بهبود عملکرد طبقه بندی کننده ها در شناسایی اختلالات دستگاه تولید صوت مبتنی بر ویژگی های منتخب با روش های انتخاب ویژگی

بروز اختلالات در دستگاه تولید صوت امروزه جزء یکی از مرموز ترین و شایع ترین معضلاتی است که انسانها با آن مواجه هستند. این امر سبب شد که متخصصان حوزه پردازش به دنبال راهکارهایی برای تشخیص بروز بیماری از طریق پردازش دیجیتال سگینال صوتی برآیند در این پژوهش بر آن برآمدیم با اصلاح و بهبود روش های موثر بکار گرفته شده در پژوهش های پیشین ، روشی ارائه شود که هم افزایش دقت و سرعت را داشته باشد و هم از لحاظ الگوریتم های تشخیصی بهینه شده است. در این پژوهش دو دسته ویژگی مورد بررسی قرار گرفتند. دسته اول شامل ویژگی هایی که در پژوهش های گذشته به عنوان ویژگی های موثر و خوب در زمینه تشخیص بیمار بودن افراد مورد مطالعه شان معرفی شده است، می باشند و دسته دوم شامل تعدادی ویژگی ابتکاری می باشد که با بکارگیری اپراتورهای ریاضی موجود بر ویژگی ها حاصل شده است. این ویژگی ها شامل: ویژگی های فرکانس فرمنت و فرکانس اساسی و مشتقاتشان، انرژی طیف هارمونیک به انرژی نویز، دسته ویژگی های ضرایب کپستروم، دسته ویژگی های ضرایب کدینگ پیش بینی کننده، دسته ویژگی استخراج شده از آنالیز موجک می باشد. در این پژوهش با تغییر پارامتر هایی که در الگوریتم محاسبه تک تک ویژگی ها در اختیار است، سعی در بهبود دقت طبقه بندی کننده ها و همچنین افزایش سرعت پردازش شده است. ویژگی ضرایب کدینگ پیش بینی کننده خطی و ویژگی هارمونیک به نویز نتایج بهتری را ارائه کرده اند. ویژگی ضرایب کدینگ پیش بینی کننده خطی برای کرنل خطی دقت ??? % جداسازی را نشان می دهد و ویژگی هارمونیک به نویز دقت ??? % تشخیص درست برای افراد سالم و ??% تشخیص درست برای افراد بیمار را نشان می دهد. برای کرنل مربعی ویژگی ضرایب کدینگ پیش بینی کننده خطی دقت ?? % تشخیص درست برای افراد سالم و ??? % تشخیص درست برای افراد بیمار را نشان می دهد. برای همین کرنل ویژگی هارمونیک به نویز دقت ??? % تشخیص درست برای افراد سالم و ??% تشخیص درست برای افراد بیمار را به نمایش می گذارد.برای کرنل چند جمله ای ویژگی ضرایب کدینگ پیش بینی کننده خطی دقت ?? % تشخیص درست برای افراد سالم و ??? % تشخیص درست برای افراد بیمار را نشان می دهد. برای همین کرنل ویژگی هارمونیک به نویز دقت ??? % تشخیص درست برای افراد سالم و ??% تشخیص درست برای افراد بیمار را به نمایش می گذارد. برای کرنل گوسی ویژگی ضرایب کدینگ پیش بینی کننده خطی دقت ?? % تشخیص درست برای افراد سالم و ??? % تشخیص درست برای افراد بیمار را نشان می دهد. برای همین کرنل ویژگی هارمونیک به نویز دقت ??? % تشخیص درست برای افراد سالم و ??% تشخیص درست برای افراد بیمار را به نمایش می گذارد. لازم به ذکر است که ویژگی هایی مانند ضرایب کپستروم و ویژگی های استخراج شده از آنالیز موجک نیز نتایج خوبی ارائه نموده اند.. در این مطالعه روش انتخاب ویژگی مجزا، روش آنالیز مولفه اساسی و الگوریت ژنتیک مورد بررسی قرار گرفت. نتایج نشان می دهد که الگورتم ژنتیک نسبت به دو روش دیگر دقت طبقه بندی کننده را بیشتر افزایش می دهد. اما این روش هزینه محاسباتی را نیز افزایش می دهد. از آنجایی که در مرحله بهینه سازی ویژگی ها برای کرنل ها، پارامتر هزینه محاسباتی را بیشتر مورد توجه قرار دادیم، معضل افزایش هزینه محاسباتی با استفاده از الگوریتم ژنتیک را تا حدود بسیار زیادی کاهش دادیم. بهترین دقت برای این مرحله با استفاده از الگوریتم ژنتیک حاصل شده است. وبطور کلی برای تمام دادگان و تمام کرنل ها به دقت بالای ??% جداسازی دست پیدا کردیم.