📄Работа №186114
Тема: ДЕТЕКТИРОВАНИЕ И КЛАССИФИКАЦИЯ ЗВУКА СЕРДЕЧНОГО СОКРАЩЕНИЯ ПРИ ПОМОЩИ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Тип работы
Бакалаврская работа
Предмет
Механика
Объем:
59 листов
Год:
2021
Просмотров:
55
4270
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 5
1 Постановка Задачи 7
2 Создание Базы Данных 8
3 Методика Детектирования 9
4 Извлечение Признаков 11
4.1 Преобразование Фурье 11
4.2 Мел-Кепстральные Коэффициенты 13
4.3 Вейвлет-Преобразование 15
5 Метрики Точности Классификации 20
5.1 Матрица Ошибок 20
5.2 Метрики Accuracy, Precision, Recall И F-Мера 21
5.3 Кросс-Валидация 23
6 Построение Моделей Машинного Обучения 25
6.1 Метод K-Ближайших Соседей 25
6.2 Логистическая Регрессия 27
6.3 Градиентный Бустинг 32
6.4 Метод Опорных Векторов 35
6.5 Искусственная Нейронная Сеть 43
6.6 Сверточные Нейронные Сети 46
6.7 Подбор Гиперпараметров 47
7 Результаты Работы Алгоритма 49
Заключение 51
Список Использованной Литературы 52
Приложение А Параметры Линейной Регрессии 54
Приложение Б Параметры Метода Опорных Векторов 55
Приложение В Параметры Метода Градиентного Бустинга 57
Приложение Г Параметры Метода К-Ближайших Соседей
1 Постановка Задачи 7
2 Создание Базы Данных 8
3 Методика Детектирования 9
4 Извлечение Признаков 11
4.1 Преобразование Фурье 11
4.2 Мел-Кепстральные Коэффициенты 13
4.3 Вейвлет-Преобразование 15
5 Метрики Точности Классификации 20
5.1 Матрица Ошибок 20
5.2 Метрики Accuracy, Precision, Recall И F-Мера 21
5.3 Кросс-Валидация 23
6 Построение Моделей Машинного Обучения 25
6.1 Метод K-Ближайших Соседей 25
6.2 Логистическая Регрессия 27
6.3 Градиентный Бустинг 32
6.4 Метод Опорных Векторов 35
6.5 Искусственная Нейронная Сеть 43
6.6 Сверточные Нейронные Сети 46
6.7 Подбор Гиперпараметров 47
7 Результаты Работы Алгоритма 49
Заключение 51
Список Использованной Литературы 52
Приложение А Параметры Линейной Регрессии 54
Приложение Б Параметры Метода Опорных Векторов 55
Приложение В Параметры Метода Градиентного Бустинга 57
Приложение Г Параметры Метода К-Ближайших Соседей
📖 Введение
Исследование применимости методов машинного обучения является важной областью в эпоху цифровизации. В наши дни с развитием информационных технологий, которые помогают собирать и эффективно анализировать большие массивы данных появляются задачи по применению этих ресурсов. Одна из таких задач - детектирование и классификация аудиособытий. Данная технология позволит создавать новые устройства интернета вещей, которые будут решать широкий спектр задач.
Новые подходы машинного обучения дают возможность для реализации стека проблем, связанных с неточностью и неопределенностью в больших и сложных пространствах поиска. Большой прорыв в последнее время произошел в области анализа изображений. Такие крупные компании как Google и Facebook уделяют большое внимание данной области.
Живой организм производит множество звуковых сигналов. Эти аудиосигналы можно использовать для лучшего понимания состояния животного. Невербальные звуковые сигналы, к которым относятся звуки сердцебиения, дыхания почти неуловимы и в некоторых случаях неслышны. Эффективный способ захвата аудиосигналов может осуществляться с помощью закрепленного на шее устройства, оснащенного микрофоном. С помощью акустического микрофона можно осуществлять мониторинг сердечного ритма, дыхания и активности животного, который позволит извлечь информацию о событиях, происходящих как внутри организма, так и в окружающей среде.
