Применение методов машинного обучения для классификации акустических сигналов по спектральным характеристикам
Использование методов машинного обучения при проведении исследований и обработке любых объемов информации относится к современным тенденциям. Их применение эффективно для классификации большого количества записанных акустических сигналов. Спектральная характеристика звукового сигнала позволяет исследовать его по частотным компонентам. В качестве примера для оценки эффективности методов машинного обучения используются 3240 акустических записей работы сердца. Заболевания сердечно-сосудистой системы – самые распространенные причины смерти среди населения во всем мире. По оценкам Всемирной организации здравоохранения каждый год от заболеваний сердечно-сосудистой системы умирает около 17.9 миллиона человек, что составляет 31 % от всей смертности [1]. Существуют различные методы обнаружения патологических состояний сердца, основанные на анализе звуковых явлений, возникающих при его работе. Для классификации акустических сигналов применяются модели логистической регрессии и случайных лесов. Также для решения задачи классификации проведено обучение и тестирование нейронной сети. Эффективность работы моделей оценивается сразу по четырем метрикам, а именно accuracy, precision, recall, F1.
Авторы: Д. А. Кузин, Л. Г. Стаценко, П. Н. Анисимов, М. М. Смирнова
Направление: Информатика, вычислительная техника и управление
Ключевые слова: Машинное обучение, классификация акустических сигналов, спектральный анализ, искусственная нейронная сеть, логистическая регрессия, метод случайных лесов
Открыть полный текст статьи