMM method to 
achieve joint segmentation-category. 
Unsupervised: a supervised model isn't always to be had and 
the detected segments are clustered (instance: speaker 
dualization) 
Applications of audio content analysis may be categorized in 
two categories. One part is to discriminate an audio stream 
into homogenous areas and the alternative categories is to 
discriminate a speech movement into segments, of different 
speakers. 
Audio segmentation algorithms may be divided into 3 
fashionable categories. In the primary class, classifiers are 
designed. The functions are extracted in time domain and 
frequency area; then classifier is used to discriminate audio 
signals primarily based on its content material. The second 
category of audio segmentation extracts capabilities on 
statistics that is used by classifier for discrimination. These 
styles of capabilities are known as posterior probability-
based features. Large quantity of observed records is needed 
by using the classifier to present correct results. The 
category of audio segmentation set of rules emphasizes 
putting in effective classifiers. The classifiers used in this 
category are Bayesian facts criterion, Gaussian chance ratio, 
and a hidden Markov version (HMM) classifier. These 
classifiers additionally provide excellent effects whilst huge 
training facts is provided 
The analysis of superimposed speech is a complicated 
trouble and progressed performance systems are required. 
In many audio processing applications, audio segmentation 
plays a critical position in preprocessing step. It additionally 
has a good-sized impact on frequency recognition 
performance. That is why a fast and optimized audio class 
and segmentation algorithm is proposed which can be used 
for real-time packages of multimedia. The audio input is 
classed and segmented into four primary audio types: 
natural-eco, noise, environment sound, and silence. A set of 
rules is proposed that calls for less training facts and from 
which high accuracy may be achieved; this is, 
misclassification rate is minimum. 
[2] The proposed method of signal segmentation is based 
upon the two sliding overlapping windows and the detection 
of signal properties changes. [4] Most of the researches 
integrated segmentation approaches with some intelligent 
techniques such as neural network, support vector machines 

---