XiaoMi-AI文件搜索系统
World File Search System哭声
评估卷积和循环神经网络在婴儿哭声识别中的抗噪性
摘要 — 可靠的婴儿哭声识别在婴儿护理和监护中起着至关重要的作用，但现实环境由于背景噪音对系统准确性构成了挑战。本研究提出了一种用于在不同噪音条件下识别婴儿哭声的新型 CNN 架构，该架构具有三个卷积层、一个最大池化层和 0.5 丢失集，并将其性能与标准 RNN 模型进行了比较。这些模型以 64 的批大小训练了 100 个时期，并在干净和嘈杂的环境中进行了评估。为了模拟真实场景，将录音转换成音频信号并受到不同程度的背景噪音的影响，特别是在不同的信噪比 (SNR) 下。结果表明，两种模型在无噪音条件下都实现了高精度 (>89%)。然而，在 10dB 噪音下，提出的 CNN 比 RNN 保持了更高的精度 (93%) 和总体准确率 (91%)，证明了其在婴儿哭声识别方面的卓越抗噪性。这种改进归功于 CNN 能够捕捉音频信号中的空间特征，这使其不易受到噪音干扰。这些发现有助于开发更可靠、更强大的婴儿哭声识别系统。
“我看到了我的人民的痛苦，听到了他们的哭声”
在过去两年的任务中，我们分享了难忘的时刻：一群妇女和她们的孩子所遭受的暴力所带来的痛苦，日复一日地转化为一种深切的同情和一种让她们的眼泪被听到的钢铁意志；于是，一本用双语（意大利语和法语）写成的小书诞生了，书名为《在女人的肚子里》，我们在书中收集了她们的一些证词，帮助她们将痛苦转化为希望的呐喊。