تشخیص لکنت از گفتار روان و نوع آن در زبان فارسی، با ترکیب روش های FFT و MFCC و استفاده از ماشین بردار پشتیبان

تشخیص لکنت از گفتار روان و نوع آن در زبان فارسی، با ترکیب روش های FFT و MFCC و استفاده از ماشین بردار پشتیبان

محمدرضا خالقی1 فاطمه حسنی2

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

کد IOI مقاله : XYEZ-AHHAA
محل انتشار : کنفرانس بین المللی پژوهش در علوم و تکنولوژی(rstconf.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، بسیار سریع¬تر و با دقت بهتری داده¬ها را از هم تفکیک می¬کند و در دسته¬های مربوطه قرار می¬دهد. 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 است. 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 60 نمونه برچسب¬دار که از 10 فرد عادی به¬صورت تصادفی و 20 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% در تشخیص لکنت و 95% برای تشخیص نوع آن با همین روش، به¬دست آمد.

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