基于音频信号的饥饿胃检测的最优特征选择和深度学习研究( Development of Optimal Feature Selection and Deep Learning Toward Hungry Stomach Detection Using Audio Signals )

A Maria AS Jeyaseelan

关于饥饿的胃向身体传递信号的过程被称为迁移复合运动(MMC)过程。肠胃被认为是用来感知体内食物的不可用性的。因此，存在于胃壁的受体产生电活动波并激活饥饿感。通常，音频信号处理算法包括信号分析、属性提取和行为预测，识别信号中可用的模式，以及预测特定信号如何与各种相同信号相关。这里的主要挑战是要考虑从胃中产生的音频信号，以识别很好地描述饥饿的咆哮声。本文的主要目的是开发一个基于深度学习概念的智能模型，通过手机综合采集的音频信号来识别饥饿的胃。这使得社会通过智能技术的方式到达饥饿的胃。提出的检测模型覆盖了自动饥饿胃检测的不同阶段。通过使用移动电话收集信息来执行数据采集。此外，利用中值滤波和平滑方法对信号进行预处理。为了进行正确的分类,提取了谱质心、谱滚降、谱偏度、谱峰度、谱斜率、谱峰因子和谱通量等谱特征,以及梅尔频率倒谱系数(MFCCs)、线性预测倒谱系数(LPCCCs)、感知线性预测(PLP)倒谱系数、Greenwood函数倒谱系数(GFCC)和伽玛通倒谱系数(GTCCs)等倒谱系域特征。在此基础上，采用改进的最优和最差位置更新猎鹿优化算法（BWP-DHOA）进行最优特征选择。采用改进的深度学习模型优化递归神经网络(RNN)将音频信号的最优特征分类为咆哮声和打嗝声。最后，通过与现有模型的性能比较，验证了该模型的有效性和可靠性。

SciDown文献求助系统（解决99%问题） Public Download Springer