На фоне успеха классификации изображений возникает вопрос о применении подобных решений в области обработки временных рядов таких как звук. Проблема классификации аудио сигналов была затронута научным сообществом в различных исследованиях, которые посвящены таким областям, как обучаемое вейвлет-подобное преобразование [1], аугментация данных классификации звуков среды [2], обучение и анализ глубоких рекуррентных нейронных сетей [3], распознавание акустических событий с использованием глубоких нейронных сетей [4], классификация звуковых сцен с глубокой рекуррентной нейронной сетью [5] , классификация звуков среды с помощью сверточных нейронных сетей [6].
В начале данной работе будет рассмотрено формирование базы данных, анализ исследуемого сигнала, методика детектирования, а также способы выделения признаков. Далее описаны методы сравнения алгоритмов классификации и используемые в данной работе модели машинного обучения. В заключении рассмотрены результаты параметрического исследования.
Новые подходы машинного обучения дают возможность для реализации стека проблем, связанных с неточностью и неопределенностью в больших и сложных пространствах поиска. Большой прорыв в последнее время произошел в области анализа изображений. Такие крупные компании как Google и Facebook уделяют большое внимание данной области.
Живой организм производит множество звуковых сигналов. Эти аудиосигналы можно использовать для лучшего понимания состояния животного. Невербальные звуковые сигналы, к которым относятся звуки сердцебиения, дыхания почти неуловимы и в некоторых случаях неслышны. Эффективный способ захвата аудиосигналов может осуществляться с помощью закрепленного на шее устройства, оснащенного микрофоном. С помощью акустического микрофона можно осуществлять мониторинг сердечного ритма, дыхания и активности животного, который позволит извлечь информацию о событиях, происходящих как внутри организма, так и в окружающей среде.
На фоне успеха классификации изображений возникает вопрос о применении подобных решений в области обработки временных рядов таких как звук. Проблема классификации аудио сигналов была затронута научным сообществом в различных исследованиях, которые посвящены таким областям, как обучаемое вейвлет-подобное преобразование [1], аугментация данных классификации звуков среды [2], обучение и анализ глубоких рекуррентных нейронных сетей [3], распознавание акустических событий с использованием глубоких нейронных сетей [4], классификация звуковых сцен с глубокой рекуррентной нейронной сетью [5] , классификация звуков среды с помощью сверточных нейронных сетей [6].
В начале данной работе будет рассмотрено формирование базы данных, анализ исследуемого сигнала, методика детектирования, а также способы выделения признаков. Далее описаны методы сравнения алгоритмов классификации и используемые в данной работе модели машинного обучения. В заключении рассмотрены результаты параметрического исследования.
✅ Заключение
Задача о классификации и детектировании аудиособытий является сложной комплексной задачей. Была рассмотрена теоретическая часть и существующие решения в данной предметной области. Проведен анализ существующих методов и средств для выявления значимых признаков во входящем сигнале и классификации построенных на их основе акустических моделей. Были подробно изучены функциональные возможности языка Python и подключаемых к нему модулей и библиотек.
В ходе выполнения работы были собраны, проанализированные и размечены данные для обучения и тестирования моделей. Выявлен наилучший способ выделения признаков. Разработан алгоритм детектирования звука сердцебиения с помощью кадрирования аудиодорожки и последующей классификации кадров. Составлен методы подбора гиперпараметров и сравнения моделей. Были обучены различные модели. Проанализировано качество распознавания с помощью различных оценок эффективности работы.
Наилучшую эффективность показал сверточные нейронные сети, но при этом скорость классификации занимает много времени. Быстрая обработка кадров потребуется при создании системы детектирования реального времени. Для лучшего результата можно комбинировать несколько моделей.
В ходе выполнения работы были собраны, проанализированные и размечены данные для обучения и тестирования моделей. Выявлен наилучший способ выделения признаков. Разработан алгоритм детектирования звука сердцебиения с помощью кадрирования аудиодорожки и последующей классификации кадров. Составлен методы подбора гиперпараметров и сравнения моделей. Были обучены различные модели. Проанализировано качество распознавания с помощью различных оценок эффективности работы.
Наилучшую эффективность показал сверточные нейронные сети, но при этом скорость классификации занимает много времени. Быстрая обработка кадров потребуется при создании системы детектирования реального времени. Для лучшего результата можно комбинировать несколько моделей.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.