تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,952,981 |
تعداد دریافت فایل اصل مقاله | 15,623,886 |
استخراج نقشههای برجستگی وزندار در مدلسازی توجه پایین به بالای شنوایی | ||
پردازش سیگنال پیشرفته | ||
مقاله 8، دوره 4، شماره 1 - شماره پیاپی 5، مرداد 1399، صفحه 83-94 اصل مقاله (1.26 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jasp.2020.13307 | ||
نویسندگان | ||
مسعود گراوانچی زاده* 1؛ سپیده اختری خسروشاهی2؛ سحر ذاکری2 | ||
1دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز | ||
2دانشگاه تبریز | ||
چکیده | ||
شنوایی یکی از قسمتهای مهم زندگی روزانه انسانها است. با وجود اینکه انسانها در معرض صداهای مختلف از منابع متفاوت قرار دارند و تعداد گیرندههای سیستم عصبی برای تجزیه و تحلیل این صداها محدود هستند، انسانها میتوانند مخلوطهای شنیداری پیچیده را به خوبی پردازش کنند. یکی از دلایل این توانایی انسان، پدیده توجه است. توجه شنوایی را میتوان به دو دسته توجه پایین به بالا و توجه بالا به پایین تقسیمبندی کرد. در این مقاله، مدلی برای شبیهسازی توجه پایین به بالا با استفاده از نقشههای برجستگی وزندار، در سیستم شنوایی ارائه شده است. دادگان به کار رفته در این پژوهش از ترکیب نویزهای پس زمینه مختلف با صوتهای موجود در پایگاه دادگان ESC به عنوان قسمتهای برجسته، در SNR های متفاوت بدست آمده است. برای ارزیابی مدل، از معیار میانگین خطا استفاده شده است که بصورت اختلاف زمانی بین نقطه برجسته واقعی و نقطه برجسته تشخیص داده شده توسط مدل تعریف میشود. ترکیب وزندار نقشههای آشکار حاصل از ویژگیها، با استفاده از الگوریتم ژنتیک، سبب شده است که مدل پیشنهادی با خطای متوسط 92/0 ثانیه عملکرد بهتری را نسبت به مدل پایه با خطای متوسط 91/1 ثانیه داشته باشد. | ||
کلیدواژهها | ||
مدلسازی شنوایی توجه؛ توجه پایین به بالا؛ نقشه برجستگی؛ الگوریتم ژنتیک | ||
مراجع | ||
[1] Desimone, J. Duncan, “Neural mechanisms of selective visual attention,” Annual Review of Neuroscience, vol. 18, no. 1, pp. 193-222, 1995. [2] M. Kaya, M. Elhilali, “Modelling auditory attention,” Philosophical Transactions of the Royal Society B: Biological Sciences, vol. 372, no. 1714, p. 20160101, 2017. [3] Koch, S. Ullman, “Shifts in selective visual attention: towards the underlying neural circuitry,” Matters of Intelligence: Springer, pp. 115-141, 1987. [4] Itti, C. Koch, E. Niebur, “A model of saliency-based visual attention for rapid scene analysis,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 11, pp. 1254-1259, 1998. [5] Kayser, C. I. Petkov, M. Lippert, N. K. Logothetis, “Mechanisms for allocating auditory attention: an auditory saliency map,” Current Biology, vol. 15, no. 21, pp. 1943-1947, 2005. [6] Kalinli, S. S. Narayanan, “A saliency-based auditory attention model with applications to unsupervised prominent syllable detection in speech,” Eighth Annual Conference of the International Speech Communication Association, Antwerp, Belgium, August, 2007. [7] Duangudom, D. V. Anderson, “Using auditory saliency to understand complex auditory scenes,” 15th European Signal Processing Conference, Poznan, Poland, pp. 1206-1210, September, 2007. [8] Wang, G. J. Brown, “Fundamentals of computational auditory scene analysis,” John Wiley and Sons, 2006. [9] Slaney, “Auditory toolbox,” Interval Research Corporation, Tech. Rep, vol. 10, 1998. Meddis, M. J. Hewitt, T. M. Shackleton, “Implementation details of a computation model of the inner hair‐cell auditory‐nerve synapse,” Journal of the Acoustical Society of America, vol. 87, no. 4, pp. 1813-1816, 199 Mehrotra, K. R. Namuduri, N. Ranganathan, “Gabor filter-based edge detection,” Pattern Recognition, vol. 25, no. 12, pp. 1479-1494, 1992. Whitley, “A genetic algorithm tutorial,” Statistics and Computing, vol. 4, no. 2, pp. 65-85, 1994. Font, G. Roma, X. Serra, “Freesound technical demo,” 21st ACM International Conference on Multimedia, Barcelona, Spain, pp. 411-412, October, 2013. J. Piczak, “ESC: Dataset for environmental sound classification,” 23rd ACM International Conference on Multimedia, Brisbane, Australia, pp. 1015-1018, 2015. Kalinli, Biologically inspired auditory attention models with applications in speech and audio processing, PhD thesis, University of Southern California, 2009. S. G. de Almeida, V. C. Leite, Particle Swarm Optimization: A Powerful Technique for Solving Engineering Problems, Swarm Intelligence-Recent Advances, New Perspectives and Applications: IntechOpen, 2019. Ghaemi, M.-R. Feizi-Derakhshi, “Forest optimization algorithm,” Expert Systems with Applications, vol. 41, no. 15, pp. 6676-6687, 2014. | ||
آمار تعداد مشاهده مقاله: 410 تعداد دریافت فایل اصل مقاله: 379 |