تشخیص نوزادان دارای درد توسط شبکه عصبی خودسازمان یافته (SOM) با بیشینه سازی اطلاعات دوطرفه
محل انتشار: شانزدهمین کنفرانس مهندسی پزشکی ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,134
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICBME16_034
تاریخ نمایه سازی: 11 تیر 1388
چکیده مقاله:
در این مقاله با بهبود الگوریتم SOM استاندارد توسط بیشینه سازی اطلاعات دوطرفه، نوزادان سالم از نوزادان دارای احساس درد با استخراج ویژگیهای صوتی از سیگنالهای گریه نوزاد، تفکیک می شوند. شبکه های SOM استاندارد از معیار «برنده همه را می گیرد» استفاده می نماید. اما در SOM بهبود یافته رقابت توسط بیشینه سازی اطلاعات دوطرفه بین الگوهای ورودی و واحدهای رقابتی تحقق می یابد. خروجی واحدهای رقابتی توسط تابع گوسی فاصلۀ بین الگوهای ورودی و واحدهای رقابتی محاسبه می شود. ویژگی این تابع گوسی این است که وقتی فاصله کوچکتر می شود یک نرون به فعال شدن شدید گرایش می یابد. مشارکت نیز توسط شمارش نرخ آتش نرونهای همسایه تحقق می یابد گریه نوزاد یک رفتار چندوجهی و پویا است که برخلاف ظاهر بی نظم خود دارای اطلاعات زیادی در سیگنال صوتی خود می باشد ضرایب کپسترال فرکانسی مل (MFCC) بعنوان بردار ویژگی صوتی مربوط به نوزاد سالم و نوزاد دارای درد از روی سیگنال صوتی گریه نوزاد استخراج می شود. با طبقه بندی گریه نوزادان دارای درد و نوزادان سالم، نشان می دهیم که بیشینه سازی اطلاعات دوطرفه می تواند بهمراه فرایند مشارکت، SOMهای واضحتری ایجاد کند، چون بطور متوسط واحدهای رقابتی مجبور به استفاده به میزان مساوی می شوند.
کلیدواژه ها:
نویسندگان
محمود منصوری جم
دانشگاه شاهد دانشکده فنی و مهندسی
حامد ساجدی
دانشگاه شاهد، دانشکده فنی و مهندسی
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :