积极转移学习用于音频图表估计
Hossana Twinomurinzi1, Herman Myburgh1, Dennis L Barbour2
1Department of Electrical, Electronic and Computer Engineering, University of Pretoria, Pretoria, South Africa.
计算听力学 (CA) 模型通过整合多个人口数据库来改善听力图估计. 积极转移学习 (ATL) 提高了准确性和减少了测试时间,为数据驱动的听力学进步铺平了道路.
科学领域:
- 计算式听力学 计算式听力学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 计算听力学 (CA) 模型随着计算能力和机器学习 (ML) 的增加而进步.
- 现有的CA模型往往缺乏概括性,原因是对单个人口音频录像数据库的培训.
- 准确的听力图估计对于听力健康诊断至关重要.
研究的目的:
- 通过整合来自多个人口数据库的知识,开发一种更精确的音频录像估计方法.
- 通过转移学习 (TL) 和主动学习 (AL) 增强CA模型.
- 评估拟议的积极转移学习 (ATL) 模型与传统方法的性能.
主要方法:
- 从多个音频录像数据库中整合了上下文和先前知识.
- 采用基于特征的同质转移学习 (TL) 来实现域调整 (DA).
- 利用主动学习 (AL) 与基于流的查询机制进行不确定性抽样.
主要成果:
- 与传统的休森-韦斯特莱克 (HW) 方法相比,ATL模型的准确性和可靠性得到了提高.
- 为了获得更好的结果,ATL从41.3的平均值降低了声音刺激的呈现.
- 多个数据库的整合使其能够分类为18种音频图表表型,这表明了分类的潜在重新概念化.
结论:
- 开发的ATL机制有效地利用各种音频记录数据库来改进CA.
- 这种方法提高了听力图的精度和诊断效率.
- 在听力学以外的其他心理物理现象中,ATL有望得到应用.
更多相关视频
11:39Assessment of Audio-Tactile Sensory Substitution Training in Participants with Profound Deafness Using the Event-Related Potential Technique
Published on: September 7, 2022
06:04Systematic Hearing Performance Evaluation Process for Adolescents with Cochlear Implantation at Early Ages
Published on: March 24, 2023
相关概念视频
Transfer function and Bode Plots-I
Transfer function and Bode Plots-II
Discrete-Time Fourier Series
For a discrete-time periodic signal x[n]...
Properties of Fourier Transform I
In radio broadcasting, multiple audio signals often need to be transmitted simultaneously. The Fourier...
Linear Approximation in Frequency Domain
In contrast, nonlinear systems do not inherently possess these properties. However, for small deviations around an operating point, a nonlinear system can often be approximated as linear.
