تشخیص نوزادان دارای درد توسط شبکه عصبی خودسازمان یافته (SOM) با بیشینه سازی اطلاعات دوطرفه

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.