KaydedilenlerDerginizi ekleyin

Dergiler / Journal of Information Systems and Management Research / 2020 / Cilt: 2 - Sayı: 1

Yapay Zeka Yöntemleri ile Bebek Seslerinin Tahmin Edilmesi

Resul BÜTÜNER
Sayfa
32–41
Yayın Tarihi
2020-06-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada yapay zekâ da ses ve konuşma tanıma yardımıyla sağır veya sağlıklı ebeveynlerin bebeklerinin veya küçük çocuklarının ses ve konuşma ipuçlarına uygun şekilde hareket edebilmeleri için bebeklerin ağlamalarını anlamalarına yardımcı olmayı hedeflemektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu araştırmada ağlayan bebeklerin veya sağır ebeveynlerin çocuklarının sesini algılayarak ihtiyacın belirlenmesine yönelik platformlar yardımıyla makine öğrenmesi uygulamaları geliştirilmiştir.
📊
Temel Bulgular & Veri:Ayrıca başarı oranları elde edilerek, karşılaştırılması yapılmıştır.
💡
Sonuç & Katkı:Bu çalışmada yapay zekâ da ses ve konuşma tanıma yardımıyla sağır veya sağlıklı ebeveynlerin bebeklerinin veya küçük çocuklarının ses ve konuşma ipuçlarına uygun şekilde hareket edebilmeleri için bebeklerin ağlamalarını anlamalarına yardımcı olmayı hedeflemektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Zekâ · Makine Öğrenmesi · Bebek Sesi Analizi

Özet

Bu araştırmada ağlayan bebeklerin veya sağır ebeveynlerin çocuklarının sesini algılayarak ihtiyacın belirlenmesine yönelik platformlar yardımıyla makine öğrenmesi uygulamaları geliştirilmiştir. Bebek sesleri konusunda ebeveynler, çocuk doktorları, sağlık çalışanları ve dijital ortam verilerinden faydalanılacaktır. Bebeklerin ihtiyaçlarına yönelik literatür taraması yapılarak, fikir üretme ve geliştirme olarak analizler yapılacaktır. Bebeklerin genel olarak temel ihtiyaçlarından açım, gazım var, gaz ağrısı var, rahatsızım, uykum var vb. genel ihtiyaçlarına yönelik çıkardıkları "INGA" sesleri toplanarak, ihtiyaç sınıflarına göre veri seti oluşturulacaktır. Veri setleri eğitilerek, öğrenme ve test aşamasından geçerek, platformlar ile makine öğrenmesi çalıştırılacaktır. Makine öğrenmesi algoritmaları olarak Rasgele Orman Sınıflandırma, Çoklu Sınıf Sınıflandırma ve Makine Öğrenmesi (https://teachablemachine.withgoogle.com/) web aracı kullanılmıştır. Uygulamalar çalıştırıldığında dışarıdan gelen yeni bebek seslerini, veri setindeki bebek sesleri ile karşılaştırarak, ekrana yazı ve sesli olarak "açım, uykum var, rahatsızım, gazım var, gaz ağrısı var" vb. bilgilendirmeleri yapacaktır. Ayrıca başarı oranları elde edilerek, karşılaştırılması yapılmıştır. Çoklu sınıf sınıflandırma yöntemi kullanılarak %97,5 başarı oranı ile en iyi sonucu vermiştir. Bu çalışmada yapay zekâ da ses ve konuşma tanıma yardımıyla sağır veya sağlıklı ebeveynlerin bebeklerinin veya küçük çocuklarının ses ve konuşma ipuçlarına uygun şekilde hareket edebilmeleri için bebeklerin ağlamalarını anlamalarına yardımcı olmayı hedeflemektedir.

🔖

Bu Makaleye Atıf Yap

BÜTÜNER, R. (2020). Yapay Zeka Yöntemleri ile Bebek Seslerinin Tahmin Edilmesi. Journal of Information Systems and Management Research, Cilt: 2 - Sayı: 1, 32–41. https://ajindex.com/articles/777217

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Özbey, C., & Bayar, S.,Otomatik Ses Tanıma: Türkçe için Genel Dağarcıklı Akustik Model Oluşturulması ve Test Edilmesi. Akademik Bilişim Konferansı, Aksaray,2017. s. 1-6.
  2. Baştürk, A., Baştürk, N. S., & Qurbanov, O. [(2018). A comparative Performance analysis of various classifiers for fingerprint Recognition. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 504-511.
  3. Atalay, M., & Çelik, E. (2017). Büyük Veri Analizinde Yapay Zekâ Ve Makina Öğrenmesi Uygulamaları. Mehmet akif Ersoy Üniversitesi Sosyal Bilimler Dergisi, 156-168.
  4. Badem, H. (2019). Parkinson Hastalığının Ses Sinyalleri Üzerinden Makine Öğrenmesi Teknikleri İle Tanımlanması. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 630-637.
  5. Küçüker, A., Yüzkollar, C., Sansli, A., & Sen, F. (2006). Güvenlik Sistemleri Için Mel Frekans Kepstrum Katsayilari ve Yapay Sinir Aglari Kullanilarak Konusmaci Tanima. Electronic Letters on Science & Engineering, 8-15.
  6. Çakır, H., & Okutan, B. (2011). Ses Kontrollü Web Tarayıcı. Bilişim Teknolojileri Dergisi, 13-18.
  7. Özden, C., & Acı, Ç. (2016). Makina öğrenmesi yöntemleri ile yaralanmalı trafik kazalarının analizi: Adana örneği. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 266-275. A. Graves and N. Jaitly, “Towards End-To-End Speech Recognition with Recurrent Neural Networks.,” in ICML, 2014, pp. 1764–1772. S. Fernández, A. Graves, and J. Schmidhuber, “An Application of Recurrent Neural Networks to Discriminative Keyword Spotting,” in International Conference on Artificial Neural Networks, 2007, pp. 220–229.
  8. L. Deng, M. Seltzer, D. Yu, A. Acero, A. Mohamed, and G. Hinton, “Binary Coding of Speech Spectrograms Using a Deep Auto-encoder,” in Interspeech 2010, 2010, p. 1692–1695.
  9. A.-R. Mohamed, T. N. Sainath, G. Dahl, B. Ramabhadran, G. E. Hinton, and M. A. Picheny, “Deep Belief Networks Using Discriminative Features For Phone Recognition,” in Acoustics, Speech and Signal Processing, 2011, p. 5060–5063.
  10. A. Graves, A. Mohamed, and G. Hinton, “Speech recognition with deep recurrent neural networks,” in 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, 2013, pp. 6645–6649. Sepp Hochreiter, & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 1-32.
  11. F. A. Gers, J. Schmidhuber, and F. Cummins, “Learning to forget: continual prediction with LSTM.,” Neural Comput., vol. 12, no. 10, pp. 2451–71, Oct. 2000.
  12. Graves, A., & Schmidhuber, J. (2005). Framewise Phoneme Classification with Bidirectional LSTM and