Dec, 2023

ML-ASPA：机器学习基于声音信号处理分析的思考与应用

PDF
TL;DR这篇论文在声学信号处理领域，重点讨论声学数据、机器学习、深度学习、以及肠鸣声分析的技术和发展。
acoustic datamachine learningdeep learningacousticsbowel sound analysis
发现论文，激发创造
  • 声学中的机器学习：理论与应用

    机器学习的应用已经颠覆了传统的声学处理方法，主要是在语音处理、海洋声学、生物声学和环境声学等领域，通过大量训练数据自动挖掘数据之间的复杂关系，进而描述和预测人类和环境所发出的声音现象。

    May, 2019

  • 音频信号处理的深度学习

    该研究文章综述了当前音频信号处理领域中基于深度学习的技术，着重介绍了其在语音、音乐、环境声音处理中的相同点和差异，强调了其潜在的交叉互补性。文章介绍了主要的特征表示和深度学习模型，以及其在音频识别和合成分离领域的应用，并最终确定了深度学习在音频信号处理中的关键问题和未来研究方向。

    Apr, 2019

  • 信号处理与机器学习的交叉研究：基于应用案例分析方法

    近年来，感知、测量和计算技术的最新进展已大大扩展了基于信号的应用的潜力，利用信号处理和机器学习之间的协同作用来提高性能和可靠性。本文研究了信号处理和机器学习之间的知识缺口，并针对特征提取技术进行了综述和分类，提出了两种应用场景。

    Mar, 2024

  • 工业机器故障诊断的深度神经网络声音信号分析

    设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

    Dec, 2023

  • 机器学习中的语音信号处理：说话人隔离案例

    通过对傅里叶变换和小波变换等信号分解方法的简洁比较分析，讨论了衡量语音可懂度的指标，并提供了数学定义和直观解释，以帮助机器学习工程师在选择、调整和评估特定机器学习模型的分解方法时做出明智决策。

    Mar, 2024

  • L3DAS21 Challenge: 机器学习用于 3D 声音信号处理

    L3DAS21 挑战是鼓励和促进关于 3D 音频信号处理的机器学习合作研究，特别关注于 3D 语音增强（SE）和 3D 声音定位和检测（SELD）。此挑战提供了一个 65 小时的 3D 音频数据集和用于数据使用和提交结果的 Python API。本报告旨在提供参加 L3DAS21 挑战所需的所有信息，包括 L3DAS21 数据集的详细信息，挑战任务和基线模型。

    Apr, 2021

  • 基于先进信号处理与机器学习的音频呼吸疾病分类及辅助诊断支持

    利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。

    Sep, 2023

  • 探索传统机器学习技术用于病理听诊识别

    利用机器学习辨别正常和异常肺部吸气声，采用窗口和特征聚合策略，使用数据进行建模并进行决策融合，得出平均 ROC 曲线下面积为 0.691 的监督模型。

    Sep, 2022

  • 演讲处理中的深度表示学习：挑战、最新进展和未来趋势

    本文介绍了语音表征学习的不同技术的最新综述，将分散的研究汇集到了自动语音识别、说话人识别和说话人情感识别三个研究领域中，并弥补了以前综述中没有涉及语音表征学习的空白。

    Jan, 2020

  • 利用人工智能辅助策略优化标注预算的野外录音数据集创建实务方面的问题

    机器听觉的研究聚焦于开发从音频信号中提取相关信息的技术，本文强调了在获取和标注具有上下文的数据方面的重要性，提出了一种综合的数据中心框架用于机器听觉项目，在资源受限的情况下实现配置录音节点、数据库结构和标注预算优化，通过使用专家标注员而非众包实现主动学习，以解决处理大规模、不断增长的数据集带来的计算资源和内存限制等问题。

    May, 2024