Machine Translated by Google

Systèmes  experts  avec  applications  39  (2012)  9515–9523

Listes  de  contenu  disponibles  sur  SciVerse  ScienceDirect

Systèmes  experts  avec  applications
page  d'accueil  de  la  revue :  www.elsevier.com/locate/eswa

Classification  des  cris  du  nourrisson  pour  identifier  l'asphyxie  à  l'aide  d'une  analyse  temps­fréquence  
et  de  réseaux  de  neurones  à  base  radiale
b  
M.  Hariharan  a, Wan  Khairunizam , Sazali  Yaacob
un un un

 ,  J.  Saraswathy , R.  Sindhu ,
un
École  d'ingénierie  mécatronique,  Universiti  Malaysia  Perlis  (UniMAP),  02600  Perlis,  Malaisie
b
École  de  génie  microélectronique,  Universiti  Malaysia  Perlis  (UniMAP),  02600  Perlis,  Malaisie

informations  sur  l'article abstrait

Mots  clés: Un  cri  est  la  première  communication  verbale  des  nourrissons  et  il  est  décrit  comme  un  son  fort  et  aigu  émis  par  les  nourrissons  en  
Cri  du  nourrisson réponse  à  certaines  situations.  Les  signaux  de  cri  du  nourrisson  peuvent  être  utilisés  pour  identifier  l'état  physique  ou  psychologique  
Extraction  de  caractéristiques
d'un  nourrisson.  Récemment,  l'analyse  acoustique  du  signal  de  cri  du  nourrisson  a  montré  des  résultats  prometteurs  et  s'est  avérée  
Transformée  de  Fourier  à  court  terme
être  un  excellent  outil  pour  étudier  l'état  pathologique  d'un  nourrisson.  Cet  article  propose  une  analyse  temps­fréquence  basée  sur  
PNN  et  GRNN
la  transformée  de  Fourier  à  court  terme  (STFT)  des  signaux  de  pleurs  du  nourrisson.  Peu  de  caractéristiques  statistiques  sont  
dérivées  du  tracé  temps­fréquence  des  signaux  de  pleurs  du  nourrisson  et  utilisées  comme  caractéristiques  pour  quantifier  les  
signaux  de  pleurs  du  nourrisson.  Deux  types  de  réseaux  neuronaux  à  base  radiale  tels  que  le  réseau  neuronal  probabiliste  (PNN)  
et  le  réseau  neuronal  de  régression  générale  sont  utilisés  comme  classificateurs  pour  discriminer  les  signaux  de  pleurs  du  
nourrisson.  Deux  classes  de  signaux  de  pleurs  infantiles  sont  considérées,  telles  que  les  signaux  de  pleurs  normaux  et  les  signaux  
de  pleurs  pathologiques  des  nourrissons  asphyxiques.  À  des  fins  de  comparaison,  les  fonctionnalités  proposées  sont  également  
testées  à  l'aide  de  deux  modèles  de  réseaux  de  neurones  tels  que  le  Perceptron  multicouche  (MLP)  et  le  Réseau  de  neurones  à  
retard  temporel  (TDNN)  entraînés  par  un  algorithme  de  gradient  conjugué  mis  à  l'échelle.  Les  résultats  expérimentaux  montrent  que  
le  PNN  et  le  GRNN  donnent  une  précision  de  classification  très  prometteuse  par  rapport  au  MLP  et  au  TDNN  et  que  les  méthodes  
proposées  peuvent  classer  efficacement  les  cris  normaux  et  pathologiques  des  nourrissons  souffrant  d'asphyxie.
2012  Elsevier  Ltd.  Tous  droits  réservés.

1.  Introduction Puebla,  2009;  Reyes­Galaviz  &  Reyes­Garcia,  2004 ;  Reyes­Galaviz,  
Verduzco,  Arch­Tirado  et  Reyes­García,  2005 ;  Varallyay,  2007 ;  Várallyay,  
Le  cri  du  nourrisson  est  défini  comme  un  son  fort  et  aigu  émis  par  le   Benyó,  Illényi,  Farkas,  &  Kovács,  2004 ;  Wasz­Hockert  et  al.,  1968).  Au  
nourrisson  en  réponse  à  certaines  situations  et  il  s'agit  de  la  première   cours  des  dernières  années,  des  techniques  simples  ont  été  proposées  
communication  verbale  du  nourrisson.  Cry  est  de  nature  multimodale  et  dynamique. pour  analyser  le  cri  du  nourrisson  à  travers  le  codage  de  prédiction  linéaire,  
La  détection  de  l'état  pathologique  des  bébés  à  l'aide  des  méthodes   les  coefficients  cepstraux  de  fréquence  Mel,  les  informations  de  hauteur,  
conventionnelles  prend  plusieurs  mois  voire  des  années  après  la  naissance   l'analyse  harmonique  et  l'analyse  du  bruit  (Barajas­Montiel  &  Reyes­García,  
du  nourrisson.  Il  est  nécessaire  de  détecter  l'état  pathologique  plus  tôt  pour   2006;  Cano  et  al.,  1995) . ,  2006;  Escobedo  et  al.,  2001;  Garcia  &  Reyes  
éviter  des  traitements  et  des  thérapies  inutiles.  Les  pleurs  des  nourrissons   García,  2003a,  2003b;  Manfredi  et  al.,  2006;  Petroni  et  al.,  1995;  Reyes  
sont  dus  à  certaines  raisons  possibles  telles  que  la  faim,  la  douleur,  la   Galaviz,  Arch  Tirado,  &  Reyes  Garcia,  2004;  Reyes  Galaviz  &  Reyes  
somnolence,  l'inconfort,  la  sensation  d'avoir  trop  chaud  ou  trop  froid  et  trop   Garcia ,  2004 ;  Reyes­Galaviz  et  al.,  2005,  2009 ;  Várallyay,  2007 ;  Várallyay  
de  bruit  ou  de  lumière.  Dès  le  cri,  un  professionnel  qualifié  tel  qu'un  pédiatre   et  al.,  2004 ;  Wasz­Hockert  et  al.,  1968).  Différents  algorithmes  de  
et  une  infirmière  pédiatrique  peut  comprendre  l'état  physique  ou   classification  et  systèmes  hybrides  ont  été  utilisés  pour  la  classification  des  
psychologique  du  bébé.  L'analyse  acoustique  du  signal  de  cri  du  nourrisson   pleurs  du  nourrisson  (Barajas­Montiel  &  Reyes­García,  2006 ;  Cano  et  al.,  
est  un  outil  non  invasif  pour  la  détection  de  certaines  conditions   1995,  2006 ;  Escobedo  et  al.,  2001 ;  Garcia  &  Reyes  García,  2003a,  2003b ;  
pathologiques  (Barajas  Montiel  &  Reyes­García,  2006;  Cano,  Suaste­Rivas,   Manfredi  et  al.,  2006;  Petroni  et  al.,  1995;  Reyes  Galaviz  et  al.,  2004;  Reyes­
Escobedo,  Reyes­Garcia,  &  Ekkel,  2006;  Cano  et  al. ,  1995 ;  Escobedo,   Galaviz  &  Reyes­Garcia,  2004;  Reyes­Galaviz  et  al.,  2005,  2009;  Várallyay,  
Cano,  Coello,  Regueiferos  et  Capdevila,  2001 ;  Garcia  et  Reyes  García,   2007;  Várallyay  et  al. ,  2004 ;  Wasz­Hockert  et  al.,  1968).  Le  cri  du  
2003a,  2003b ;  Manfredi,  Tocchioni  et  Bocchi,  2006 ;  Petroni,  Malowany,   nourrisson  est  un  signal  hautement  non  stationnaire ;  La  transformée  de  
Johnston  et  Stevens,  1995 ;  Reyes  Galaviz  et  Reyes  Garcia ,  2004 ;  Reyes­ Fourier  n'est  pas  un  outil  très  utile  pour  analyser  les  signaux  non  stationnaires  
Galaviz,  Cano­Ortiz,  Reyes­Garcia,  et  Electronica,  & car  les  informations  du  domaine  temporel  sont  perdues  lors  de  l'exécution  
de  la  transformation  de  fréquence.  Lorsque  l'on  regarde  une  transformée  
de  Fourier  d'un  signal,  il  est  impossible  de  dire  quand  un  événement  
  Auteur  correspondant.  Tél. :  +60  49798419 ;  télécopie :  +60  49885167.
particulier  a  eu  lieu.  Afin  de  surmonter  les  inconvénients  de  la  technique  de  
Adresse  e­mail :  hari@unimap.edu.my  (M.  Hariharan). transformée  de  Fourier,  l'analyse  temps­fréquence  a  été

0957­4174/$  ­  voir  couverture  2012  Elsevier  Ltd.  Tous  droits  réservés.  doi:10.1016/
j.eswa.2012.02.102
Machine Translated by Google

9516 M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523

proposé  par  les  chercheurs  car  c'est  un  bon  outil  pour  analyser  simultanément  les  signaux   cette  expérience,  nous  avons  pris  le  même  nombre  d'échantillons  pour  chaque  classe  340.  
de  pleurs  du  nourrisson  à  la  fois  sur  l'échelle  de  temps  et  de  fréquence  (Hariharan,  Sindhu   Les  signaux  de  cri  d'asphyxie  sont  enregistrés  à  partir  de  6  bébés  et  les  signaux  de  cri  
et  Yaacob,  2011c).  Peu  de  travaux  peuvent  être  trouvés  dans  la  littérature  utilisant  l'analyse   normaux  sont  enregistrés  à  partir  de  5  bébés.  La  fréquence  d'échantillonnage  des  signaux  
temps­fréquence  pour  la  reconnaissance  du  signal  de  cri  du  nourrisson  (Cano  et  al.,  1995 ;   de  pleurs  du  nourrisson  est  fixée  à  8000  Hz  pour  notre  analyse.
Escobedo  et  al.,  2001 ;  Manfredi  et  al.,  2006 ;  Petroni  et  al.,  1995 ;  Várallyay,  2007 ;  Wasz­ Tous  les  signaux  de  pleurs  du  nourrisson  sont  soumis  à  une  extraction  de  caractéristiques  
Hockert  et  al.,  1968).  Mais,  l'interprétation  de  l'analyse  temps­fréquence  est  différente.   via  STFT.  Le  signal  de  cri  du  nourrisson  enregistré  chez  un  bébé  normal  et  un  bébé  atteint  
Beaucoup  d'entre  eux  ont  utilisé  la  hauteur,  l'analyse  harmonique  et  l'analyse  du  bruit   d'asphyxie  est  représenté  sur  la  figure  1.
(Cano  et  al.,  1995 ;  Escobedo  et  al.,  2001 ;  Manfredi  et  al.,  2006 ;  Petroni  et  al.,  1995 ;  
Várallyay,  2007 ;  Wasz­Hockert  et  al.,  1968).  Cet  article  présente  le  développement  d'un   3.  Méthode
système  d'apprentissage  intelligent  pour  classer  les  cris  normaux  et  pathologiques  en  
utilisant  la  transformée  de  Fourier  à  court  terme  et  les  réseaux  de  neurones  à  base  radiale  
La  classification  des  cris  du  nourrisson  est  un  système  typique  de  reconnaissance  
(PNN  et  GRNN).  Les  chercheurs  ont  proposé  des  approches  pour  les  problèmes  de   de  formes  et  se  compose  de  deux  blocs :  traitement  du  signal  basé  sur  la  transformée  de  
domaine  à  deux  classes  (normal  ou  pathologique)  ou  à  plus  de  deux  classes  de  cris  du  
Fourier  à  court  terme  et  classification  utilisant  PNN,  GRNN,  MLP  et  TDNN.  Cette  section  
nourrisson  (signaux  de  cri  normaux  ou  pathologiques).  Le  tableau  1  présente  quelques­
décrit  brièvement  les  méthodes  d'extraction  et  de  classification  des  caractéristiques.
uns  des  travaux  significatifs  sur  la  classification  des  signaux  de  cri  normaux  et  pathologiques.

4.  Extraction  de  caractéristiques  à  l'aide  de  la  transformée  de  Fourier  à  court  terme  (STFT)

De  la  littérature,  il  a  été  observé  que  l'extraction  de  caractéristiques  joue  un  rôle  
important  dans  le  domaine  de  la  détection  automatique  des  cris  pathologiques.  Dans  cet   Le  cri  du  nourrisson  est  un  signal  dynamique  ou  non  stationnaire.  La  transformée  de  

article,  une  méthode  d'extraction  de  caractéristiques  utilisant  une  analyse  temps­fréquence   Fourier  n'est  pas  un  outil  très  utile  pour  analyser  les  signaux  non  stationnaires  car  les  

basée  sur  STFT  pour  dériver  des  caractéristiques  à  partir  de  signaux  de  pleurs  infantiles   informations  du  domaine  temporel  sont  perdues  lors  de  l'exécution  de  la  transformation  

et  des  réseaux  de  neurones  à  base  radiale  est  proposée  pour  discriminer  les  cris  normaux   de  fréquence.  Lorsque  l'on  regarde  une  transformée  de  Fourier  d'un  signal,  il  est  impossible  

et  pathologiques  (Asphyxie). de  dire  quand  un  événement  particulier  a  eu  lieu.

Deux  schémas  de  méthodes  de  validation  des  données  sont  utilisés  (validation   Afin  de  surmonter  les  inconvénients  de  l'approche  de  la  transformée  de  Fourier,  l'analyse  

conventionnelle­ConV  et  validation  croisée  10  fois­CrossV),  afin  de  tester  l'efficacité  des   temps­fréquence  a  été  proposée  par  les  chercheurs  car  c'est  un  bon  outil  pour  analyser  

fonctionnalités  proposées  et  la  fiabilité  des  résultats  de  classification.  Les  investigations   simultanément  les  signaux  de  pleurs  du  nourrisson  à  la  fois  à  l'échelle  temporelle  et  

expérimentales  élucident  que  le  STFT  combiné  avec  des  caractéristiques  statistiques  et   fréquentielle.  Afin  de  produire  un  bon  spectrogramme  temps­fréquence  des  signaux  de  
des  réseaux  de  neurones  à  base  radiale  peut  être  utilisé  pour  détecter  certains  états   pleurs  du  nourrisson,  STFT  est  sélectionné  comme  extraction  de  caractéristiques.  Le  

pathologiques  d'un  nourrisson  à  partir  de  signaux  de  pleurs. spectrogramme  basé  sur  STFT  est  une  technique  simple  et  rapide  par  rapport  à  d'autres  
analyses  temps­fréquence.  La  courte  durée  est  une  approche  simple  consistant  à  découper  
la  forme  d'onde  d'intérêt  en  un  certain  nombre  de  segments  courts  et  à  effectuer  l'analyse  
sur  chacun  des  segments  à  l'aide  de  la  transformée  de  Fourier  standard  ( John,  2004 ;  
2.  Base  de  données
Rabiner  &  Juang,  1993).  Une  fonction  de  fenêtre  est  appliquée  à  un  segment  de  données,  
isolant  efficacement  ce  segment  de  la  forme  d'onde  globale,  et  une  transformée  de  Fourier  
La  base  de  données  des  cris  infantiles  est  téléchargeable  sur  le  site  http:// est  appliquée  à  ce  segment.  C'est  ce  qu'on  appelle  le  spectrogramme  ou  ''transformée  de  
www.ingenieria.uatx.mx/orionfrg/cry/  appelée  base  de  données  Baby  Chillanto  et  est  la   Fourier  à  court  terme''.
propriété  de  l'Instituto  Nacional  de  Astrofisica  Optica  y  Electronica  (INAOE)  ­  CONACYT,  
Mexique.  La  base  de  données  est  décrite  en  référence  (Reyes­Galaviz  et  al.,  2009).  Tous   STFT  est  représenté  dans  le  domaine  discret  donné  par  Eq.  (1):
les  échantillons  de  cette  base  de  données  ont  une  longueur  de  1  s  et  nous  avons  pris  les  
mêmes  échantillons  pour  notre  analyse.  Il  se  compose  de  507  signaux  de  pleurs  normaux  
Xðm ;  kÞ  ¼  XN xðnÞ½Wðn  kÞejnm=N ð1Þ
et  de  340  signaux  d'asphyxie  (l'asphyxie  est  définie  comme  l'incapacité  à  bien  respirer  
n¼1
dans  la  minute  qui  suit  l'accouchement.  Cette  maladie  peut  causer  des  dommages  au  
cerveau,  aux  organes  et  aux  tissus,  voire  la  mort  si  elle  est  soumise  à  un  retard  ou   où  W[n]  est  une  fonction  de  fenêtrage  à  court  terme  de  taille  L,  centrée  à  
traitement  inapproprié)  signaux  de  cri.  Dans l'emplacement  temporel  m,  et  N  est  le  nombre  de  fréquences  discrètes  
(NPL).  Habituellement,  N  est  choisi  comme  étant  une  puissance  de  2  pour  utiliser  un

Tableau  1
Quelques­uns  des  travaux  importants  sur  la  classification  des  signaux  de  pleurs  du  nourrisson.

Nom  de  l'auteur Méthode  d'extraction  de  caractéristiques Classificateur Meilleur  pourcentage  de  précision

Garcia  et  Reyes  García  (2003a,   Technique  de  prédiction  linéaire Réseaux  de  neurones  à  gradient  conjugué  mis  à  l'échelle  (cri  normal  et  sourd)  91,08  %  (314  échantillons)  86,20  %  (1036  

2003b) échantillons)
Garcia  et  Reyes  García  (2003a,   Coefficients  cepstraux  de  fréquence  Mel  et  technique   Réseaux  de  neurones  à  gradient  conjugué  mis  à  l'échelle  (cri  normal  et  sourd)  97,43 %
2003b) de  prédiction  linéaire
– –
Varallyay  et  al.  (2004) Détection  de  fréquence  fondamentale  à  l'aide  de  la  
méthode  du  spectre  lissé
Reyes­Galaviz  et Coefficients  cepstraux  de  fréquence  Mel Système  d'inférence  neuro  floue  adaptative  (cri  normal,  sourd,  cri  d'asphyxie :   93–96,67 %
Reyes  Garcia  (2004) problème  de  classe  3)
Reyes­Galaviz  et  al.  (2005) Coefficients  prédictifs  linéaires,  coefficients   Système  neuronal  évolutif  et  système  de  réseau  neuronal  (cri  normal,  sourd,   96,49  %
cepstraux  de  fréquence  Mel cri  d'asphyxie :  problème  de  3 classes)
Reyes­Galaviz  et  al.  (2005) Coefficients  cepstraux  de  fréquence  Mel Réseau  de  neurones  à  retard  d'entrée  à  anticipation  (normal,  cri  sourd,  cri   96,08–97,39 %
d'asphyxie,  problème  de  3 classes)
Harharan  et  al.  (2010)  Coefficients  de  prédiction  linéaire  pondérés Réseau  de  neurones  probabiliste  (normal,  cri  sourd,  cri  d'asphyxie,  problème  de   99%
3 classes)
Harharan  et  al.  (2011a,  2011b,   Transformation  de  paquets  d'ondelettes Réseau  de  neurones  probabiliste  (cri  normal  et  d'asphyxie) 99%
2011c)
Harharan  et  al.  (2011a,  2011b,   Caractéristiques  statistiques  basées  sur  l'analyse  temps­ Réseau  de  neurones  de  régression  générale  (cri  normal  et  sourd) 99%
2011c) fréquence
Machine Translated by Google

M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523 9517

Fig.  1.  Signaux  de  pleurs  du  nourrisson  (normaux  et  asphyxiques).

Analyse  temps­fréquence  à   Classement  par  
Cri  du  nourrisson l'aide  de  STFT   PNN,
Signal (caractéristiques  statistiques) GRNN,  MLP  et  
TDNN

Fig.  2.  Schéma  fonctionnel  de  la  classification  des  cris  normaux  et  asphyxiques  du  nourrisson.

Transformée  de  Fourier  rapide  et  efficace  (FFT).  La  transformée  de  Fourier  étant  
une  fonction  complexe,  la  densité  spectrale  de  puissance  (PSD)  est  utilisée  et  est  
donnée  par  l'équation.  (2):

Ps½m ;  k¼ 1  jX½m ;  kj2 ð2Þ

N

Le  spectrogramme  peut  être  utilisé  pour  observer  les  caractéristiques  temporelles  
Figure  3a.  Tracé  temps­fréquence  du  signal  de  cri  normal  (segment  350).
et  spectrales  en  tout  point  des  signaux  de  pleurs  du  nourrisson.  Généralement,  la  
longueur  de  trame  est  choisie  entre  10  ms  et  50  ms  dans  le  domaine  de  l'analyse  
du  signal  de  parole  (Rabiner  &  Juang,  1993)  et  donc  dans  ce  travail,  les  signaux  de  
pleurs  du  nourrisson  sont  segmentés  en  différentes  longueurs  de  trame  de  20  ms,  
30  ms,  40  ms  et  50  ms  avec  un  chevauchement  de  50  %  entre  les  trames.  L'effet  
de  différentes  longueurs  de  trame  a  été  étudié  et  ses  résultats  sont  présentés  dans  
ce  travail.  La  sortie  du  STFT  est  une  matrice  dont  les  lignes  se  rapportent  à  la  
fréquence  et  les  colonnes  au  temps.
À  partir  du  STFT  ­  PSD  des  signaux  de  cri  (Fig.  3a  et  3b),  des  tracés  temps­
fréquence,  temps­amplitude  et  fréquence­amplitude  peuvent  être  générés  et  
peuvent  afficher  clairement  la  discrimination  entre  les  différents  types  de  signaux  
de  cri.  Le  schéma  fonctionnel  de  l'extraction  et  de  la  classification  des  caractéristiques  
est  illustré  à  la  Fig.  2.
Figues.  3a  et  3b  illustrent  le  tracé  temps­fréquence  du  signal  de  cri  normal  
(segment  350)  et  du  signal  de  cri  pathologique  (Asphyxie,  segment  250).  
Figues.  4  et  5(a)  illustrent  le  tracé  d'amplitude  temps­maximum,  qui  est  
l'amplitude  maximale  en  fonction  du  temps  en  trouvant  des  colonnes  de  tracé   Figure  3b.  Tracé  temps­fréquence  du  signal  de  cri  pathologique  (asphyxie,  segment  250).

temps­fréquence.  Figues.  4  et  5(b)  illustrent  le  tracé  fréquence  –  amplitude  
maximale,  qui  est  l'amplitude  maximale  par  rapport  à  la  fréquence  en  trouvant   fréquence  en  trouvant  des  lignes  de  tracé  temps­fréquence  à  chaque  fréquence.
des  lignes  de  tracé  temps­fréquence  à  chaque  fréquence.  Figues.  4  et  5(c)   L'extraction  de  caractéristiques  joue  un  rôle  essentiel  dans  le  domaine  de  la  
illustrent  le  tracé  fréquence­écart­type,  qui  montre  l'écart­type  par  rapport  à  fre   classification  des  signaux  de  pleurs  du  nourrisson.  En  utilisant  les  Fig.  3a  et  3b,  
normalisé on  peut  différencier  le  cri  normal  et  pathologique  par  inspection  visuelle.
Machine Translated by Google

9518 M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523

Fig.  4.  (a)  Tracé  de  l'amplitude  maximale  dans  le  temps  (dB)  du  signal  de  cri  normal  (segment  350),  (b).  Tracé  fréquence­amplitude  maximale  (dB),  et  (c).  Fréquence  ­  tracé  de  l'écart  
type  de  l'amplitude  (dB).

Fig.  5.  (a)  Tracé  de  l'amplitude  maximale  temporelle  (dB)  du  signal  de  cri  pathologique  (asphyxie,  segment  250),  (b).  Tracé  fréquence­amplitude  maximale  (dB),  et  (c).  Fréquence  ­  tracé  
de  l'écart  type  de  l'amplitude  (dB).

Cependant,  il  existe  une  possibilité  d'interprétation  erronée  des  tracés  temps­ des  tracés  d'amplitude  maximum  de  temps  des  signaux  de  pleurs  du  nourrisson,  
fréquence  et  les  résultats  dépendent  également  de  l'expertise  des  professionnels   des  tracés  d'amplitude  maximale  de  fréquence  des  signaux  de  cri  du  nourrisson  et  
de  la  santé.  Par  conséquent,  dans  cet  article,  une  méthode  simple  d'extraction  de   des  tracés  d'amplitude  d'écart­type  de  fréquence  des  signaux  de  cri  du  nourrisson.  
caractéristiques  est  proposée  en  appliquant  des  techniques  statistiques  standard   Les  caractéristiques  statistiques  standard  se  sont  avérées  utiles  pour  la  
aux  tracés  temps­fréquence  des  signaux  de  pleurs  du  nourrisson, quantification  et  la  classification  des  signaux  de  pleurs  du  nourrisson.
Machine Translated by Google

M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523 9519

Tableau  
2  Statistiques  des  paramètres  extraits  (moyenne  ±  std)  pour  les  différentes  longueurs  de  trame.

Caractéristiques  20  ms 30  millisecondes 40  millisecondes 50  millisecondes

Normal Asphyxie Normal Asphyxie Normal Asphyxie Normal Asphyxie

2,64  ±  0,68   3,04  ±  1,06   2,40  ±  0,67   2,83  ±  1,02   2,27  ±  0,66   2,73  ±  1,00   2,22  ±  0,65   2,69  ±  0,98  

1   156,90  ±  8,33   169,66  ±  25,77   157,94  ±  8,38   170,37  ±  25,66   158,24  ±  8,46   170,50  ±  25,56   158,36  ±  8,54   170,43  ±  25,46  
2  3 80,85  ±  7,91 82,75  ±  17,88 78,71  ±  8,01 81,68  ±  18,59 77,43  ±  8,05 80,97  ±  18,87 76,76  ±  8,10 80,66  ±  19,08
4 125,34  ±  7,41 124,66  ±  27,64 121,60  ±  7,21 118,24  ±  26,05 118,98  ±  6,83 114,36  ±  25,15 116,93  ±  6,38 111,44  ±  24,32
5   101,51  ±  8,68   103,08  ±  20,14 99,08  ±  8,71   100,56  ±  20,30 97,61  ±  8,57   98,77  ±  20,27   96,73  ±  0,68   97,49  ±  20,20  
6   13,17  ±  4,28   9,97  ±  4,78   13,06  ±  4,28   9,39  ±  4,86   12,80  ±  4,13   8,90  ±  4,90   12,51  ±  4,03   8,40  ±  4,85  
7   0,31  ±  0,92   0,02  ±  0,71   0,28  ±  0,94   0,18  ±  0,86 0,23  ±  0,91   0,26  ±  0,89   0,17  ±  0,92   0,35  ±  0,97  
8   2,79  ±  2,53   2,95  ±  1,46   2,81  ±  2,78   3,17  ±  2,31   2,73  ±  2,40   3,19  ±  2,24   2,73  ±  2,62   3,37  ±  2,96  
9   80,85  ±  7,91   82,75  ±  17,88   78,71  ±  8,01   81,68  ±  18,59   77,43  ±  8,05   80,97  ±  18,87   76,76  ±  8,10   80,66  ±  19,08  
10 153,47  ±  9,68 162,28  ±  18,23 157,04  ±  9,03 165,15  ±  18,46 158,82  ±  8,98 166,96  ±  18,70 160,70  ±  8,65 168,55  ±  18,70
11 119,99  ±  11,23 125,63  ±  20,97 121,35  ±  11,27 127,20  ±  21,25 122,45  ±  11,21 128,42  ±  21,32 123,61  ±  11,13 129,68  ±  21,39
12 16,84  ±  3,49   19,32  ±  4,65   17,60  ±  3,38   19,79  ±  4,59   17,98  ±  3,32   20,01  ±  4,52   18,28  ±  3,24   20,14  ±  4,52  
13 0,33  ±  0,46   0,21  ±  0,68   0,34  ±  0,47   0,25  ±  0,65   0,37  ±  0,47   0,27  ±  0,62   0,39  ±  0,47   0,31  ±  0,63  
14   2,87  ±  0,71   2,84  ±  2,22   2,99  ±  0,74   2,88  ±  2,11   3,04  ±  0,76   2,89  ±  1,97   3,09  ±  0,76   2,96  ±  2,18  
15   28,08  ±  3,58   32,03  ±  7,36   28,78  ±  3,70   32,23  ±  7,34   29,03  ±  3,57   32,55  ±  7,33   29,32  ±  3,47   32,72  ±  7,18  
16   1,26  ±  0,52   5,55  ±  4,11   0,96  ±  0,54   4,70  ±  4,00   0,79  ±  0,43   4,05  ±  3,80   0,65  ±  0,30   3,46  ±  3,36  
17 17,25  ±  2,41 19,57  ±  5,51 17,20  ±  2,33 19,37  ±  5,35 17,13  ±  2,31 19,31  ±  5,33 17,10  ±  2,30 19,26  ±  5,35
18 4,42  ±  0,83 4,94  ±  1,72 4,39  ±  0,79 4,95  ±  1,66 4,41  ±  0,75 4,99  ±  1,61 4,41  ±  0,73 5,03  ±  1,58
19 0,70  ±  0,77   0,09  ±  0,87   0,51  ±  0,74   0,09  ±  0,84 0,42  ±  0,69   0,07  ±  0,78   0,27  ±  0,63   0,03  ±  0,80  
20 6,10  ±  2,06 4,58  ±  2,19 5,90  ±  1,86 4,65  ±  2,01 5,55  ±  1,55 4,47  ±  1,68 5,08  ±  1,30 4,48  ±  1,99

Ensemble  1.  Extraction  de  caractéristiques  à  partir  de  tracés  temps­ motifs.  Dans  ce  travail,  deux  types  de  structures  de  réseaux  de  neurones  à  base  radiale  
fréquence  Moyenne  et  écart  type  de  l'amplitude  du  temps­fréquence sont  sélectionnés,  tels  que  le  réseau  de  neurones  probabiliste  et  le  réseau  de  neurones  
parcelles  (2  éléments,  élément  1  et  élément  2). de  régression  générale,  et  ils  sont  utilisés  pour  la  classification  des  cris  normaux  et  
Ensemble  2.  Extraction  de  caractéristiques  à  partir  des  tracés  d'amplitude  maximum   pathologiques  car  ils  ont  été  appliqués  avec  succès  dans  différentes  applications  
de  temps,  des  tracés  d'amplitude  de  fréquence  maximum  et  des  tracés  de  fréquence  ­   (Bowden,  Bixon,  Dandy ,  Maier  et  Holmes,  2006 ;  Erkmen  et  Yildirim,  2008 ;  Feng,  Chu  
écart  type  Maximum,   et  Song,  2004 ;  Firat  et  Gungor,  2009 ;  Hariharan,  Paulraj  et  Yaacob,  2011b ;  Hariharan,  
minimum,  moyenne,  écart  type,  asymétrie  et  kurtosis  des  tracés  d'amplitude  de   Sin  Chee  et  Yaacob,  2010 ;  Hariharan,  Yaacob  et  Awang,  2011a ;  Hariharan  et  al.,  
temps  maximum,  fréquence  ­  maximum  des  tracés  d'amplitude  et  fréquence  –  tracés   2011c ;  Leung,  Chen  et  Daouk,  2000 ;  Polat  et  Yildirim,  2008).  PNN  et  GRNN  ont  des  
d'écart  type  (Caractéristique  3–8,  Caractéristique  9–14  et  Caractéristique  15–20,   architectures  similaires.  La  variable  cible  est  catégorielle  pour  le  classificateur  PNN  alors  
totalisant  18  caractéristiques). que  pour  le  réseau  GRNN  la  variable  cible  est  continue.  Réseaux  de  fonctions  à  base  
Vingt  caractéristiques  sont  extraites  de  chaque  signal  de  cri  du  nourrisson  et  utilisées   radiale  qui  calculent  les  activations  à  l'aide  d'une  exponentielle  d'une  mesure  de  
comme  entrée  pour  les  classificateurs  afin  de  distinguer  les  signaux  de  cri  entre  les   distance  (généralement  la  distance  euclidienne  ou  une  norme  pondérée)  entre  le  vecteur  
cris  normaux  et  les  cris  d'asphyxie. d'entrée  et  un  vecteur  prototype  qui  caractérise  la  fonction  de  signal  au  niveau  d'un  
Le  tableau  2  montre  les  statistiques  des  caractéristiques  extraites  (moyenne  ±  std)   neurone  caché  plutôt  que  d'employer  un  produit  interne  entre  le  vecteur  d'entrée  et  le  
pour  les  différentes  longueurs  de  trame.  D'après  le  tableau  2,  on  observe  que  les   vecteur  de  poids  (Kumar,  2004).  Pour  prouver  la  fiabilité  des  fonctionnalités  proposées,  
caractéristiques  extraites  des  signaux  de  cri  normaux  et  pathologiques  sont  presque   deux  modèles  de  réseaux  de  neurones  tels  que  le  Perceptron  multicouche  et  le  réseau  
distinguables. de  neurones  à  retard  temporel  entraînés  par  un  algorithme  de  gradient  conjugué  mis  à  
l'échelle  sont  également  utilisés  comme  classificateurs.
5.  Réduction  de  la  dimensionnalité  à  l'aide  de  l'analyse  en  composantes  
principales  (ACP)

L'analyse  en  composantes  principales  est  un  type  de  méthode  de  projection
et  il  est  utilisé  pour  réduire  les  caractéristiques  redondantes  dans  la  matrice  de  
caractéristiques.  L'ACP  maximise  la  variance  des  vecteurs  projetés  (Jolliffe,  1986 ;   6.1.  Réseau  de  neurones  probabiliste
Lindsay,  2002).  L'extraction  ou  la  sélection  de  caractéristiques  est  une  étape  clé  de  tout  
processus  de  reconnaissance  de  formes.  Les  caractéristiques  de  haute  dimension   Specht  a  proposé  le  réseau  neuronal  probabiliste  basé  sur  la  classification  
affectent  les  performances  du  classifieur  et  augmentent  également  la  complexité  de   bayésienne  et  les  estimateurs  classiques  pour  la  fonction  de  densité  de  probabilité  
calcul.  La  sélection  d'entités  est  un  processus  par  lequel  un  espace  de  données  de   (Fausett,  1994 ;  Specht,  1990).  Le  PNN  comprend  quatre  unités,  telles  que  les  unités  
grande  dimension  est  transformé  en  un  espace  d'entités,  qui  a  exactement  la  même   d'entrée,  les  unités  de  modèle,  les  unités  de  sommation  et  les  unités  de  sortie.  Toutes  
dimension  que  les  données  d'origine.  À  partir  de  l'espace  des  caractéristiques   les  unités  sont  entièrement  interconnectées  et  les  unités  de  motif  sont  activées  par  une  
transformées,  les  caractéristiques  non  redondantes  sont  sélectionnées  sur  la  base  du   fonction  exponentielle,  au  lieu  d'une  fonction  d'activation  sigmoïde.  L'unité  de  motif  
critère  de  valeur  propre,  où  le  nombre  de  caractéristiques  correspondant  aux  valeurs   calcule  les  distances  entre  le  vecteur  d'entrée  et  les  vecteurs  d'entrée  d'apprentissage,  
propres  supérieures  à  1,0  (Jolliffe,  1986 ;  Lindsay,  2002).  Dans  ce  travail,  13   lorsqu'une  entrée  est  présentée,  et  produit  un  vecteur  dont  les  éléments  indiquent  à  
caractéristiques  sont  identifiées  à  partir  de  l'espace  des  caractéristiques  transformées,   quel  point  l'entrée  est  proche  d'une  entrée  d'apprentissage.  L'unité  de  sommation  
qui  correspondent  à  des  valeurs  propres  supérieures  à  1,0. additionne  ces  contributions  pour  chaque  classe  d'entrées  et  produit  une  sortie  nette  qui  
est  un  vecteur  de  probabilités.  À  partir  du  maximum  de  ces  probabilités,  les  unités  de  
sortie  produisent  un  1  pour  cette  classe  et  un  0  pour  les  autres  classes  en  utilisant  la  
6.  Classificateurs fonction  de  transfert  en  concurrence.  Considérons  le  problème  à  deux  classes,  à  savoir  
la  classe  A  et  la  classe  B.  PNN  utilise  l'estimateur  suivant  pour  la  fonction  de  densité  de  
Les  réseaux  de  neurones  artificiels  sont  largement  utilisés  dans  les  problèmes  de   probabilité  donnée  par  l'équation.  (3)
reconnaissance  de  formes  et  de  classification  en  apprenant  à  partir  d'exemples.  
Différents  modèles  de  réseaux  de  neurones  sont  disponibles  pour  classer  les
Machine Translated by Google

9520 M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523

1 1 ðx  xAiÞ J ðx  xAiÞ   6.3.  Classificateur  Perceptron  multicouche

fAðxÞ  ¼   exp 2r2 ð3Þ
ð2pÞ n  =2  mois XmA
i¼1 " #
Un  modèle  de  réseau  de  neurones  à  trois  couches  est  développé  avec  20  neurones  
d'entrée,  les  neurones  cachés  variant  entre  10  et  20  par  pas  de  2  et  1  neurone  de  sortie.  
où  xAi  est  le  ième  modèle  d'apprentissage  de  la  classe  A,  n  est  la  dimension  
des  vecteurs  d'entrée,  mA  est  le  nombre  de  modèles  d'apprentissage  dans   L'objectif  de  performance,  le  taux  d'apprentissage,  le  facteur  d'élan  sont  respectivement  

la  classe  A  et  r  est  un  paramètre  de  lissage  correspondant  à  l'écart  type  de   choisis  à  0,001,  0,1  et  0,9.  L'algorithme  conjugué  mis  à  l'échelle  est  choisi  pour  former  le  
la  distribution  gaussienne. modèle  de  réseau  de  neurones  (Garcia  &  Reyes  García,  2003a,  2003b).  Les  neurones  

Le  filet  peut  être  utilisé  pour  la  classification  dès  qu'un  exemple  de  motif  de  chacune   cachés  et  de  sortie  sont  activés  par  une  fonction  d'activation  sigmoïde  binaire.  Dans  ce  

des  deux  classes  lui  a  été  présenté. travail,  l'architecture  MLP  est  construite  en  utilisant  newff()  dans  la  fonction  MATLAB  

Cependant,  PNN  se  généralise  bien  car  il  est  formé  avec  plus  d'exemples.  La  variation   (Matlab,  version  7.0,  2004).  Les  performances  du  classificateur  MLP  dépendent  fortement  

du  paramètre  de  lissage  (r)  permet  de  contrôler  le  degré  de  non­linéarité  des  frontières   des  différents  paramètres  d'apprentissage,  tels  que  le  nombre  de  neurones  cachés,  le  

de  décision  pour  le  réseau.  Une  limite  de  décision  s'approche  d'un  hyperplan  pour  les   taux  d'apprentissage,  le  facteur  d'impulsion,  les  critères  d'arrêt  et  les  fonctions  d'activation.

grandes  valeurs  de  r  et  se  rapproche  de  la  surface  de  décision  hautement  non  linéaire  du  
classificateur  voisin  le  plus  proche  pour  les  petites  valeurs  de  r  proches  de  zéro.  Dans  cet  
article,  l'architecture  PNN  est  construite  à  l'aide  de  newpnn()  dans  la  fonction  MATLAB   Sur  la  base  de  plusieurs  enquêtes  expérimentales,  les  meilleurs  paramètres  d'apprentissage  

(Matlab,  version  7.0,  2004).  Les  informations  détaillées  sur  l'architecture  PNN  et  les   sont  trouvés  et  utilisés  lors  de  la  formation  et  des  tests  du  classificateur  MLP.

