Doppler-Based Sound Localization and Its Application in AI-empowered Traffic Warning for Deafness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hearing is essential for information processing and our safety, especially in traffic. For patients with hearing impairments, sound localization devices help identify threatening sound sources and reduce traffic safety risk. Existing methods typically rely on measuring time delay using microphone arrays. Unfortunately, this method faces critical challenges for dynamic sound sources, posing major threats. Addressing this challenge, we propose a wearable sound localization system that combines interaural time differences and Doppler frequency shifts to determine the position, direction, and speed of moving sound sources. The method's feasibility is first evaluated through a combination of theoretical calculations and experimental verifications. A proof-of-concept setup was established by engaging three microphones as the receiver and a toy car emitting a constant tone as the sound source. An AI algorithm based on artificial neural network was further trained using the received sound signal when the source moved at different locations and directions. The results demonstrated accurate detection of Doppler shifts, with classification accuracies of 100% for front/back, 87.5% for distance, and 62.5% for left/right. Finally, the system was integrated into a wristband with feedback motors, providing vibrational alerts based on the detected motion and proximity of sound sources. These results validate the feasibility of using Doppler shifts and machine learning for motion detection in real time. The proposed system offers a portable solution to enhance the awareness of the environment for individuals with hearing impairments and lays the groundwork for future warning devices in traffic safety applications.
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.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle