Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

تشخیص گریه نوزاد از سایر صداهای محیط با استفاده از یادگیری عمیق

نهمین کنگره مشترک سیستم های فازی و هوشمند ایران
سال انتشار: 1400
کد COI مقاله: FJCFIS09_036
زبان مقاله: فارسیمشاهده این مقاله: 110
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 6 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تشخیص گریه نوزاد از سایر صداهای محیط با استفاده از یادگیری عمیق

پری ناز نورمحمدی - قطب علم ی رایانش نرم و پردازش هوشمند اطلاعات ، گروه برق ، دانشگاه فردوسی، مشهد
مریم رحیمی هاشم آباد
مهسا زمانی تراشنده
محمدرضا اکبرزاده توتونچی

چکیده مقاله:

مهم ترین راه ارتباطی نوزادان با دنیای اطراف گریه آن ها است. علاوه بر درک نیازهای روزمره نوزادان، پیش بینی بیماری یکی دیگر از وظایف مهم در تحقیقات گریه نوزاد است. سیستم های هوشمند تشخیص گریه نوزاد زمینه ساز ساخت ربات های هوشمند مراقبتی خواهند بود. سیگنال های گریه نوزادان حاوی ویژگی های منحصر به فردی است که با استفاده از این ویژگی ها می توان گریه نوزادان را از سایر اصوات محیط تشخیص داد. اغلب دیتاهای موجود در این زمینه صداها ی ضبط شده توسط افراد در NICU و یا در خانه توسط والدین است. دراین پژوهش صدای گریه نوزادان از سایر اصوات محیط تشخیص داده شده است. دراین مسیر از ضرایب کپسترال فرکانس مل۱ (MFCC) بهره بردیم و عملکرد شبکه ها ی عصبی عمیق پیچشی ۲ (CNN) و حافظه طولانی- کوتاه مدت ۳ (LSTM) را بررسی کردیم و برتری روش خود را بر اساس معیارهای دقیق تر و جامع تری از جمله دقت۴ ، حساسیت۵ و ماتریس درهم ریختگی ۶ سنجیدیم. نتایج به دست آمده نشان می دهد که جهت تشخیص صدای گریه نوزادان الگوریتم شبکه عصبی حافظه طولانی- کوتاه مدت دارای دقت ۹۶/۳۰% و شبکه عصبی پیچشی دارای دقت ۹۷/۹۷% می باشد

کلیدواژه ها:

تشخیص گریه نوزادان ، ضرایب کپسترال فرکانس مل ، شبکه عصبی طولانی- کوتاه مدت ، شبکه عصبی پیچشی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا FJCFIS09_036 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1436435/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
نورمحمدی، پری ناز و رحیمی هاشم آباد، مریم و زمانی تراشنده، مهسا و اکبرزاده توتونچی، محمدرضا،1400،تشخیص گریه نوزاد از سایر صداهای محیط با استفاده از یادگیری عمیق،نهمین کنگره مشترک سیستم های فازی و هوشمند ایران،بم،https://civilica.com/doc/1436435

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400، نورمحمدی، پری ناز؛ مریم رحیمی هاشم آباد و مهسا زمانی تراشنده و محمدرضا اکبرزاده توتونچی)
برای بار دوم به بعد: (1400، نورمحمدی؛ رحیمی هاشم آباد و زمانی تراشنده و اکبرزاده توتونچی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 33,016
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

طرح های پژوهشی مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی