CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Bidirectional Neural Network for Pathological Voice Detection

اعتبار موردنیاز: ۰ | تعداد صفحات: ۴ | تعداد نمایش خلاصه: ۲۷۸ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: ICBME20_095
زبان مقاله: انگلیسی
فایل PDF حاوی متن کامل این مقاله در حال حاضر در سایت موجود نمی‌باشد.

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله منتشر نشده و درپایگاه سیویلیکا موجود نمی باشد.

منبع مقالات سیویلیکا دبیرخانه کنفرانسها است. برخی از دبیرخانه ها اقدام به انتشار اصل مقاله نمی نمایند. به منظور تکمیل بانک مقالات موجود، چکیده این مقالات در سایت درج می شوند ولی به دلیل عدم انتشار اصل مقاله، امکان ارائه آن وجود ندارد.

خرید و دانلود PDF مقاله

اصل مقاله (فول تکست) فوق منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد

مشخصات نویسندگان مقاله Bidirectional Neural Network for Pathological Voice Detection

Iman Esmaili - Biomedical Engineering Department Science & Research Branch, Islamic Azad University Tehran, Iran
Nader Jafarnia Dabanloo - Biomedical Engineering Department Science & Research Branch, Islamic Azad University Tehran, Iran
keyvan Maghooli - Biomedical Engineering Department Science & Research Branch, Islamic Azad University Tehran, Iran

چکیده مقاله:

We showed in our recent work that Bidirectional neural network (BNN) is a powerful tool for feature compensation in automatic speech recognition systems. In thispaper, we have introduced BNN as feature compensator for better discriminating of pathological voices from normal subjects. Mel-Frequency Cepstral Coefficients (MFCCs) wereextracted from each frame of sample voices and were compensated in two steps. First, BNN is trained with both normaland pathological feature vectors. Our hypothesis is that BNN can extract useful knowledge about the patterns of each class duringtraining step. In second step, MFCC feature vectors feed into BNN and compensate according to latent knowledge of BNN. In the last step , Compensated MFCCs are classified as pathological or normal by HMMs. We achieved 4.67%, 2.81% and 2.24% improvement in measures of specificity, accuracy and sensitivityby compensated feature vectors compared to the original feature vectors. Results corroborated our hypothesis about the ability ofBNN in compensation of feature vectors in a way that these features become more suitable for detection of pathological voices from normal ones.

کلیدواژه‌ها:

Bidirectional Neural Network, Pathological Voice Detection, Feature Compensation

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICBME20-ICBME20_095.html
کد COI مقاله: ICBME20_095

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Esmaili, Iman; Nader Jafarnia Dabanloo & keyvan Maghooli, ۱۳۹۲, Bidirectional Neural Network for Pathological Voice Detection, بیستمین کنفرانس مهندسی زیست پزشکی ایران, تهران, دانشگاه تهران, https://www.civilica.com/Paper-ICBME20-ICBME20_095.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Esmaili, Iman; Nader Jafarnia Dabanloo & keyvan Maghooli, ۱۳۹۲)
برای بار دوم به بعد: (Esmaili; Jafarnia Dabanloo & Maghooli, ۱۳۹۲)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.