تشخیص لکنت در گفتار روان با استفاده از ماشین بردار پشتیبان

تشخیص لکنت در گفتار روان با استفاده از ماشین بردار پشتیبان

محمدرضا خالقی1 فاطمه حسنی2

1) کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد اسلامی واحد علوم و تحقیقات شاهرود، ایران -
2) کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد اسلامی واحد علوم و تحقیقات شاهرود، ایران -

کد IOI مقاله : XYCC-ABFAC
محل انتشار : کنفرانس بین المللی علوم و مهندسی(icesconf.com)
چکیده :
    لکنت به¬عنوان شایع¬ترین اختلال کلامی، یکی از بهترین موضوعات در زمینه پژوهش¬های میان رشته¬ای است. برای تشخیص و دسته¬بندی لکنت در گفتار عادی روش¬های مختلفی مورد استفاده قرار گرفته است که از جمله آن می¬توان به استفاده از شبکه-های عصبی مصنوعی (ANN)، مدل مخفی مارکوف (HMM) و ماشین بردار پشتیبان (SVM) اشاره کرد. در این¬جا ما از SVM استفاده کرده¬ایم، چرا که استفاده از ANNها یا HMMها، نیازمند داده¬هایی برای آموزش و آزمون هستند، اما روش پیشنهادی ما بسیار سریع¬تر و با دقت بهتری داده¬ها را از هم تفکیک می¬کرد و در دسته¬های مربوطه قرار می¬داد. سیستم پیشنهادی ما شامل 5 مرحله: 1. دریافت سیگنال نمونه، 2. پیش¬پردازش سیگنال نمونه، 3. محاسبه ویژگی¬های مورد نیاز، 4. استخراج ویژگی و 5. دسته¬بندی نمونه به کلاس مناسب. برای استخراج ویژگی از روش¬های مختلفی از جمله معیار مِل با ضرایب کپستروم (MFCC) استفاده کردیم. برخی از ویژگی¬های مورد استفاده نیز عبارت بودند از: Max FFT، Kurtosis، Skewness و ... برای تصمیم¬گیری و دسته¬بندی، از SVM و روش تحلیل تفکیک خطی (LDA) استفاده کردیم تا ویژگی¬های اضافی را حذف کرده و بیشترین بازده را از آن بگیریم. برای این کار از 20 نمونه برچسب¬دار که از 10 فرد عادی به¬صورت تصادفی و 10 فرد لکنت¬دار که به مراکز گفتار درمانی برای معالجه مراجعه می¬کردند استفاده شد. بهترین نتیجه و تفکیک برای ویژگی Max FFT با دقت 100% به¬دست آمد.

کلمات کلیدی : شبکه های عصبی مصنوعی تشخیص لکنت مدل مخفی مارکوف تفکیک تحلیل خطی ماشین بردار پشتیبان