Using acoustic features and features fusion in infant cry diagnostic system

Résumé

Les nouveau-nés communiquent leurs besoins et leurs malaises en pleurant. Au fil des années, les chercheurs ont découvert que ses pleurs donnent beaucoup d’informations sur la santé, les besoins et l’état émotionnel du nouveau-né. Cependant, ces informations ne sont pas évidentes pour l'oreille humaine et il existe un besoin pour le développement de systèmes précis capables de percevoir les informations transmises par le signal de ces pleurs. Le fait que les pleurs des nouveau-nés ne soient pas compris entraîne de nombreuses complications car ils ne peuvent pas informer les soignants sur leurs besoins. C'est peut-être l'une des raisons des taux élevés de mortalité néonatale dans le monde. En fait, les nouveau-nés courent les risques les plus élevés parmi tous les groupes d'âge des jeunes adolescents. Par conséquent, le développement et l'introduction d'un outil automatisé susceptible de traduire les informations sous-jacentes à différents niveaux du signal des pleurs pourrait être bénéfiques pour sauver des milliers de vies. Le signal des pleurs a été identifié comme ayant des caractéristiques particulières qui pourraient être altérées en présence d'une pathologie ou sous l'impression d'un état émotionnel tel que la peur. Les différences entre les modèles de signaux de pleurs sains et pathologiques ont favorisé l'émergence de systèmes de diagnostic des pleurs du nouveau-né (NCDS) qui aident au diagnostic et distinguent les pathologies uniquement sur la base des signaux de pleurs du nouveau-né. Plus tard, on a découvert que les pleurs au stade néonatal sont simplement dus à des rythmes biologiques intrinsèques et indépendants et à une maturation sensorimotrice, ce qui signifie que le nouveau-né n'a aucun contrôle sur la génération des pleurs. Cette découverte a conduit à la reconnaissance des signaux de pleurs comme de puissants biomarqueurs dans l'identification des nouveau-nés pathologiques. Cette thèse visait à proposer un NCDS complet qui bénéficierait de méthodes et d'algorithmes simples mais efficaces pour produire une performance souhaitable. Cet objectif a été atteint à partir de deux perspectives : premièrement, la septicémie en tant que principale cause de décès néonatal a été ciblée, ce qui est sans précédent dans les conceptions NCDS; et deuxièmement, le NCDS a été amélioré à toutes les étapes de sa conception grâce à l'utilisation appropriée de nouvelles fonctionnalités, classificateurs, méthodes de fusion et d'optimisation. L'étape d'extraction des caractéristiques a été améliorée avec la combinaison appropriée de caractéristiques vocales et musicales qui représentaient différents niveaux d'information. Ces caractéristiques comprenaient des caractéristiques de bas niveau du centroïde spectral et du pic, des caractéristiques de niveau moyen de MFCC, GFCC et BFCC, et enfin, des caractéristiques de haut niveau du rapport harmonique (harmonic ratio) et des caractéristiques delta et d'accélération pour le cepstral. Par la suite, l'espace des caractéristiques composé de diverses combinaisons de ces caractéristiques a été réduit pour éviter la redondance et la haute dimensionnalité avec une entropie floue (fuzzy) et des méthodes d'analyse des composants de voisinage (neighborhood component analysis) de la sélection des caractéristiques. Afin de consolider différents ensembles de fonctionnalités dans un espace de fonctionnalités uniforme, l'analyse de corrélation canonique (canonical correlation analysis) a été utilisée comme méthode de fusion au niveau des fonctionnalités. La prochaine étape du NCDS comprend la classification et le réglage fin des classificateurs pour chacune des expériences. Dans cette étude, nous avons utilisé les schémas de classification la machine à vecteurs de support, le K plus proches voisins (K-nearest neighborhood), le perceptron multicouche (multilayer perceptron) et les réseaux de longue mémoire à court terme pour classer les signaux de pleurs en fonction de leurs classes correspondantes. Chacun de ces classificateurs a été réglé avec différentes méthodes d'optimisation d'hyperparamètres telles que la recherche aléatoire, la recherche de grille (grid search) et Bayesian pour s'adapter à chaque expérience. La dernière étape de notre NCDS proposé introduit la méthode de fusion de modèles de décision (decision template fusion) pour fusionner les décisions prises par différents classificateurs qui ont été formés par diverses caractéristiques, ce qui permet l'utilisation de caractéristiques de différentes modalités et origines sans avoir besoin de mesures supplémentaires pour les combiner. Les performances du NCDS proposé ont été évaluées à l'aide de différentes mesures d'évaluation telles que la précision, l'aire sous la courbe ROC (AUC-ROC), la précision, le rappel et la F-mesure. L'objectif principal de cette étude était le développement d'un NCDS complet tout en gardant la pathologie inexplorée de la septicémie comme point focal. En conséquence, en plus de différencier les nouveau-nés septiques des nouveaux-nés sains, le NCDS a été conçu pour distinguer pour la première fois deux pathologies étroitement liées. Succédant aux réalisations précédentes, le NCDS a franchi une étape pour détecter les nouveau-nés septiques parmis un ensemble de 32 autres pathologies. Enfin, une conception complète non intrusive et non sophistiquée a été réalisée qui peut être utilisée comme système d'alerte pour signaler les nouveau-nés à risque plus élevé d'être diagnostiqué avec un groupe de pathologies critiques telles que la septicémie.

Date	19 déc. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Chakib Tadj (Directeur(-trice))