équations  mathématiques  peuvent  être  trouvées  dans  l'article  de  Specht  (Specht,  1990).

6.4.  Réseau  neuronal  temporisé
Les  performances  du  classificateur  PNN  dépendent  fortement  du  paramètre  de  lissage  ou  
du  facteur  d'étalement  (r).  Sur  la  base  des  recherches  expérimentales,  la  valeur  r  varie   Le  réseau  de  neurones  à  retard  temporel  a  été  utilisé  dans  les  applications  de  
entre  0,04  et  0,085  par  pas  de  0,005. reconnaissance  de  la  parole  (Hampshire  &  Waibel,  1990 ;  Waibel,  Hanazawa,  Hin  ton,  
Shikano,  &  Lang,  1989)  ainsi  que  dans  la  classification  des  pleurs  du  nourrisson  (Reyes  
Galaviz  &  Reyes  Garcia,  2004 ;  Reyes  ­Galaviz  et  al.,  2005).  Il  a  été  proposé  de  l'utiliser  
6.2.  Réseau  de  neurones  de  régression  générale dans  la  classification  des  pleurs  du  nourrisson  puisque  les  données  sur  les  pleurs  ne  sont  
pas  statiques  et  dépendent  du  temps  des  modèles  de  pleurs  (Reyes  Galaviz  &  Reyes  
Specht  a  proposé  le  modèle  de  GRNN  pour  effectuer  des  régressions  générales   Garcia,  2004;  Reyes­Galaviz  et  al.,  2005).  Les  informations  détaillées  sur  le  TDNN  
(linéaires  ou  non  linéaires)  (Specht,  1991).  GRNN  est  basé  sur  la  théorie  de  l'analyse  de   peuvent  être  trouvées  dans  Hampshire  et  Waibel  (1990),  Reyes  Galaviz  et  Reyes  Garcia  
régression  de  probabilité.  Il  utilise  généralement  des  estimations  de  fenêtre  Par  zen  pour   (2004)  Reyes  Galaviz  et  al.  (2005)  et  Waibel  et  al.  (1989).  Un  modèle  TDNN  est  développé  
configurer  le  PDF  à  partir  des  échantillons  de  données  observés.  En  supposant  que  x  est   et  formé  par  un  algorithme  de  gradient  conjugué  mis  à  l'échelle.  Il  se  compose  de  20  
une  variable  vectorielle  aléatoire,  y  est  une  variable  scalaire  aléatoire,  X  et  Y  sont  des   neurones  et  le  délai  d'entrée  spécifié  par  l'utilisateur,  dans  ce  cas  le  délai  (Reyes  Galaviz  
valeurs  mesurées,  f(x,  y)  est  la  PDF  jointe  continue  connue.  La  valeur  attendue  de  y  (la   &  Reyes  Garcia,  2004)  est  (0,1),  les  neurones  cachés  qui  varient  entre  10  et  20  par  pas  de  
valeur  de  régression  sur  X)  est  donnée  par  l'équation.  (4)  (Specht,  1991) 2  et  1  neurone  de  sortie.  L'objectif  de  performance,  le  taux  d'apprentissage,  le  facteur  
d'élan  sont  respectivement  choisis  à  0,001,  0,1  et  0,9.

1
R 1 yfðX ;  yÞdy
EðyjXÞ   ð4Þ
¼  11  1fðX ;  yÞdy L'algorithme  conjugué  mis  à  l'échelle  est  choisi  pour  former  le  modèle  TDNN  (Garcia  &  
Reyes  García,  2003a,  2003b).  Les  neurones  cachés  et  de  sortie  sont  activés  par  une  
où  y  =  la  sortie  prédite  par  GRNN. fonction  d'activation  sigmoïdale  binaire.  Dans  ce  travail,  l'architecture  TDNN  est  construite  
X  =  le  vecteur  d'entrée  (x1,  x2, ...,  xn)  qui  se  compose  de  n  variables  prédictives,  E(y|
en  utilisant  newfftd()  dans  la  fonction  MATLAB  (Matlab,  version  7.0,  2004).  Les  performances  
X)  =  la  valeur  
du  classificateur  TDNN  dépendent  fortement  des  différents  paramètres  d'apprentissage,  
attendue  de  la  sortie  y  étant  donné  un  vecteur  d'entrée  X,  et  f(X,y)  =  la  fonction  de  
tels  que  le  nombre  de  neurones  cachés,  le  nombre  de  retards  d'entrée,  le  taux  
densité  
d'apprentissage,  le  facteur  d'impulsion,  les  critères  d'arrêt  et  les  fonctions  d'activation.
de  probabilité  conjointe  de  X  et  y.

Sur  la  base  de  plusieurs  enquêtes  expérimentales,  les  meilleurs  paramètres  d'apprentissage  
La  valeur  estimée  Y  est  une  moyenne  pondérée  exponentiellement  va
sont  trouvés  et  utilisés  lors  de  la  formation  et  des  tests  du  classificateur  TDNN.
lue  de  toutes  les  valeurs  observées  Yi  données  comme  dans  l'Eq.  (5)  (Specht,  1991) :

D2
Pn  i¼1Yi  expð
b

je  2r2Þ
YðxÞ  ¼ D2
ð5Þ 7.  Résultats  et  discussion
Pn  i¼1expð je  2r2Þ

Dans  ce  travail,  deux  schémas  de  validation  (Conventional  Validation  ConV  et  10­fold  
où  Di  est  défini  comme  dans  l'Eq.  (6)
cross  validation  (Kohavi,  1995))  sont  utilisés  pour  prouver  la  fiabilité  des  résultats  de  la  
J classification.  Dans  le  schéma  de  validation  croisée  de  10  fois,  les  vecteurs  de  
D2 ¼  ðX  Xi  Þ
je
ðX  Xi  Þ ð6Þ
caractéristiques  proposés  sont  divisés  au  hasard  en  10  ensembles  et  la  formation  est  
La  variable  r  est  un  paramètre  de  lissage  qui  peut  être  rendu  grand  pour   répétée  10  fois.  Pour  chaque  cycle  de  validation  croisée,  le  nombre  de  cas  normaux  et  
lisser  les  données  bruitées  ou  petit  pour  permettre  à  la  surface  de  régression   pathologiques  est  égal.  Dans  le  schéma  de  validation  conventionnelle  (un  ensemble  
estimée  d'être  aussi  non  linéaire  qu'il  est  nécessaire  pour  approcher   d'entraînement  et  un  ensemble  de  test),  680  segments  (340  asphyxie  +  340  normaux)  sont  
étroitement  les  valeurs  réelles  observées  
. de  Yi  Le  GRNN  a  4  couches   utilisés.  Parmi  les  caractéristiques  extraites  de  680  segments,  les  caractéristiques  extraites  
différentes :  entrée  couche,  couche  de  motif,  couche  de  sommation  et   de  408  segments  sélectionnés  au  hasard  (60  %)  sont  utilisées  pour  la  formation  et  les  
couche  de  sortie.  Dans  ce  travail,  l'architecture  GRNN  est  construite  en   caractéristiques  extraites  des  272  segments  restants  (40  %)  sont  utilisées  pour  les  tests.  
utilisant  newgrnn()  dans  la  fonction  MATLAB  (Matlab,  version  7.0,  2004).  Les   Tous  les  réseaux  sont  formés  et  testés  avec  20  fonctionnalités  originales  et  également  13  
informations  détaillées  sur  l'architecture  GRNN  et  les  équations  mathématiques   fonctionnalités  réduites  qui  sont  trouvées  en  utilisant  l'analyse  PCA.  Résultats  pour  le  
peuvent  être  trouvées  dans  l'article  de  Specht  (Specht,  1991).  Sur  la  base   classificateur  MLP,  TDNN,  PNN  et  GRNN  utilisant  un  schéma  de  validation  croisée  de  10  
des  recherches  expérimentales,  la  valeur  r  varie  entre  0,04  et  0,085  par  pas   et
de  0,005.
Machine Translated by Google

M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523 9521

Le  schéma  de  validation  conventionnelle  avec  20  caractéristiques  originales   de  96,11  ±  1,50  %  (20  ms  et  16  neurones  cachés),  96,47  ±  1,18  %  (30  ms  
et  également  avec  des  caractéristiques  réduites  (13)  trouvées  à  l'aide  de   et  14  neurones  cachés),  96,54  ±  1,32  %  (40  ms  et  12  neurones  cachés),  
l'analyse  PCA  sont  tabulées  dans  les  tableaux  3  et  4.  La  moyenne  et   96,99  ±  1,12  %  (50  ms  et  12  neurones  cachés).  neurones)  sont  obtenus  à  
l'écart  type  des  précisions  de  classification  des  signaux  de  pleurs  normaux   l'aide  du  classifieur  MLP  à  20  caractéristiques  originales  (Conventional  
et  pathologiques  du  nourrisson  (asphyxie)  sont  tabulés. .  L'écart  type  de  la   Validation).  La  meilleure  précision  globale  de  95,81  ±  0,50  %  (20  ms  et  10  
classification  révèle  clairement  la  cohérence  des  résultats  du  classificateur.   neurones  cachés),  95,04  ±  3,02  %  (30  ms  et  10  neurones  cachés),  94,93  
Si  l'écart  type  est  plus  élevé,  les  résultats  de  la  classification  sont   ±  1,65  %  (40  ms  et  10  neurones  cachés),  96,47  ±  1,26  %  ( 50  ms  et  10  
incohérents  et  cela  révèle  également  que  les  paramètres  d'apprentissage   neurones  cachés)  sont  obtenus  à  l'aide  du  classificateur  MLP  à  13  
des  classificateurs  affectent  les  performances  des  classificateurs. caractéristiques  réduites  (validation  conventionnelle).
PNN  et  GRNN  sont  entraînés  avec  différents  facteurs  d'étalement  ou   D'après  le  tableau  3,  la  meilleure  précision  globale  de  96,88  ±  0,51  %  
facteurs  de  lissage  entre  0,04  et  0,085  et  leurs  effets  sur  les  performances   (20  ms  et  10  neurones  cachés),  97,03  ±  0,32  %  (30  ms  et  10  neurones  
de  classification  sont  analysés.  Le  MLP  et  le  TDNN  sont  entraînés  avec  un   cachés),  96,85  ±  0,55  %  (40  ms  et  12  neurones  cachés),  97,47  ±  0,79%  
nombre  différent  de  neurones  cachés  entre  10  et  20  et  leurs  effets  sur  les   (50  ms  et  10  neurones  cachés)  sont  obtenus  à  l'aide  du  classificateur  MLP  
performances  de  classification  sont  analysés.  La  précision  maximale  de  la   avec  20  caractéristiques  originales  (validation  croisée  10  fois).
classification  a  été  mise  en  évidence  dans  les  tableaux  3  et  4  pour  chaque   La  meilleure  précision  globale  de  95,85  ±  0,70  %  (20  ms  et  10  neurones  
longueur  de  trame.  D'après  le  tableau  3,  la  meilleure  précision  globale cachés),  95,96  ±  0,45  %  (30  ms  et  10  neurones  cachés),  96,12  ±

Tableau  
3  Résultats  du  classificateur  MLP  et  TDNN  formé  par  l'algorithme  de  gradient  conjugué  mis  à  l'échelle  pour  la  longueur  de  trame  20  ms,  30  ms,  40  ms  et  50  ms  (validation  conventionnelle  et  validation  
croisée  10  fois).

Longueur  du  cadre Méthode  de  validation Type  de  classificateur Neurones  cachés

dix 12 14 16 18 20

20  millisecondes ConV MLP 95,40  ±  1,39   96,03  ±  1,37   95,22  ±  1,11   96,11  ±  1,50   94,49  ±  2,21   95,37  ±  1,58  

MLP  +  PCA13 95,81  ±  0,50   94,45  ±  1,53   93,49  ±  1,18   93,42  ±  2,64   93,24  ±  1,79   94,52  ±  2,10  
TDNN 96,40  ±  0,69   95,44  ±  0,85   96,07  ±  1,27   95,11  ±  1,48   95,55  ±  1,65   96,32  ±  0,99  
TDNN  +  PCA13 93,97  ±  2,10   93,71  ±  1,81   93,49  ±  1,44   94,89  ±  2,01   95,15  ±  0,96   94,34  ±  1,79  
CroixV MLP 96,88  ±  0,51   96,65  ±  0,61   96,37  ±  0,78   96,24  ±  0,39   96,35  ±  0,29   96,18  ±  0,48  
MLP  +  PCA13 95,85  ±  0,70 95,51  ±  0,51 95,75  ±  0,53 95,72  ±  0,57 95,35  ±  0,71 94,94  ±  0,52
TDNN 96,50  ±  0,65 96,20  ±  0,22 96,56  ±  0,30 96,47  ±  0,10 96,56  ±  0,25 96,47  ±  0,44
TDNN  +  PCA13 96,35  ±  0,49 96,29  ±  0,48 95,88  ±  0,78 95,82  ±  0,68 95,50  ±  0,47 95,71  ±  0,75

30  millisecondes ConV MLP 96,14  ±  1,26 96,07  ±  1,30 96,47  ±  1,18 95,74  ±  1,26 96,29  ±  1,23 95,00  ±  1,19

MLP  +  PCA13 95,04  ±  3,02   94,45  ±  1,39 94,63  ±  1,68   93,53  ±  2,50   93,64  ±  1,83   93,93  ±  1,63  
TDNN 96,40  ±  0,96   96,54  ±  1,44 96,29  ±  0,94   96,43  ±  1,04   95,74  ±  1,14   95,70  ±  1,14  
TDNN  +  PCA13 95,18  ±  1,59   94,93  ±  1,45   93,90  ±  1,63   95,59  ±  1,51   94,38  ±  1,23   94,23  ±  1,46  
CroixV MLP 97,03  ±  0,32   96,47  ±  0,50   96,62  ±  0,45   96,47  ±  0,63   96,59  ±  0,43   96,62  ±  0,28  
MLP  +  PCA13 95,96  ±  0,45   95,76  ±  0,59   95,78  ±  0,67   95,38  ±  0,51   95,72  ±  0,50   95,38  ±  0,57  
TDNN 96,82  ±  0,47 96,59  ±  0,22 96,88  ±  0,39 96,44  ±  0,28 96,73  ±  0,38 96,32  ±  0,28
TDNN  +  PCA13 95,71  ±  0,69 96,26  ±  0,71 95,88  ±  0,36 96,03  ±  0,74 95,59  ±  0,89 95,94  ±  0,66

40  millisecondes ConV MLP 96,18  ±  1,11   96,54  ±  1,32   95,74  ±  1,29   94,82  ±  1,36   95,44  ±  1,37   95,99  ±  1,57  

MLP  +  PCA13 94,93  ±  1,65   94,63  ±  1,92   94,34  ±  1,65   94,15  ±  1,47   94,56  ±  2,37   93,38  ±  1,20  
TDNN 95,77  ±  1,38 96,10  ±  1,33   96,99  ±  1,37   94,38  ±  1,34 95,51  ±  1,53 95,77  ±  1,29  
TDNN  +  PCA13 95,00  ±  1,56 94,82  ±  1,63   95,37  ±  0,72   94,82  ±  1,54 94,15  ±  2,90 94,23  ±  1,35  
CroixV MLP 96,53  ±  0,44   96,85  ±  0,55   96,65  ±  0,39   96,71  ±  0,30   96,76  ±  0,42   96,62  ±  0,21  
MLP  +  PCA13 96,60  ±  0,55   95,87  ±  0,44   95,94  ±  0,63   96,12  ±  0,55   96,12  ±  0,89   95,94  ±  0,33  
TDNN 96,47  ±  0,50   96,65  ±  0,28   97,03  ±  0,45   96,79  ±  0,42   96,68  ±  0,34   96,50  ±  0,38  
TDNN  +  PCA13 96,53  ±  0,68 96,50  ±  0,55 96,41  ±  0,54 96,26  ±  0,25 95,79  ±  0,52 96,24  ±  0,42

50  millisecondes ConV MLP 95,99  ±  0,74 96,99  ±  1,12   96,84  ±  1,43   96,43  ±  1,18   96,58  ±  1,87   96,25  ±  1,04  

MLP  +  PCA13 96,47  ±  1,26 95,99  ±  1,42   95,96  ±  1,92   95,66  ±  1,57   95,81  ±  0,63   94,63  ±  2,57  
TDNN 96,76  ±  1,11   96,21  ±  1,50   97,06  ±  1,46   96,69  ±  1,40   96,77  ±  1,21   96,95  ±  1,39  
TDNN  +  PCA13 96,03  ±  1,80   96,21  ±  1,48   96,32  ±  1,72   96,07  ±  0,95   97,24  ±  1,11   95,85  ±  1,21  
CroixV MLP 97,47  ±  0,79   97,26  ±  0,30   97,41  ±  0,56   97,47  ±  0,24   97,20  ±  0,56   97,32  ±  0,66  
MLP  +  PCA13 97,04  ±  0,37 97,14  ±  0,44 96,84  ±  0,36 96,79  ±  0,39 96,84  ±  0,47 96,47  ±  0,42
TDNN 97,35  ±  0,36 97,38  ±  0,30 97,44  ±  0,45 97,05  ±  0,33 97,76  ±  0,28 97,41  ±  0,22
TDNN  +  PCA13 97,18  ±  0,38 97,15  ±  0,73 97,26  ±  0,20 97,35  ±  0,21 97,15  ±  0,52 96,85  ±  0,38

Tableau  
4  Résultats  des  classificateurs  PNN  et  GRNN  (validation  conventionnelle  +  validation  croisée  10  fois).

