تاثیر طبقه‌بندی صدا توسط شبکه‌های عصبی در بازشناختن شنوایی انسان

در این مقاله، به دو موضوع اساسی: الف)‌‌ طبقه‌بندی صدا توسط شبکه‌های عصبی مصنوعی براساس شبه‌سنج‌های بسامد و شدت صدا، ب) ‌‌ارزیابی سلامت گوش انسان‌های مختلف در مقایسه با یک فرد سالم، پرداخته می‌شود. طبقه‌بندی صدا توسط یک شبکه عصبی پیش‌خور با دو ورودی به شکل بسامد و شدت صدا و دو لایه نهانی پیشنهاد شده است. این فرایند به مقوله‌بندی صداهای شنیداری و غیرشنیداری (خطرناک) برای فرد سالم می‌انجامد. در تشخیص گوش سالم، با داشتن شبه‌سنج‌های مربوطه، استفاده از روش یادگیری ماشین توسط شبکه‌های عصبی پیش‌خور و انتگرال‌گیری عددی سیمپسون و ذوزنقه‌ای، آستانه‌ها‌ی شنوایی و دردناکی گوش فرد بیمار در قیاس با گوش سالم ارزیابی می‌شود. نتایج عددی و نمودارهای منقوش بیانگر این واقعیت هستند که روش ارائه‌شده در این تحقیق قادر است تا با شبیه‌سازی ریاضی بدون نیاز به دانش اضافی پزشکی، سلامت گوش یک فرد را بازشناسی کند.

Effect of sound classification by neural networks in the recognition of human hearing (Research Article)

In this paper, we focus on two basic issues: (a) the classification of sound by neural networks based on frequency and sound intensity parameters (b) evaluating the health of different human ears as compared to of those a healthy person. Sound classification by a specific feed forward neural network with two inputs as frequency and sound intensity and two hidden layers is proposed. This process results in categorization of audible and nonaudible ( dangerous ) sounds for a healthy person. In the diagnosis of healthy ear, having the relevant parameters, using the method of machine learning by feed forward neural networks, and simpson and trapezoidal numerical integration rules, the hearing and pain thresholds of the patientchr('39')s ear are evaluated in comparision with healthy ear. Numerical results and depicted graphs represent the fact that the method presented in this study is able to recognize an individualchr('39')s ear with mathematical simulation without too much knowledge of medical parameters.