IoT BASED REAL-TIME VOICE ANALYSIS AND SMART MONITORING SYSTEM FOR DISABLED PEOPLE
Notice bibliographique
Résumé
This research emphasizes on Internet of Things (IoT) based affordable platforms to take proper and timely measures for disabled people.It is usually observed that people with different disabilities face difficulties in all walks of life, and adequate caretaking measures are not adopted in most cases.Real time and consistent caretaking for such handicapped people is a tedious task.This paper introduces an IoT based real time analysis and alerting system for the disabled people.The proposed standalone system consistently monitors voice activity of person and in case of any abnormality in analysis outcomes, the system automatically notifies concerned hospital or caregiver to prompt for the patient's situation.The voice features are extracted from analysed voice by employing Discrete Cosine Transform (DCT), and classified through Support Vector Machine (SVM).The prototype has been developed by using Raspberry Pi single board along with voice recording module, Wi-Fi module and LCD Screen.Cloud web services have been used to store the real time activity and performing voice analysis.Montreal Affective Voices (MAV) dataset has been utilized for training and testing of voice recognition.The designed system can be regarded as a rescue system for people suffering from various life threatening health conditions including bipolar disorder, hysteria, cardiac arrest, etc.An accuracy of 81.74% has been achieved for MAV dataset, whereas an accuracy of 67.90% is achieved for real time voice input as depicted in the analysed results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».