婴儿哭泣信号诊断系统使用深度学习和融合功能
Yara Zayed1, Ahmad Hasasneh1, Chakib Tadj2
1Department of Natural, Engineering and Technology Sciences, Faculty of Graduate Studies, Arab American University, Ramallah P.O. Box 240, Palestine.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
诊断婴儿疾病,如败血症和呼吸困扰综合征 (RDS) 是一个挑战. 这项研究开发了一种深度学习系统,分析婴儿哭泣的音频信号 (CAS),以97.50%的准确度准确检测这些关键条件.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 生物声学是一种生物声学.
- 机器学习 机器学习
背景情况:
- 婴儿不能口头表达症状,这使得早期诊断变得困难.
- 婴儿的哭泣是他们痛苦和需要的主要沟通方式.
- 由于高死亡率,新生儿呼吸困难综合征 (RDS) 和败血症等疾病的准确诊断至关重要.
研究的目的:
- 开发和评估用于解释婴儿哭声音频信号 (CAS) 的医疗诊断系统.
- 提高使用哭声分析诊断婴儿病理的准确性和分类率.
- 为了利用深度学习算法和融合音频功能来增强诊断能力.
主要方法:
- 利用了标记婴儿哭声音频信号的数据集,包括RDS,败血症和健康哭声.
- 提取的音频特征:波比 (HR),Gammatone频率 cepstral 系数 (GFCC) 和谱图通过预先训练的 CNN.
- 融合了这些功能和应用机器学习模型 (RF,SVM,DNN),专注于用于特征提取和融合的深度学习.
主要成果:
- 该系统使用通过深度学习模型处理的融合光谱图,HR和GFCC特征实现了最高准确率97.50%.
- 通过学习过程的特征融合,特别是用光谱图,与简单的连接相比,显著改善了分类.
- 深度学习方法有效地提取了稀疏的特征,增强了不同婴儿病理之间的分离.
结论:
- 在深度学习框架内融合各种音频特征,特别是光谱图,对于准确的婴儿哭泣分析至关重要.
- 拟议的系统展示了一种有希望的,非侵入性的方法,用于早期诊断婴儿严重的医疗状况.
- 这种方法通过使用先进的特征工程和深度学习来实现病理的多重分类,超过了以前的基准.
关键词:
在GFCC中,GFCC是GFCC的成员之一.人力资源,人力资源,人力资源.音频领域的功能包括:深度学习是一种深度学习.婴儿的哭泣诊断 婴儿的哭泣诊断机器学习是机器学习.频谱图是指光谱图中的光谱.