Méthode  de  validation Type  de  classificateur Longueur  du  cadre

20  millisecondes 30  millisecondes 40  millisecondes 50  millisecondes

ConV NPN 98,87  ±  0,15   98,72  ±  0,11   98,32  ±  0,20   98,41  ±  0,15  

PNN  +  PCA13 98,88  ±  0,19   98,73  ±  0,24   98,18  ±  0,18   98,46  ±  0,23  
GRNN 97,78  ±  0,25   97,79  ±  0,42   98,17  ±  0,27   98,57  ±  0,28  
GRNN  +  PCA13 97,15  ±  1,10 96,81  ±  0,84 96,25  ±  0,92 95,81  ±  1,13

CroixV NPN 98,79  ±  0,12   98,53  ±  0,14   99,16  ±  0,07   99,18  ±  0,14  

PNN  +  PCA13 99,19  ±  0,17   99,01  ±  0,25   98,57  ±  0,14   98,72  ±  0,12  
GRNN 98,13  ±  0,35   98,07  ±  0,26   98,28  ±  0,31   98,74  ±  0,29  
GRNN  +  PCA13 97,75  ±  1,19 97,25  ±  0,73 96,56  ±  1,28 96,23  ±  1,32
Machine Translated by Google

9522 M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523

0,55  %  (40  ms  et  16  neurones  cachés),  97,14  ±  0,44  %  (50  ms  et  12  neurones  cachés)   et  une  validation  croisée  de  10  fois  sont  effectuées,  afin  de  tester  la  généralisabilité  et  
sont  obtenus  à  l'aide  du  classificateur  MLP  avec  13  caractéristiques  réduites  (validation   la  fiabilité  des  classificateurs  PNN,  GRNN,  MLP  et  TDNN.  La  méthode  suggérée  
croisée  10  fois). fournit  une  précision  de  classification  maximale  de  99 %  (PNN),  97 %  (TDNN)  et  97 %  
D'après  le  tableau  3,  la  meilleure  précision  globale  de  96,40  ±  0,69  %  (20  ms  et  10   (MLP)  en  utilisant  un  schéma  de  validation  croisée  de  10 fois.  En  utilisant  le  schéma  
neurones  cachés),  96,54  ±  1,44  %  (30  ms  et  12  neurones  cachés),  96,99  ±  1,37  %   de  validation  conventionnelle,  la  précision  de  classification  maximale  de  98 %  (PNN  et  
(40  ms  et  14  neurones  cachés),  97,06  ±  1,46%  (50  ms  et  14  neurones  cachés)  sont   GRNN),  97 %  (TDNN)  et  96 %  (MLP)  est  obtenue.  D'après  les  résultats,  on  peut  
obtenus  à  l'aide  du  classificateur  TDNN  avec  20  caractéristiques  originales   déduire  que  le  PNN  et  le  GRNN  donnent  une  plus  grande  précision  par  rapport  au  
(Conventional  Validation).  La  meilleure  précision  globale  de  95,15  ±  0,96  %  (20  ms   MLP  et  au  TDNN.  Les  résultats  de  la  classification  indiquent  que  la  méthode  suggérée  
et  18  neurones  cachés),  95,59  ±  1,51  %  (30  ms  et  16  neurones  cachés),  95,37  ±  0,72   pourrait  être  utilisée  comme  un  outil  précieux  pour  classer  les  signaux  de  pleurs  du  
%  (40  ms  et  14  neurones  cachés),  97,24  ±  1,11  %  (50  ms  et  10  neurones  cachés)   nourrisson  en  normaux  et  pathologiques.  Dans  les  travaux  futurs,  différentes  
sont  obtenus  à  l'aide  du  classificateur  TDNN  à  13  caractéristiques  réduites  (validation   techniques  de  réduction  de  caractéristiques  seront  mises  en  œuvre  pour  proposer  
conventionnelle).  D'après  le  tableau  3,  la  meilleure  précision  globale  de  96,56  ±  0,25   l'ensemble  de  caractéristiques  réduit  avec  des  caractéristiques  prédominantes.  La  
%  (20  ms  et  18  neurones  cachés),  96,88  ±  0,39  %  (30  ms  et  14  neurones  cachés),   méthode  proposée  sera  validée  avec  des  échantillons  plus  importants.
97,03  ±  0,45  %  (40  ms  et  14  neurones  cachés),  97,76  ±  0,28%  (50  ms  et  18  neurones  
cachés)  sont  obtenus  à  l'aide  du  classificateur  TDNN  avec  20  caractéristiques  
originales  (validation  croisée  de  10  fois).  La  meilleure  précision  globale  de  96,35  ±   Remerciements
0,49  %  (20  ms  et  10  neurones  cachés),  96,26  ±  0,71  %  (30  ms  et  12  neurones  cachés),  
96,53  ±  0,68  %  (40  ms  et  10  neurones  cachés),  97,35  ±  0,21  %  (50  ms  et  12  neurones   La  base  de  données  Baby  Chillanto  est  la  propriété  de  l'Instituto  Nacional  de  
cachés)  sont  obtenus  à  l'aide  du  classificateur  TDNN  avec  13  caractéristiques  réduites   Astrofisica  Optica  y  Electronica  ­  CONACYT,  Mexique.
(validation  croisée  de  10  fois). Nous  tenons  à  remercier  le  Dr  Carlos  A.  Reyes­Garcia,  le  Dr  Emilio  Arch­Tirado  et  son  
groupe  INR­Mexique,  et  le  Dr  Edgar  M.  Garcia­Tamayo  pour  leur  dévouement  à  la  
collecte  de  la  base  de  données  Infant  Cry.  Les  auteurs  tiennent  à  remercier  le  Dr  
Carlos  Alberto  Reyes­Garcia,  chercheur,  CCC­Inaoep,  Mexique  pour  avoir  fourni  la  
D'après  le  tableau  4,  la  meilleure  précision  globale  de  98,87  ±  0,15  %  (20  ms)  est   base  de  données  sur  les  cris  du  nourrisson.
obtenue  en  utilisant  le  classificateur  PNN  avec  20  caractéristiques  originales  et  une   Les  auteurs  remercient  les  relecteurs  anonymes  pour  leurs  précieux  commentaires.
précision  globale  de  98,88  ±  0,19  (20  ms)  est  obtenue  avec  des  caractéristiques  
réduites  (13)  (Conventionnel  Validation).  Le  classificateur  GRNN  donne  une  précision  
globale  de  98,57  ±  0,28%  avec  20  caractéristiques  originales  et  une  précision  globale   Les  références
de  97,15  ±  1,10%  avec  des  caractéristiques  réduites  (Validation  Conventionnelle).  En  
utilisant  le  schéma  de  validation  croisée  de  10  fois,  la  meilleure  précision  globale  de   Barajas­Montiel,  SE,  &  Reyes­García,  CA  (2006).  Machines  à  vecteurs  de  support  flous  pour  la  
99,18  ±  0,14  %  et  99,19  ±  0,17  %  est  obtenue  en  utilisant  le  classificateur  PNN  avec   reconnaissance  automatique  des  pleurs  du  nourrisson.  Springer,  Notes  de  cours  en  sciences  du  
contrôle  et  de  l'information,  345,  876–881.
20  caractéristiques  originales  et  caractéristiques  réduites  respectivement.  De  même,  
Bowden,  GJ,  Bixon,  JB,  Dandy,  GC,  Maier,  HR  et  Holmes,  M.  (2006).  Prévision  des  résidus  de  chlore  dans  
GRNN  donne  une  précision  globale  de  98,28  ±  0,31  %  et  97,75  ±  1,19  %  en  utilisant   un  système  de  distribution  d'eau  à  l'aide  d'un  réseau  neuronal  de  régression  générale.  Modélisation  
respectivement  20  caractéristiques  originales  et  caractéristiques  réduites.  Dans  tous   mathématique  et  informatique,  44,  469–484.
les  classificateurs,  il  n'y  a  pas  de  changements  spécifiques  dans  les  précisions  de   Cano,  S.,  Suaste­Rivas,  I.,  Escobedo,  D.,  Reyes­Garcia,  CA,  &  Ekkel,  T.  (2006).  Un  classificateur  combiné  
d'unités  de  cri  avec  de  nouveaux  attributs  acoustiques.  Notes  de  cours  en  informatique,  4225,  416–
classification  en  raison  de  la  longueur  de  trame  différente. 425.
Cano.  S.  et  al.  (1995).  L'analyse  spectrale  du  cri  du  nourrisson :  une  première  approximation.  In  
À  partir  de  la  discussion  ci­dessus,  il  a  été  observé  que  les  caractéristiques   Communication  présentée  à  la  conférence  EUROSPEECH'95  (sponsorisée  par  ESCA  &  IEEE),  
Madrid.
statistiques  basées  sur  l'analyse  temps­fréquence  suggérées  peuvent  être  utilisées  
Erkmen,  B.,  &  Yildirim,  T.  (2008).  Amélioration  des  performances  de  classification  des  cibles  sonar  en  
pour  fournir  la  représentation  la  plus  discriminante  des  signaux  de  cri  normaux  et   appliquant  un  réseau  neuronal  de  régression  général  avec  PCA.  Systèmes  experts  avec  applications,  
d'asphyxie.  Dans  cet  article,  vingt  caractéristiques  statistiques  simples  et  effi  caces   35,  472–475.
Escobedo,  D.,  Cano,  S.,  Coello,  E.,  Regueiferos,  L.  et  Capdevila,  L.  (2001).  Décalage  croissant  de  la  
sont  dérivées  par  une  analyse  temps­fréquence  basée  sur  STFT  pour  fournir  une  
fréquence  tonale  dans  le  cri  du  nourrisson  dans  certains  cas  pathologiques.  Dans  un  article  présenté  
représentation  robuste  des  signaux  de  pleurs  du  nourrisson.  Nous  avons  obtenu  une   à  la  2e  Conférence  internationale,  MAVEBA  2001,  Florence,  Italie,  2001.
précision  de  classification  supérieure  à  98 %  avec  seulement  vingt  caractéristiques   Fausett,  L.  (1994).  Fondamentaux  du  réseau  de  neurones.  New  Jersey,  États­Unis :  Prentice  Hall.
Feng,  Z.,  Chu,  F.  et  Song,  X.  (2004).  Application  du  réseau  neuronal  de  régression  générale  à  la  prédiction  
statistiques  basées  sur  une  analyse  temps­fréquence  et  des  réseaux  de  neurones  à  
des  tendances  vibratoires  des  machines  tournantes.  Notes  de  cours  en  informatique,  3174,  767–772.
base  radiale  (PNN  et  GRNN).  Il  montre  que  les  fonctionnalités  suggérées  et  le  
classificateur  PNN  et  GRNN  fournissent  des  résultats  plus  proches  des  travaux   Firat,  M.,  &  Gungor,  M.  (2009).  Réseaux  de  neurones  à  régression  généralisée  et  réseaux  de  neurones  à  
anticipation  pour  la  prédiction  de  la  profondeur  d'affouillement  autour  des  piles  de  pont.
antérieurs.  Enfin,  le  résultat  expérimental  indique  la  force  de  la  méthode  suggérée  et  
Avancées  dans  les  logiciels  d'ingénierie,  40,  731–737.
a  le  potentiel  de  détecter  le  problème  pathologique  d'un  nourrisson  à  partir  de  signaux   Garcia,  JO,  &  Reyes  García,  CA  (2003a).  Détecter  les  pathologies  du  cri  du  nourrisson  en  appliquant  des  
de  cri. réseaux  de  neurones  à  gradient  conjugué  mis  à  l'échelle.  Dans  Communication  présentée  au  
Symposium  européen  sur  les  réseaux  de  neurones  artificiels,  Bruges  (Belgique),  23–25  avril  2003.

