Saiba quais são os tipos de choro de bebê

2022-03-26

Exatamente interpretar o som de choro dos bebês pode ajudar os pais a cuidar melhor de seus bebês. A pesquisa sobre o choro infantil começou na década de 1960, quando o grupo de pesquisa Wasz-Hockert identificou os quatro tipos de gritos auditivos por enfermeiros treinados. Nos primeiros anos, as pesquisas determinaram que diferentes tipos de gritos podem ser diferenciados auditivomente por ouvintes adultos treinados. Mas treinar a percepção humana para o choro infantil é muito mais difícil do que treinar modelos de aprendizado de máquina. Construir máquinas inteligentes para entender o choro infantil leva o caminho para construir cuidadores robôs inteligentes no futuro. Além de compreender as necessidades diárias dos bebês, a previsão da doença é outra tarefa crítica na pesquisa de choro infantil.

  • O processamento de sinal é uma obrigação para remover ruídos de fundo e realizar a segmentação de gritos para construir bases de dados de choro.
  • Também é usado em modelos de aprendizagem profunda, como AlexNet para alcançar acima de 90% de precisão na identificação do grito de asfixia.
  • Classificador de Fuzzy Os sistemas lógicos Fuzzy foram usados em muitas aplicações, como sistemas de transmissão, sistemas de energia e roteamento de rede sem fio .
  • Sabe-se que o espectrograma tem uma forte capacidade de apresentar o sinal e incluir informações acústicas e prosódicas.
  • Em 2019, Le et al. aplicou a aprendizagem de transferência com a CNN em espectrogramas no banco de dados Baby Chillanto e alcançou resultados promissores.

Em nosso trabalho anterior, usamos o Praat para gerar imagens contendo as linhas prosódicas, incluindo F0, intensidade e formadores. As imagens prosódicas do modelo CNN são boas para identificar certos tipos de sinais de choro. Combinando-o com o espectrograma CNN e Waveform CNN produz 5% de melhor precisão no banco de dados Baby Chillanto e 4% no banco de dados Dunstan Baby Language . A maioria das bases de dados utilizadas até agora são auto-gravadas por autores e privadas a certas pessoas ou organizações. Embora alguns recursos on-line estão disponíveis, como vídeos no Youtube, que é o que o Google áudioset links para, a maioria dos clipes de choro não têm rótulos relevantes e muitas gravações estão cheias de ruídos de fundo. Além disso, são necessários bancos de dados que contêm amostras de bebês específicos que podem rastrear seus gritos em diferentes idades.

Em vez de usar zero padding para alcançar o mesmo comprimento de vetores de recursos, a normalização é aplicada no processo de geração de espectrogramas, que produz as mesmas imagens de tamanho sem alterar o sinal unique.

A cólica é usada como sinônimo de choro excessivo de bebês, embora a cólica não possa ser a causa do choro excessivo. Convolutional Neural Network é um algoritmo de aprendizagem profunda que tem sido usado com sucesso na visão de computador, processamento de linguagem e outros domínios que alcançam alta precisão sem precedentes. Manikanta et al. usaram CNN 1D em recursos MFCC para detecção de choros e o resultado outperformed feed para a frente rede neural e classificador SVM .

Vector de suporte Máquina de montagem automática O classificador probabilístico mais in style usado na classificação de choro infantil é a Máquina de Vetor de Suporte . As características alimentadas no SVM incluem características temporais, características prosódicas e características cepstral. Em 2017, Onu et al. comparado SVM a outros classificadores não lineares como redes neurais na classificação de asfixia e concluiu que as SVMs são projetadas para trabalhar efetivamente com exemplos limitados e dados de alta dimensão . Em 2015, Chang et al. usou o modelo de aprendizagem incremental do SVM, que continua adicionando novos dados no conjunto de dados em cada etapa de treinamento, produzindo mais de 18% melhor precisão do que o modelo original do SVM na classificação do choro infantil com base em recursos FFT . Outras características de domínio usadas na pesquisa de choro infantil incluem recursos de domínio de tempo, como taxa de travessia zero, energia de curto prazo e regiões dubladas, etc.

