成人对婴儿哭声的反应及其脑机制

哭泣是婴儿最显著的信号行为。婴儿哭声的独特性以及成人对婴儿哭声反应的独特性(包括生理反应、行为反应和感知反应)是婴儿与成人之间信息交流的基础。成人加工婴儿哭声的神经机制主要是丘脑扣带回环路(thalamocingulate circuit),其次还包括与共情、动机、社会依恋等认知活动相关的脑区。此外成人对婴儿哭声的反应还存在显著的个体差异。未来的研究可以运用核磁共振技术以及脑电技术进一步揭示成人对婴儿哭声反应的脑神经机制,并从个体差异入手,探求母爱与婴儿哭声之间的关系。

基于矢量量化的婴儿哭声识别算法

基于嵌入式微处理器的智能婴儿摇篮的功能需求,本文提出了一种针对婴儿哭声的语音识别算法。语音特征参数使用目前最广泛采用的MFCC参数,使用最大欧氏距离划分初始样本,使用LBG算法不断迭代优化得到最终码本。在婴儿哭声的识别阶段,提取待识别语音的MFCC特征参数与已有码本计算矢量量化误差,若矢量量化误差两次低于判断值,输出判别为婴儿哭声的结果。

基于树莓派的婴儿哭声监测系统设计与实现

针对目前很多上班族家庭父母自己带小孩,在小孩睡觉的时候需要短时间离开(买菜等),担心小孩中途清醒,文章利用物联网比较流行的树莓派模块,结合计算机技术、电子技术,设计并实现了一个婴儿哭声监测系统,通过此系统,很方便地实现对婴儿哭声状态的监控和互动。

一种婴儿哭声识别优化算法的研究

针对现有婴儿哭声识别方法在噪声环境下和不同婴儿间鲁棒性不足的问题,提出一种婴儿哭声识别的优化算法。利用子带谱熵法端点确定婴儿哭声信号的有效区间,增强算法在噪声环境下的鲁棒性;从有效哭声信号中提取平滑Mel频率倒谱系数(SMFCC)作为特征参数;基于SMFCC构建婴儿哭声模板,增强算法在不同婴儿间的鲁棒性;使用动态时间规整算法(DTW)计算哭声信号与模板的距离,得到识别结果。实验表明:在具有噪声的婴儿哭声测试集中,哭声识别准确率均达到72%以上,该方案在噪声环境下和不同婴儿个体的哭声识别中表现出较强的鲁棒性。

基于声波特征提取的婴儿哭声分类算法研究

婴儿利用哭声向外界传达信号,不开心会用哭声来表达,很多新手妈妈不能特别准确地理解婴儿想要表达的情绪。通过提取不同婴儿不同时刻的哭声,利用计算机技术优化算法,增强婴儿在噪声环境下的鲁棒性,因为婴儿所处的环境并不是绝对安静的,会有噪音的产生,环境中所产生的噪音在一定程度上会影响婴儿哭声的识别率。所以,对于提高婴儿在不同需求发出信号的鲁棒性才是需要解决的问题。通过计算机系统,优化数据算法研究婴儿哭声的情绪问题,就能够在一定程度上提升家庭的幸福感。

基于Vision Transformer和迁移学习的家庭领域哭声识别

针对SVM等传统机器学习算法准确率低和当前使用CNN处理家庭领域哭声识别在不同婴儿间出现泛化能力差的问题,提出了一种基于Vision Transformer和迁移学习的婴儿哭声音频分类算法。首先,为实现数据集样本的扩增,采用了包括梅尔频谱转换和数据增强的数据预处理技术,进而达到了增强模型鲁棒性的目的。而后,在微调后的Vision Transformer模型上进行迁移学习训练,同时,训练过程中利用了LookAhead优化器来不断调整模型参数以避免过拟合,最终实验实现了对婴儿哭声音频的自动分类。实验结果表明,本实验模型相比其他深度学习模型具有更高的精确率和更快的收敛速度,同时还能有效地学习到婴儿哭声中更具区分性的特征。可以在新生儿监护、听力筛查和异常检测等领域中发挥重要作用。

婴儿监护系统中哭声检测模块设计与实现

针对目前婴儿自动化监护系统中需要对婴儿哭声的进行智能检测,本文根据婴儿哭声的频率特征,设计了婴儿哭声检测电路,该电路包括信号的输入、放大、滤波、整形和定时。经过仿真测试,该电路能很好的检测婴儿哭声,具有重要的实际意义。

基于CiteSpace国内婴儿哭声研究领域的知识图谱分析

目的 分析国内婴儿哭声研究领域的现状,探索该领域国内研究热点,旨在为婴儿哭声领域科研工作提供一定思路和依据。方法 检索CNKI建库至2021年12月期间所收录的婴儿哭声相关研究文献,运用CiteSpace软件对纳入文献从发文量、作者、机构、关键词、突现5个方面进行可视化分析。结果 共纳入190篇文献,1980—2021年间该领域发文量整体呈上升趋势;研究作者较少,作者间合作网络尚未形成;研究机构之间交互性差,发文量最多的是杭州医学院及其附属医院;“护理干预”、“哭声信息识别”、“深度学习”为该领域研究热点;“护理”、“新生儿”、“婴儿哭声”、“深度学习”为该领域研究前沿;研究趋势由新生儿病理性哭声研究转向婴儿哭声针对性干预、深度学习。结论 国内婴儿哭声领域受到更多重视,未来应强化作者和机构间的合作交流,融合多学科发展,扩大研究范围,可从婴儿情感需求分析、智能医学与监护、新型护理干预方法等方面着手,加速国内婴儿哭声研究进程。

残差网络在婴幼儿哭声识别中的应用

该文使用语谱图结合残差网络的深度学习模型进行婴幼儿哭声的识别,使用婴幼儿哭声与非哭声样本比例均衡的语料库,经过五折交叉验证,与支持向量机(SVM),卷积神经网络(CNN),基于Gammatone滤波器的听觉谱残差网络(GT-Resnet)3种模型相比,基于语谱图的残差网络取得了最优结果,F1-score达到0.9965,满足实时性要求,证明了语谱图在婴幼儿哭声识别任务中能直观地反映声学特征,基于语谱图的残差网络是解决婴幼儿哭声识别任务的优秀方法。

基于音频监控的婴儿智能监护系统设计

为解决目前婴儿智能监护产品对婴儿哭声识别不准确的问题,设计了能准确识别婴儿哭声的婴儿智能监护系统;使用RT5350芯片作为处理器,使用PAP7501芯片实现对视频信号和音频信号的采集;对系统移植了Linux内核,使用多线程编程技术编写了应用程序;通过提取梅尔频率倒谱系数作为特征参数,使用动态时间规整算法作为识别算法,实现了对婴儿哭声的准确识别;该系统可以与云服务器通信,实现婴儿哭声报警功能;该系统可以与用户的终端设备通信,实现视频数据和音频数据的传输;该智能监护系统极大地方便了用户对婴儿的监护。

基于嵌入式系统的婴儿哭啼监测器

为了缓解许多家长“带孩难”的困扰,本文设计了一个基于嵌入式的婴儿哭啼监测系统。该系统用树莓派嵌入式微系统作为中控处理器,搭载音频采集器和蜂鸣报警器等外部设备,通过提取梅尔频率倒谱系数、过零率等特征参数,利用SVM算法实现对婴儿哭声的识别,并将结果通过无线传输功能发送到家长的终端设备。实验结果表明,该系统实现了对婴儿哭啼的有效监测,并具有良好的性能。