基于WOA-VMD和改进的Dempster-Shafer证据理论的婴儿哭声识别
Ke Zhang1, Hua-Nong Ting2, Yao-Mun Choo3
1Department of Biomedical Engineering, Faculty of Engineering, Universiti Malaya, Jalan Pantai Baharu, 50603 Kuala Lumpur, Malaysia.
Computer methods and programs in biomedicine
|February 2, 2024
概括
这项研究引入了一种改进的Dempster-Shafer证据理论 (DST),以减少婴儿哭声识别模型中的冲突. 新方法通过有效结合证据和减少不确定性来提高准确性,从而更好地分类婴儿哭声.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 分类器冲突和识别模型错误可能会降低婴儿哭声识别的准确性.
- 婴儿哭声识别的决策错误源于相互矛盾的证据.
- 提高婴儿哭声识别准确度需要将深度学习模型之间的冲突降到最低.
研究的目的:
- 提出一种新的方法,以尽量减少婴儿哭声识别中的深度学习模型之间的冲突.
- 为了提高婴儿哭泣分类的整体准确性.
- 解决识别模型中相互矛盾的证据造成的决策错误.
主要方法:
- 开发了一种改进的斯特-沙弗证据理论 (DST),结合了瓦瑟斯坦距离和格.
- 鱼优化算法-可变模式分解 (WOA-VMD) 用于最佳的婴儿哭声信号分解.
- 使用VGG16提取了深度特征,长短期记忆 (LSTM) 模型对信号进行了分类,并改进了用于决策融合的DST.
主要成果:
- 拟议的融合方法在分类三种类型的婴儿哭声中达到90.15%的准确性.
- 与现有的DST融合方法相比,观察到2.90%4.98%的精度改进.
- 与最先进的方法相比,识别精度增加了5.79%11.53%.
结论:
- 开发的方法有效地分解了婴儿哭泣信号.
- 深度学习模型结果之间的冲突显著减少.
- 这项研究成功地提高了婴儿哭声识别的准确性.
