SavedAdd your journal

Journals / Avrupa Bilim ve Teknoloji Dergisi / 2021 / Sayı: 27

Classification of Infant Cries with Machine Learning Methods

Bebek Ağlamalarının Makine Öğrenmesi Yöntemleriyle Sınıflandırılması

Bengisu Şeyda KOP
Levent BAYINDIR
Pages
784–791
Publication Date
2021-11-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

As a result, a 93% success rate was found using MFCC and Multilayer Perceptron.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, various machine learning methods were used to determine the needs of babies and to find out whether they were exposed to any disease by making use of baby crying sounds.
📊
Key Findings & Data:In the classification phase of the audio signals whose attributes were extracted, k-Nearest Neighborhood (k-NN) algorithm, Multilayer Perceptron, Decision Tree and Random Forest algorithms from machine learning algorithms were used and success rates were compared.
💡
Conclusion & Impact:As a result, a 93% success rate was found using MFCC and Multilayer Perceptron.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Bebek ağlaması sınıflandırma · Makine öğrenmesi · MFCC

Abstract

In this study, various machine learning methods were used to determine the needs of babies and to find out whether they were exposed to any disease by making use of baby crying sounds. Two different data sets were used for baby crying sounds. It is aimed to find the type of crying after the data sets go through the training, learning and testing stages. Mel Frequency Cepstral Coefficients (MFCC) and Linear Prediction Cepstral Coefficients (LPCC) methods were compared to extract the attributes of crying sounds, and the MFCC method was found to be more effective than LPCC in increasing accuracy. In the classification phase of the audio signals whose attributes were extracted, k-Nearest Neighborhood (k-NN) algorithm, Multilayer Perceptron, Decision Tree and Random Forest algorithms from machine learning algorithms were used and success rates were compared. As a result, a 93% success rate was found using MFCC and Multilayer Perceptron.

Özet

Bu çalışmada bebek ağlama seslerinden yararlanılarak, bebeklerin ihtiyaçlarını belirleyebilmek ve herhangi bir hastalığa maruz olup olmadıklarını öğrenmek için çeşitli makine öğrenmesi yöntemleri kullanılmıştır. Bebek ağlama sesleri için iki farklı veri kümesinden yararlanılmıştır. Veri kümeleri eğitim, öğrenme ve test aşamalarından geçtikten sonra ağlama türünün bulunması hedeflenmiştir. Ağlama seslerinin özniteliklerini çıkarmak için Mel Frekans Kepstrum Katsayıları (MFCC) ve Doğrusal Öngörü Kepstrum Katsayıları (LPCC) yöntemleri karşılaştırılmış ve MFCC yönteminin doğruluğu arttırmada LPCC’ye göre daha etkili olduğu bulunmuştur. Öznitelikleri çıkarılan ses sinyallerinin sınıflandırılma aşamasında makine öğrenme algoritmalarından k-En Yakın Komşuluk (k-NN) algoritması, Çok Katmanlı Algılayıcılar, Karar Ağacı ve Rastgele Orman algoritmaları kullanılmış ve başarı oranları karşılaştırılmıştır. Sonuçta MFCC ve Çok Katmanlı Algılayıcılar yöntemi kullanılarak %93 başarı oranı bulunmuştur.

🔖

Cite This Article

KOP, B. Ş., BAYINDIR, L. (2021). Classification of Infant Cries with Machine Learning Methods. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 27, 784–791. https://ajindex.com/articles/470777

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. Ahmed, M. C. and Koçer, H. E. (2019). Turkish Speech recognition using Mel-frequency cepstral coefficients(MFCC) and Hidden Markov Model (HMM). Veri Bilimi Dergisi, 2(2), 39-44. Bănică, I.-A., Cucu, H., Buzo, A., Burileanu, D. and Burileanu, C. (2016). Baby cry recognition in real-world conditions. 2016 39th International Conference on Telecommunications and Signal Processing (TSP), 315-318. Vienna. doi:10.1109/TSP.2016.7760887 Başbuğ, A. M. (2019). Ses olayı tanıma ve akustik sahne geri getirimi. Yüksek Lisans Tezi, Başkent Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  2. Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32. doi:https://doi.org/10.1023/A:1010933404324
  3. Bütüner, R. (2020). Yapay zeka yöntemleri ile bebek seslerinin tahmin edilmesi. Journal of Information Systems and Management Research, 2(1), 32-41.
  4. Büyükarıkan, U. (2020). Finansal performansa etki eden finansal değişkenlerin CHAID karar ağacıyla belirlenmesi: tekstil sektörü örneği. Aydın İktisat Fakültesi Dergisi, 5(1), 1-10.
  5. Dehak, N., Kenny, P., Dehak, R., Dumouchel, P. and Ouellet, P. (2011). Front-End Factor Analysis for Speaker Verification. IEEE Transactions on Audio, Speech, and Language Processing, 19(4), 788-798. doi:10.1109/TASL.2010.2064307 Eray, O. (2008). Destek vektör makineleri ile ses tanıma uygulaması. Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Denizli. Garcia, J. O. and Reyes Garcia, C. A. (2003). Mel-frequency cepstrum coefficients extraction from infant cry for classification of normal and pathological cry with feed-forward neural networks. Proceedings of the International Joint Conference on Neural Networks, 3140-3145. Portland. doi:10.1109/IJCNN.2003.1224074 Güldal, H. ve Çakıcı, Y. (2017). Ders yönetim sistemi yazılımı kullanıcı etkileşimlerinin sınıflandırma algoritmaları ile analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(4), 1355-1367.
  6. Karasartova, S. (2011). Metinden bağımsız konuşmacı tanıma sistemlerinin incelenmesi ve gerçekleştirilmesi. Yüksek Lisans Tezi, Ankara Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  7. Kaynar, O., Görmez, Y., Yildiz, M. ve Albayrak, A. (2016). Makine öğrenmesi yöntemleri ile duygu analizi. International Artificial Intelligence and Data Processing Symposium, 234-241.
  8. Malatya. Lavner, Y., Cohen, R., Ruinskiy, D. and IJzerman, H. (2016). Baby cry detection in domestic environment using deep learning. 2016 IEEE International Conference on the Science of Electrical Engineering (ICSEE), 1-5