این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
انجمن مهندسی صوتیات ایران، جلد ۳، شماره ۱، صفحات ۵۶-۶۵
عنوان فارسی تحلیل صدای گریه نوزاد با استفاده از طبقه بند بازنمایی تنک مبتنی بر هسته
چکیده فارسی مقاله پردازش صدای گریه نوزاد اطلاعات مفیدی در مورد وضعیت نوزاد در اختیار قرار ­می­دهد. این اطلاعات می­تواند به منظور تشخیص بیماری و یا درک نیاز نوزاد استفاده شود. این مقاله به تحلیل صدای گریه نوزاد با روی‌کرد تفکیک دو نوع منشاء درد و گرسنگی در صدای گریه پرداخته است. الگوهای بازنمایی تنک علامت (سیگنال) یکی از جدیدترین ابزار­های پردازش در حوزه بازشناسی الگو است. از این‌­رو، در مقاله جاری چارچوبی جدید برای استفاده از این الگو­ها در طبقه­بندی انواع صدای گریه نوزاد ارائه می­شود. به منظور طراحی دیکشنری در الگوی تنک پیشنهادی از اطلاعات طیفی با تفکیک‌پذیریی (رزولوشنی) مشابه سامانه شنوایی انسان (ضرایب کِپستروم بسامد مِل) استفاده شده است. دیکشنری نهایی از انتقال این اطلاعات به فضای هسته تشکیل می‌شود. بررسی­های انجام شده نشان می­دهند که طبقه­بند بازنمایی تنک مبتنی بر هسته عملکرد قابل قبولی در تفکیک دو نوع صدای گریه نوزاد دارد. به منظور مقایسه، خروجی روش پیشنهادی به همراه نتایج تعدادی از طبقه‌بند‌های معروف این حوزه و طبقه­بند بازنمایی تنک متداول ارائه شده است. نتایج نشان می­دهند که الگوی بازنمایی تنک مبتنی بر هسته به طور کلی عملکرد بهتری نسبت به سایر طبقه‌بند‌های ارائه شده دارد. الگوی تنک پیشنهادی علامت‌های گریه دو رده داده‌ها را به ازای روش اعتبارسنجی 6- لایه با دقتی بیش از 93 درصد تفکیک می­نماید. علامت‌های بکار برده شده در این مقاله در مجموع از 51 نوزاد سالم (19 نوزاد پسر و 32 نوزاد دختر) ثبت گردیده‌اند. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Analysis of infants cry sound using kernel sparse representation-based classifier
چکیده انگلیسی مقاله Processing of infant cry sound provides useful information about his/her condition. This information can be used to establish a diagnostic method to determine the infant's needs. This paper addresses the analysis of newborn babies cry sound in order to discriminate crying associated with hunger from that originating from pain. Sparse representation models are one of the state of the art processing tools in pattern recognition and machine learning. In this work a novel framework is proposed in order to deal with sparsity-based approach in a classification task. The dictionary atoms of the sparse model are designed using Mel Frequency Cepstrum Coefficient in kernel space. Performance assessment of kernel sparse representation model shows the discriminative power of this model in classifying different types of infant cry sound. In order to compare, the results of conventional sparse representation model and some other well-known classifiers (Hidden Markov Model and Support Vector Machine) are also presented. The results show that the proposed model has better performance in comparison with the other presented classifiers. Using 6-fold cross validation the kernel sparse model can distinguish two types of infant cry with more than 93% accuracy. The pain and hunger databases are recorded from 51 (19 male and 32 female) 2-3 day old healthy infants.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امیر اخوان بی تقصیر | a akhavan bitaghsir
amirkabir university
دانشگاه امیر کبیر. دانشکده مهندسی پزشکی. ازمایشگاه پردازش سیگنال.

محمد حسن مرادی | m h moradi
amirkabir university
دانشگاه امیر کبیر. دانشکده مهندسی پزشکی. ازمایشگاه پردازش سیگنال.

نشانی اینترنتی http://www.joasi.ir/browse.php?a_code=A-10-43-2&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات