جستجو
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
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
زبان مقاله : فارسی
محور مقاله : مهندسی کامپیوتر
محل انتشار : کنفرانس بین المللی پژوهش در علوم و تکنولوژی
آدرس وب سایت کنفرانس : rstconf.com
کد IOI مقاله : XYEZ-AHHAA
لینک مستقیم مقاله : https://isnac.ir/XYEZ-AHHAA
نمایش چکیده انگلیسی
: https://isnac.ir/SA/XYEZ-AHHAA
سایر مقالات ارائه دهنده
- عیبیابی شبکههای حسگر بیسیم با استفاده از مدل مارکوف و منطق فازی
- Diagnosing Stuttering from Fluency Speech, using Support Vector Machine
- تشخیص نوع لکنت در زبان فارسی با استفاده از ماشین بردار پشتیبان و روش¬های استخراج ویژگی FFT و MFCC
- Diagnosing Types of Stuttering, using Support Vector Machine, FFT and MFCC in the Persian Language
- تشخیص لکنت از گفتار روان و نوع آن در زبان فارسی، با ترکیب روش های FFT و MFCC و استفاده از ماشین بردار پشتیبان
سایر مقالات محل انتشار
- تحلیل ارتباطات بازاریابی مبتنی بر فضای مجازی: مطالعه تطبیقی شرکتهای خودرو سازی
- پايداری در معماري سنتی تبريز(مساجد)
- اثر پیش تغذیه عصاره هیدروالکلی سنبل الطیب (Valeriana officinalis) بر نفوذ پذیری سد خونی - مغزی در مدل جانوری رت
- بررسی علل خوردگی خارجی لوله های چدن داکتیل درمنطقه ی سیستان
- جامعه سیاسی مطلوب در فلسفه ابن سینا
- بررسی بازتاب معماری عصر حافظ در دیوان اشعار حافظ
- بررسی تطبیقی سبک مینیمالیسم در معماری و نقاشی (مطالعه موردی شهر قزوین)
- برآورد رواناب حوضه آبريز فرحزاد شاهرود با استفاده از مدلهای WetSpa و شبکه عصبی مصنوعي
- تأثیر آموزش هوش هیجانی بر اضطراب امتحان ، خودکارآمدی و عملکرد تحصیلی دانش آموزان با پدران طرح اقماری مجتمع آموزشی غیر دولتی شهدای ملی حفاری در اهواز
- CDC42 و انواع مختلف بیانی آن در موجودات و بافتهای مختلف
- بررسی نقش طاووس در فرش های دوره صفویه (بانظر به مثنوی معنوی مولانا)
- مقایسه زیست فراهمی عناصر آهن و روی توسط سه روش DTPA-TEA و EDTA و یک روش ساده در سویه های شورپسند
- تجمیع آگاهانه اطلاعات بوسیله پتانسیل موجود درروش مسیریابی پویادرشبکه های حسگربیسیم
- بررسی اثر داروهای سیس پلاتین و پاکلی تاکسل بصورت جدا و ترکیبی بر سلول های رده ی Calu-6 کارسینومای ریه در انسان
- تلفیق داده های دورسنجی ، زمین شناسی و مغناطیس در پتانسیل یابی و اکتشاف کانسارهای آهن در زون سنندج سیرجان