بخشی از متن فایل word تشخيص لکنت از گفتار روان با استفاده از ماشين بردار پشتيبان و روش دسته بندي تحليل تفکيک خطي LDA :
سال انتشار : 1394
نام کنفرانس یا همایش : کنفرانس بين المللي يافته هاي نوين پژوهشي درمهندسي برق و علوم کامپيوتر
تعداد صفحات :14
چکیده مقاله:
لکنت به عنوان شایعترین اختلال کلامی, یکی از بهترین موضوعات در زمینه پژوهشهای میان رشتهای است .برای تشخیص و دستهبندی لکنت در گفتار عادی روشهای مختلفی مورد استفاده قرار گرفته است که از جمله آن میتوان به استفاده از شبکه های عصبی مصنوعی (ANN) , مدل مخفی مارکوف (HMM) و ماشین بردار پشتیبان (SVM) اشاره کرد .در اینجا ما از SVM استفاده کردهایم, چرا که استفاده از ANN ها یا HMM ها, نیازمند دادههایی برای آموزش و آزمون هستند, اما روش پیشنهادی ما بسیار سریعتر و با دقت بهتری دادهها را از هم تفکیک میکرد و در دسته های .مربوطه قرار میداد .سیستم پیشنهادی ما شامل 5 مرحله . 1 :دریافت سیگنال نمونه, . 2 پیش پردازش سیگنال نمونه, 3 محاسبه ویژگیهای مورد نیاز, . 4 استخراج ویژگی و . 5 دستهبندی نمونه به کلاس مناسب .برای استخراج ویژگی از روشهای مختلفی از جمله معیار مل با ضرایب کپستروم (MFCC) استفاده کردیم .برخی از ویژگیهای مورد استفاده نیز عبارت بودند از Max FFT : ,Kurtosis , Skewness و ... برای تصمیمگیری و دستهبندی, از SVM و روش تحلیل تفکیک خطی (LDA) استفاده کردیم تا ویژگیهای اضافی را حذف کرده و بیشترین بازده را از آن بگیریم .برای این کار از 20 نمونه برچسبدار که از 10 فرد عادی بهصورت تصادفی و 10 فرد لکنتدار که به مراکز گفتار درمانی برای معالجه مراجعه میکردند استفاده شد .بهترین نتیجه و تفکیک برای ویژگی . Max FFT با دقت % 100 به دست آمد