Garcia,  JO,  &  Reyes  García,  CA  (2003b).  Analyse  des  caractéristiques  acoustiques  pour  la  reconnaissance  
des  pleurs  normaux  et  hypoacoustiques  du  nourrisson  basée  sur  les  réseaux  de  neurones.  Notes  de  
8.  Conclusion cours  en  informatique,  Méthodes  de  résolution  de  problèmes  de  réseaux  de  neurones  artificiels,  
2687,  615–622.
Hampshire,  JB,  &  Waibel,  AH  (1990).  Une  nouvelle  fonction  objective  pour  une  meilleure  reconnaissance  
Cet  article  présente  une  méthode  simple  d'extraction  de  caractéristiques  basée   des  phonèmes  à  l'aide  d'un  réseau  neuronal  à  retardement.  Réseau  neuronal,  1(2),  216–228.
sur  l'analyse  temps­fréquence  à  l'aide  de  STFT  pour  l'étude  des  signaux  de  pleurs  du  
Hariharan,  M.,  Sin  Chee,  L.  et  S.,  Yaacob  (2010).  Analyse  des  pleurs  du  nourrisson  à  l'aide  de  coefficients  
nourrisson.  Des  caractéristiques  statistiques  simples  sont  dérivées  des  tracés  temps­
cepstraux  de  prédiction  linéaire  pondérée  et  d'un  réseau  de  neurones  probabiliste.  Journal  des  
fréquence,  des  tracés  temps­amplitude  maximale,  des  tracés  fréquence­amplitude   systèmes  médicaux,  1–7.
maximale  et  des  tracés  fréquence­écart  type.  Les  réseaux  de  neurones  à  base  radiale   Hariharan,  M.,  Yaacob,  S.  et  Awang,  SA  (2011a).  Analyse  pathologique  des  pleurs  du  nourrisson  à  l'aide  
d'une  transformation  par  paquets  d'ondelettes  et  d'un  réseau  neuronal  probabiliste.  Systèmes  experts  
(PNN  et  GRNN)  sont  utilisés  pour  classer  les  signaux  de  cri  en  normaux  ou  
avec  applications,  38(12),  15377–15382.
pathologiques  (asphyxie).  Pour  prouver  la  fiabilité  des  fonctionnalités  proposées,  deux   Hariharan,  M.,  Paulraj,  MP  et  Yaacob,  S.  (2011b).  Détection  de  la  paralysie  et  de  l'œdème  des  cordes  
modèles  de  réseaux  de  neurones  tels  que  le  Perceptron  multicouche  et  le  réseau  de   vocales  à  l'aide  de  caractéristiques  temporelles  et  d'un  réseau  neuronal  probabiliste.
Journal  international  d'ingénierie  et  de  technologie  biomédicales,  6(1),  46–57.
neurones  à  retard  temporel  entraînés  par  un  algorithme  de  gradient  conjugué  mis  à  
Hariharan,  M.,  Sindhu,  R.  et  Yaacob,  S.  (2011c).  Signal  de  cri  du  nourrisson  normal  et  hypoacoustique  
l'échelle  sont  également  utilisés  comme  classificateurs.  Validation  conventionnelle utilisant  l'analyse  temps­fréquence  et  le  réseau  neuronal  de  régression  général.
Méthode  informatique  et  programmes  en  biomédecine,  1–11.
Machine Translated by Google

M.  Hariharan  et  al. /  Systèmes  experts  avec  applications  39  (2012)  9515–9523 9523

Jolliffe,  IT  (1986).  Analyse  des  composants  principaux.  Springer  Verlag. Reyes  Galaviz,  DE,  &  Reyes  Garcia,  CA  (2004).  Classification  des  cris  du  nourrisson  pour  identifier  l'hypoacoustique  
Semmlow,  JL  (2004).  Traitement  du  biosignal  et  des  images  biomédicales.  Marcel  Deker et  l'asphyxie  avec  les  réseaux  de  neurones.  MICAI  2004.  LNAI,  2972,
Inc. 69–78.
En  ligneKohavi,  R.  (1995).  Une  étude  de  la  validation  croisée  et  du  bootstrap  pour  l'estimation  de  la  précision  et  la   Reyes­Galaviz,  OF,  &  Reyes­Garcia,  C.  (2004).  L'invention  concerne  un  système  de  traitement  des  cris  du  
sélection  du  modèle.  Dans  Document  présenté  à  la  14e  Conférence  conjointe  internationale  sur  l'intelligence   nourrisson  pour  reconnaître  les  pathologies  chez  les  bébés  récemment  nés  avec  des  réseaux  neuronaux.  
artificielle,  Montréal,  Québec,  Canada,  1995. Dans  un  article  présenté  à  la  9e  conférence  Speech  and  Computer  (SPECOM'2004),  St.
En  ligneKumar,  S.  (2004).  Réseaux  de  neurones :  une  approche  en  classe.  New  Delhi :  Tata  McGraw Saint­Pétersbourg,  Russie,  20­22  septembre  2004.
Colline. Reyes­Galaviz,  OF,  Verduzco,  A.,  Arch­Tirado,  E.,  &  Reyes­García,  CA  (2005).
Leung,  MT,  Chen,  AS  et  Daouk,  H.  (2000).  Prévision  des  taux  de  change  à  l'aide  d'un  réseau  de  neurones  de   Analyse  d'un  système  de  reconnaissance  des  cris  du  nourrisson  pour  l'identification  précoce  des  pathologies.
régression  générale.  Ordinateurs  et  recherche  opérationnelle,  27,  1093–1110. Modélisation  et  applications  de  la  parole  non  linéaire,  3445,  404–409.
Reyes­Galaviz,  OF,  Cano­Ortiz,  S.,  Reyes­Garcia,  C.,  et  Electronica,  O.,  &  Puebla,  M.
Lindsay  IS  (2002).  Un  tutoriel  sur  l'analyse  en  composantes  principales. (2009).  Système  neuronal  évolutif  pour  classer  les  unités  de  cri  du  nourrisson  pour  l'identification  des  
Manfredi,  C.,  Tocchioni,  V.,  &  Bocchi,  L.  (2006).  Un  outil  robuste  pour  l'analyse  des  cris  du  nouveau­né.  Dans  un   pathologies  chez  les  bébés  récemment  nés.  In  Document  présenté  à  la  8e  conférence  internationale  
article  présenté  à  la  conférence  internationale  de  l'IEEE  Engineering  in  Medicine  and  Biology  Society,  2006. mexicaine  sur  l'intelligence  artificielle,  MICAI  2009,  Guanajuato,  Mexique.
Specht,  DF  (1990).  Réseaux  de  neurones  probabilistes.  Réseaux  de  neurones,  3(1),  109–118.
Documentation  Matlab.,  Version  7.0,  Version  14,  The  Math­Works,  Inc.,  2004. Specht,  DF  (1991).  Un  réseau  de  neurones  de  régression  générale.  Réseaux  neuronaux,  2(6),
Petroni,  M.,  Malowany,  A.,  Johnston,  C.  et  Stevens,  B.  (1995).  Identification  de  la  douleur  des  vocalisations  de   568–576.
pleurs  du  nourrisson  à  l'aide  de  réseaux  de  neurones  artificiels  (ANN). Várallyay,  G.,  Jr.,  Benyó,  Z.,  Illényi,  A.,  Farkas,  Z.,  &  Kovács,  L.  (2004).  Analyse  acoustique  du  cri  du  nourrisson :  
Applications  et  science  des  réseaux  de  neurones  artificiels.  La  Société  internationale  d'ingénierie  optique,   méthodes  classiques  et  nouvelles.  In  Article  présenté  à  la  26e  conférence  internationale  annuelle  de  l'IEEE  
2492,  729–738. EMBS,  San  Francisco,  CA,  USA.
Polat,  O.,  &  Yildirim,  T.  (2008).  Identification  de  la  géométrie  de  la  main  sans  extraction  de  caractéristiques  par   Varallyay,  G.,  Jr.  (2007).  La  mélodie  des  pleurs.  In  Communication  présentée  à  l'international
réseau  neuronal  de  régression  générale.  Systèmes  experts  avec  applications,  34,  845–849. journal  d'oto­rhino­laryngologie  pédiatrique,  2007.
Waibel,  A.,  Hanazawa,  T.,  Hinton,  G.,  Shikano,  K.,  &  Lang,  KJ  (1989).  Reconnaissance  de  phonèmes  à  l'aide  d'un  
Rabiner,  L.,  &  Juang,  B.  (1993).  Fondamentaux  de  la  reconnaissance  vocale.  Prentice  Hall. réseau  de  neurones  à  retardement.  IEE  Transactions  on  Acoustics,  Speech,  and  Signal  Processing,  37(3),  
Reyes  Galaviz,  OF,  Arch  Tirado,  E.,  &  Reyes  Garcia,  CA  (2004).  Classification  des  pleurs  du  nourrisson  pour   328–339.
identifier  les  pathologies  chez  les  bébés  récemment  nés  atteints  d'ANFIS.  LNCS,  3118,  408–415. Wasz­Hockert,  O.  et  al.  (1968).  Le  cri  du  nourrisson :  une  analyse  spectrographique  et  auditive.
William  Heinemann  Medical  Books  Ltd.