Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Classification of Signals01:30

Classification of Signals

1.3K
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
1.3K
Difference from Background: Limit of Detection01:05

Difference from Background: Limit of Detection

8.0K
The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
The LOD indicates the presence or absence...
8.0K
Force Classification01:22

Force Classification

2.2K
Forces play a crucial role in the study of physics and engineering. They are essential in describing the motion, behavior, and equilibrium of objects in the physical world. Forces can be classified based on their origin, type, and direction of action.
Contact and non-contact forces are two of the most widely used categories of forces. As the name suggests, contact forces require physical contact between two objects to act upon each other. Examples of contact forces include frictional,...
2.2K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Assessing Sentences in Young Children: A Comparison of the Sentence Diversity Priming Task and Play-Based Language Samples.

Journal of speech, language, and hearing research : JSLHR·2026
Same author

Adherence to ecological momentary assessment studies in children and adolescents with psychopathology: A systematic review with meta-analysis.

NPP - digital psychiatry and neuroscience·2026
Same author

Advancing the measurement of psychotherapy outcomes for youth with irritability using in vivo ecological momentary assessment: an exploratory observational study.

Child and adolescent mental health·2025
Same author

Leveraging technology to probe mechanisms of psychopathology: A proof of concept study of inhibitory control.

PloS one·2025
Same author

A Just-in-Time Adaptive Intervention (Shift) to Manage Problem Anger After Trauma: Co-Design and Development Study.

JMIR human factors·2025
Same author

Evaluating the Construct Validity of Sentence-Focused Diversity Measures With Late-Talking Toddlers and Same-Age Peers.

Journal of speech, language, and hearing research : JSLHR·2025

Video Experimental Relacionado

Updated: Jan 7, 2026

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

396

Detección de llanto en grabaciones de audio de día completo mediante aprendizaje automático: Desarrollo y evaluación

Lauren M Henry1, Kyunghun Lee1, Eleanor Hansen1

  • 1National Institute of Mental Health (NIMH), Bethesda, MD, USA.

Assessment
|December 30, 2025
PubMed
Resumen

Un nuevo algoritmo de aprendizaje automático detecta con precisión los llantos atípicos de los bebés, lo que podría identificar signos tempranos de irritabilidad y riesgos para la salud mental. Esta herramienta de detección de llanto muestra una gran promesa para la intervención temprana en trastornos del desarrollo.

Palabras clave:
grabaciones de audiollantoinfanciairritabilidadaprendizaje automáticodetección pasiva

Más Videos Relacionados

Asthma Detection Research Based on Voice Signal Processing and Machine Learning
04:04

Asthma Detection Research Based on Voice Signal Processing and Machine Learning

Published on: July 22, 2025

879
Flying Insect Detection and Classification with Inexpensive Sensors
05:16

Flying Insect Detection and Classification with Inexpensive Sensors

Published on: October 15, 2014

25.6K

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

396
Asthma Detection Research Based on Voice Signal Processing and Machine Learning
04:04

Asthma Detection Research Based on Voice Signal Processing and Machine Learning

Published on: July 22, 2025

879
Flying Insect Detection and Classification with Inexpensive Sensors
05:16

Flying Insect Detection and Classification with Inexpensive Sensors

Published on: October 15, 2014

25.6K

Área de la Ciencia:

  • Psicología del desarrollo
  • Lingüística computacional
  • Aprendizaje automático

Sus antecedentes:

  • Los patrones atípicos de llanto infantil pueden indicar irritabilidad temprana, un marcador de riesgo para afecciones de salud mental.
  • El aprendizaje automático (AA) puede analizar grabaciones de audio para detectar patrones de llanto y predecir resultados del desarrollo.
  • El desarrollo de algoritmos precisos de detección de llanto es crucial para la identificación e intervención tempranas.

Objetivo del estudio:

  • Desarrollar y evaluar un novedoso algoritmo de aprendizaje automático para detectar patrones atípicos de llanto infantil.
  • Comparar el rendimiento del algoritmo novedoso con una reimplementación de un algoritmo existente de detección de llanto.
  • Establecer una base para la identificación temprana de la irritabilidad y la posible psicopatología en lactantes.

Principales métodos:

  • Se desarrolló un novedoso algoritmo de detección de llanto que combina wav2vec 2.0, características de audio convencionales y máquinas de gradient boosting.
  • Se reimplementó un clasificador existente de máquina de vectores de soporte (SVM) que utiliza características acústicas y espectrales profundas de AlexNet.
  • Ambos algoritmos se entrenaron y validaron en conjuntos de datos de código abierto y recién anotados, evaluando el rendimiento mediante el área bajo la curva (AUC).

Principales resultados:

  • Tanto los algoritmos existentes como los novedosos demostraron un sólido rendimiento en la detección de llantos en los conjuntos de datos de entrenamiento y validación (AUC que oscilan entre 0,841 y 0,936).
  • El algoritmo novedoso superó significativamente al algoritmo existente, lo que se atribuye a su espacio de características avanzado y su enfoque de gradient boosting.
  • Los algoritmos mostraron una buena generalización a datos no vistos, lo que indica robustez.

Conclusiones:

  • El novedoso algoritmo de aprendizaje automático proporciona un método eficiente y preciso para detectar patrones atípicos de llanto infantil.
  • Esta tecnología tiene implicaciones significativas para la identificación temprana de la irritabilidad desregulada, un precursor de la psicopatología.
  • Un mayor desarrollo puede conducir a herramientas escalables para monitorear la salud mental infantil y facilitar intervenciones oportunas.