بازشناختی چندترازی درد جهت واکافت صدای گریه نوزاد با به کارگیری ویژگی‌های بُعد شکستال و رگرسیون منطقی با طبقه‌بند بیشینه محتمل

در تقابل با دیگر شیوه‌های آشکارسازی خودکار درد در نوزادان، تشخیص درد از طریق واکافت صدا برای درک وضعیت نوزاد چندان مورد توجه نبوده است. هر چند استخراج ویژگی های مناسب از صداهای نوزاد در زمان گریه کردن به نتایج مطلوب طبقه بندی منجر می‌شود، اما این مسئله مستلزم وجود دانش کافی در مورد ویژگی های به‌دست‌آمده و نیز انتخاب موثر صفات است. در این مقاله، چندین توصیف گر برای استخراج اطلاعات تفکیک‌پذیر در کنار رای‌گیری وزنی در انتخاب ویژگی پیشنهاد شده‌اند. هم‌چنین، شیوه بهبودیافته درست نمایی رگرسیون منطقی جهت طبقه بندی درد به‌کار گرفته شد. شیوه پیشنهادی توسط مجموعه ای از صداهای ضبط‌شده نوزادان مورد ارزیابی‌ قرارگرفت. با استفاده از انواع مختلفی از ویژگی ها، بازشناختی کلی معادل 96/6 درصد در طبقه بندی پنج تراز مختلف از حس درد رقم خورده است. نتایج حاکی از آن هستند که طبقه بندی بهینه‌سازی‌شده نسبت به راه کارهای مشابه از نظر دقت تشخیص دارای اثربخشی چشم‌گیری است. چالش هایی چون عدم قطعیت و بروز خطاهای طبقه بندی بالا که اغلب با اعمال داده های دیده نشده رخ می دهند، به‌دلیل توانایی انطباق پذیری شیوه پیشنهادی حل ‌شده‌اند. تجزیه‌ و تحلیل مقایسه ای نشان از این واقعیت دارد که بر مبنای شیوه پیشنهادی در ترکیب با و یژگی های ادراکی، پیشرفت چشم‌گیری در عملکرد تشخیص چندترازی حاصل شده است.

Multilevel pain recognition to analyze infant crying sound using fractal dimension features and logistic regression with a maximum likelihood classifier (Research Article)

In contrast to other automatic pain detection methods for infants, the diagnosis of pain through sound analysis to understand the infant #39;s condition has not received much attention. Although extracting appropriate features from infant sounds when crying leads to desirable classification results, this requires sufficient knowledge of the features acquired and an effective selection of attributes. In this paper, several descriptors are proposed for extracting discriminative information and weighting voting in feature selection. Also, the improved logistic regression method with maximum likelihood to classify the type of pain was employed. The proposed method was evaluated by an infants sound dataset. A total recognition of 96.6% has been achieved in classifying five different levels of pain sense using different types of features. The results indicate that the optimized classification is significantly more effective than similar solutions in terms of diagnostic accuracy. Challenges such as uncertainty and the high classification errors, which often occur with the application of unseen data, have been addressed due to the adaptation ability of the proposed method. The comparative analysis illustrates the fact that by using the suggested method combined with perceptual features, significant progress has been made in the performance of multilevel diagnosis.