Infant Cry Signal Detection And Classification Using Deep Learning
Notice bibliographique
Résumé
Detection of infant cries in noisy environments such as homes, hospitals and clinics is vital to determine the reason of baby's cry.Also, It is crucial to classify the detected cry signals into normal or pathological cries especially in the first months of the baby life.This paper proposes a deep learning automatic infant cry detection and classification system under noisy conditions.It classifies the detected cry signals into normal , asphyxia and deaf cry signals .The overall system is composed of two stages ; cry detection stage and cry classification stage.In first stage, features(Mel-frequency cepstrum coefficients MFCC) are extracted from audio signals collected from a daily life dataset and passed into a 2D-two layers convolutional neural network(2DCNN) to be classified into cry and non cry signals.In second stage , a 2D-three layers CNN is used to classify cry signals collected from dataset with cry segments only into Normal (N) , Asphyxia (A) and Deaf (D) signals according to extracted MFCC features .In first stage, Testing results show that the cry detection system reaches an accuracy of 99.59 % for classifying the signals into cry and non-cry .In second stage, Due to the lack of pathological cry signals datasets that are collected in noisy environments, we added different levels of white noise to the training dataset.This way, we were able to get more realistic results.In particular, our cry classification system achieves accuracy of 91.3% ,94.2% , 95.07 % (under white noise) with signal-to-noise ratio(SNR) of 5db, 10db and 15db, respectively.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 0,000 |
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 tête enseignante, 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 ».