根据声学特征和深度学习神经网络,区分健康和不健康的新生儿,通过贝叶斯优化和随机搜索算法调整神经网络
Salim Lahmiri1,2, Chakib Tadj2, Christian Gargour2
1Department of Supply Chain and Business Technology Management, John Molson School of Business, Concordia University, Montreal, QC H3G 1M8, Canada.
Entropy (Basel, Switzerland)
|November 26, 2025
概括
深度前神经网络 (DFFNN) 准确地使用哭声学对新生儿健康进行分类. 优化的DFFNN模型实现了高精度,超过了以前用于婴儿健康评估的方法.
科学领域:
- 生物医学工程 生物医学工程
- 计算语言学 计算语言学
- 新生儿医学 新生儿医学
背景情况:
- 语音分析越来越多地用于帮助临床决策.
- 区分健康和不健康的新生儿对于早期干预至关重要.
研究的目的:
- 开发和评估用于分类新生儿健康状况的深度前神经网络 (DFFNN).
- 用贝叶斯优化 (BO) 和随机搜索 (RS) 优化DFFNN的性能进行比较.
主要方法:
- 训练有素的DFFNN模型使用新生儿哭声的声学特征:听觉启发的振幅调制 (AAM),Mel频率头系数 (MFCC) 和prosody.
- 使用贝叶斯优化 (BO) 和随机搜索 (RS) 算法优化了DFFNN配置.
- 使用十倍交叉验证协议评估模型性能.
主要成果:
- 在训练所有声学特征时,DFFNN实现了最高的分类率.
- DFFNN-BO达到了87.80%±0.23的准确度,而DFFNN-RS达到了86.12%±0.33的准确度.
- 两种优化的DFFNN模型在同一数据集上都超过了现有的方法.
结论:
- 深度前神经网络是有效的基于哭声学对新生儿健康的分类.
- 优化的DFFNN模型与以前的方法相比,显示出更高的性能.
- 这项技术有望提高新生儿诊断能力.
