عنوان پایان‌نامه
تشخیص بیماری آتیسم در کودکان ۶تا۱۸ ماهه با استفاده از ویژگیهای صدا
- رشته تحصیلی
- مهندسی کامپیوتر-هوش مصنوعی- رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2367;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61526
- تاریخ دفاع
- ۱۹ شهریور ۱۳۹۲
- دانشجو
- سیدحمیدرضا ابراهیمی مطلق
- استاد راهنما
- منوچهر مرادی سبزوار
- چکیده
- در این پژوهش به بررسی تفاوت های ویژگی های گفتاری پیش کلامی کودکان مبتلا به اتیسم و سایر کودکان و نقش این تفاوت ها در تشخیص زودهنگام بیماری پرداخته ایم. یکی از شاخصه های این بیماری که در سنین پایین نیز در کودکان اتیستیک گزارش شده است، وجود صداها و جیغ های کشیده و یکنواخت منحصر به این گروه می باشد. برای بررسی کامل و جامع خصوصیات صدای کودکان، مجموعه ای از 237 ویژگی مختلف که در هشت دسته ی جداگانه دسته بندی میشوند استخراج میشود. برای پیاده سازی یک طبقه بندی کننده ی کارآمد که قادر به جداسازی صدای کودکان مبتلا به اتیسم از سایر کودکان باشد، نیاز داریم تا با کمک روشهای انتخاب ویژگی، ویژگی هایی را که در دو دسته مقادیر مشابه پذیرفته و جداپذیری زیادی ایجاد نمی کنند، حذف نماییم. با توجه به سختی جمع آوری داده ی صوتی مناسب از کودکان در سنین کمتر از 4 سال، کاهش ابعاد بردار ویژگی به جلوگیری از پارامترزدگی کمک خواهد کرد. مقایسه ی سه روش انتخاب ویژگی نشان می دهد که ویژگی های ادراکی در کنار ویژگی های MFCC، بهترین ویژگی ها برای جداسازی داده های جمع آوری شده می باشند. همچنین برای طبقه بندی داده ها از سه روش گوناگون استفاده شده که هر یک نقاط ضعف و قوت متفاوتی دارند. طراحی و مقداردهی پارامترهای این طبقه بندی کننده ها روی داده های مربوط به 4 کودک سالم و 5 کودک مبتلا به بیماری و با استفاده از ویژگی های انتخاب شده صورت گرفته است و در بهترین طراحی منجر به نرخ طبقه بندی صحیح حدود 97 درصد می گردد.
- Abstract
- In this thesis, we have investigated the differences between the voice features of autistic children and the normal ones. Experts have reported that autistic children have smooth voices, long screams, and different voice strength compared to the normals one. Consequently a set of 237 features organized in 8 separate groups are extracted and used to analyzing children voice features. Implementation of an efficient classifier which can separate voices of autistic children and others one, need that features with less importance to be deleted. According to difficulty of accumulating proper data from children under 4 years old, decreasing the dimensions of feature vector may help us to avoid over parameterization. Comparing the three methods of feature selection shows that perceptual descriptors and MFCC ones are best features for classifying accumulated data. Also, we have used three methods of data classification with various properties. Designing and initialization of these classifiers has done over 5 autistic children and 4 normal ones by selected features and lead to CCR of about 97%. Keywords: detection of early autism, general sound descriptors, feature selection, S.V.M. classifier, decision tree