Cuidar bem dos recém-nascidos é um grande desafio, especialmente para os pais da primeira vez. Seguindo as sugestões de outros pais e livros não é suficiente para resolver os problemas na prática. Os pais experientes, cuidadores, médicos e enfermeiros entendem os gritos baseados em suas experiências. Os pais jovens ficam frustrados e têm dificuldade em acalmar seus bebês porque todos os sinais de choro soam o mesmo para eles.

Em Kia et al. usado classificação fuzzy para detectar sinais de choro infantil de sinais de riso. Em , Rosales-Pérez et al. usado árvore de decisão fuzzy, floresta de decisão fuzzy, KNN fuzzy e classificador de rede neural relacional fuzzy para classificação de choro patológico. O algoritmo de correspondência de padrão fuzzy tipo-2 é usado para classificar asfixia, regular e hiperbilirrubinemia. Ele também supera o classificador de regressão logística e SVM na classificação de fome e dor.

No futuro, estamos interessados em criar um grande banco de dados, extraindo recursos mais robustos, combinando recursos com boa relação, estabelecendo novas arquiteturas de rede neural com o uso de conhecimento prévio, bem como outras informações espaciais de áreas interdisciplinares. Esta pesquisa analisa a pesquisa de choro infantil principalmente com foco nas técnicas de processamento de sinais e métodos de aprendizado de máquina desenvolvidos na última década. Nós nos concentramos em rever os métodos de última geração usando algoritmos baseados em KNN, SVM, GMM e CNN para classificação e detecção. Nós fornecemos uma lista de recursos para os pesquisadores que estão interessados em trabalhar neste domínio, e finalmente fazemos um ponto do futuro trabalho nesta área de pesquisa. A Rede Neuro-fuzzy combina lógica fuzzy com redes neurais e foi usada com sucesso por pesquisadores na classificação infantil.

A propagação traseira é o algoritmo chave para treinar o modelo e minimizar a função de perda, que avalia o quão bem o modelo se encaixa no conjunto de dados. O modelo e o suporte da máquina do vetor de Markov oculto também foram adotados na década de 2000. No mesmo período, novas arquiteturas de rede neural são usadas de forma generalizada na indústria e na pesquisa. Rede Neural Convolucional , Rede Neural Recurrent , CNN-RNN, Cápsula Rede de reservatórios, redes de neuro-fuzzy abrem um novo capítulo na pesquisa de choro infantil. Atualmente estamos construindo uma grande base de dados de choros infantis que consiste em gritos de bebês de zero a 9 meses de idade.

Uma vez que o sistema vocal do trato e respiração dos bebês são afetados por algumas doenças, os sinais de choro de bebês não saudáveis contêm características únicas que diferem de sinais de choro saudáveis. Analisar sinais de choro patológicos para identificar doenças é um método não invasivo e rápido que pode salvar vidas de crianças, especialmente nas áreas que faltam de equipamentos médicos e experiência. Nos primeiros anos de pesquisa de choro infantil, muitas obras têm se concentrado na classificação de sinais de choro normais e patológicos.

Este tipo de banco de dados é essencial para estudar a característica do choro infantil junto com seu desenvolvimento corporal. Configurar dispositivos de gravação em berços de bebês e gravar sinais de choro em tempo real usando telefones celulares por cuidadores são os principais métodos usados por coletores de dados. As aplicações móveis do tradutor de choro do bebê, como o ChatterBaby, ajudam a prever razões de choro infantil e facilitaram a coleta de dados.


Saiba quais são os tipos de choro de bebê
Saiba quais são os tipos de choro de bebê

Alvo em Foco

Autor

Importante: este site faz uso de cookies que podem conter informações de rastreamento sobre os visitantes