در پژوهش حاضر با استفاده از یک سطح آستانه روی انرژی سیگنال گریه در سطح فریم، قسمت های سکوت را از سیگنال گریه نوزاد شناسایی و حذف می کنیم. پس از استخراج ویژگی، آنها را می بایست به طبقه بندی کننده svm اعمال نماییم. جهت کاهش بُعد یا ویژگی معولاً از pca استفاده می شود. در پیاده سازی این پژوهش با محاسبه میانگین ویژگی های مستخرج از فریم های غیرسکوت، کاهش بُعد انجام شده است. کاهش حجم محاسبات و افزایش سرعت اجرای برنامه از مزایای استفاده از این روش نسبت به pca است. جهت طبقه بندی دو کلاس سالم و ناشنوا از دو نوع داده "کامل" و "قطعه بندی شده ی یک ثانیه ای" استفاده کردیم. در طبقه بندی سیگنال های قطعه بندی شده یک ثانیه ای با بردار ویژگی 7mfcc و مشتق اول آن به بهترین صحت بازشناسی (52/98 %) رسیدیم. در طبقه بندی سیگنال های کامل با بردار ویژگی 9mfcc و مشتق اول آن به بهترین صحت بازشناسی (54/95 %) دست یافتیم. در طبقه بندی چهار کلاس سالم، دارای درد، گرسنه و دارای کمبود اکسیژن با سیگنال های قطعه بندی شده یک ثانیه ای بعنوان ورودی و با استخراج ویژگی 7mfcc به صحت بازشناسی 24/76 % دست یافتیم. در طبقه بندی سیگنال های کامل از چهار کلاس بالا و استخراج ویژگی های 9mfcc، جیتر، شیمر به بهترین صحت بازشناسی (56/78 %) دست یافتیم.