Mise en oeuvre d'un algorithme de traitement de la parole basé sur la quantification vectorielle pour une prothèse cochléaire
Bibliographic record
Abstract
Ce travail porte sur la mise en oeuvre d'un algorithme de codage de parole dédié aux prothèses cochléaires. La technique proposée repose sur la quantification vectorielle statistique. L'introduction qui suit survole l'état de l'art des prothèses cochléaires. Dans le deuxième chapitre, on décrit d'abord, d'une façon sommaire, le système auditif et son fonctionnement. Ensuite, on fait un survol des algorithmes de stimulation et des systèmes de prothèses cochléaires qu'on retrouve actuellement. Le troisième chapitre traite de la méthode d'analyse et de codage de la parole basée sur la quantification vectorielle. Dans une première partie, on présente les caractéristiques de la parole et les modèles de son analyse. Dans la deuxième partie, on décrit la théorie de la quantification vectorielle et les différentes étapes qui définiront la technique proposée. Le quatrième chapitre décrit les étapes de la mise en oeuvre de l'algorithme de traitement de parole. Dans un premier volet, on décrit sommairement l'analyseur de parole de Sherbrooke [15] qui servira de plate-forme technologique pour la mise en oeuvre de l'algorithme. Par la suite, on présente les étapes d'implémentation logicielle de l'algorithme et la validation de son fonctionnement. Dans le chapitre 5 quelques stratégies de stimulation qui peuvent être utilisées sont proposées. Celles-ci pourraient servir avec la technique de codage basée sur la quantification vectorielle pour compléter les algorithmes de stimulation et mettre à profit l'originalité de ce travail.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".