Classification of crying in neonates using an artificial neural network with quantitative acoustic parameters
DOI:
https://doi.org/10.46502/issn.2710-995X/2021.5.01Keywords:
ANN feed-forward supervised, multilayer perceptron, pathological cry, pain cry, quantitative acoustic parameters.Abstract
Neonatology defines a neonate to the newborn (NB) from the moment of birth to the completion of twenty-eight days after delivery. This research focuses its attention on the field of Artificial Neural Networks (ANN), and specifically supervised. Search that through these networks, it is possible to discriminate between a healthy NB and a pathological one based on their crying in the neonatal period. Its objective being to implement a supervised RNA Back-Propagation (BP) to classify crying in neonates with Hypoxia based on acoustic parameters. For its elaboration, a methodology was conceived based on theoretical methods that included, among others, the analysis-synthesis method to analyze dissimilar properties that encompass the dynamics of RNA. As a result, the crying classifier (normal-pathological) implemented with RNA. With this result obtained are verified the potential of ANNs and their practical use in different areas of knowledge.
Downloads
Download data is not yet available.
References
Ananth, R. (2004). The Levenberg-Marquardt Algorithm. Tutoral on LM algorithm, 11(1), 101-110.
Cano, O.S.D., Escobedo B.D.I., & Coello, F.E. (1999). El uso de los mapas auto-organizados de kohonen en la clasificación de unidades de llanto infantil. I Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 24-29.
Del Brio, B., & Sanz, M.A. (2006). Redes Neuronales y Sistemas Borrosos. Universidad de Zaragoza.
Diez, R.H., Torres, A.M., Escobedo, B.D.I., Cano, O.S.D., Regüeiferos, P.L., & Capdevila, B.L. (1999). Una primera aproximación de ayuda al diagnóstico del llanto infantil usando clasificación supervisada. Actas-II. (VI Simposio Internacional de Comunicación Social), Editorial Oriente, 1404-1409.
Escobedo, B.D.I. (2006). Análisis Acústico del Llanto del Niño Recién Nacido Orientado al Diagnóstico de Patología en su Neurodesarrollo Debido a Hipoxia (Tesis de doctorado), Universidad de Oriente: Centro de Estudios de Neurociencias, Procesamiento de Imágenes y Señales, Santiago de Cuba.
Escobedo, B.D.I, Sanabria, M.F., Marañón, R.E.J., Cano, O.S.D., Zamora, M.L., Regüeiferos, P.L., Capdevila, B.L., & Delgado, G.G.M. (2015). Clasificación del llanto del recién nacido según la frecuencia fundamental. XIV Simposio Internacional de Comunicación Social. Comunicación Social: Retos y Perspectivas. Ediciones Centro de Lingüística Aplicada, 2, 635-640.
Escobedo, B.D.I. (2018). Análisis acústico del llanto del niño recién nacido: Una metodología. Editorial Académica Española. International Book Market Service Ltd. OmniScriptum Publishing Group. Catalog of German National Library.
Freeman, J., & Skapura, D. (1991). Neural Networks: Algorithms, Applications, and Programming Techniques. Addison-Wesley.
Gámez de la Rosa, R. (2013). Diseño e implementación de una herramienta de software para extraer los desplazamientos ascendentes de frecuencia en el tono del llanto infantil (Tesis de maestría), Universidad de Oriente, Centro de Estudios de Neurociencias, Procesamiento de Imágenes y Señales, Santiago de Cuba.
Gavin, H.P. (2013). The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems. Department of Civil and Environmental Engineering, Duke University, 1-19.
Golub, G., Heath, H., & Wahba, G. (1979). Generalized cross-validation as a method for choosing a good ridge parameter. USA: Technometrics.
Kohavi, R. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. S F, CA.
Matich, D.J. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional.
Moody, J. (1991). Note on generalization, regularization and architecture selection in nonlinear learning systems. Neural Networks for Signal Processing. New Jersey: Princeton.
Moody, J., & Utans, J. (1994). Selecting neural network architectures via the prediction risk: application to corporate bond rating prediction. Neural Networks in the Capital Markets. New York: John Wiley & Sons.
Monteagut, F, M. (2017). Clasificación del llanto infantil usando técnicas de minería de datos (Trabajo de pregrado), Universidad de Oriente: Facultad de Ingeniería Eléctrica, Departamento de Informática, Santiago de Cuba.
Orozco, G.J., & Reyes, G.C.A. (2000). Acoustic features analysis for recognition of normal and hipoacusic infant cry based on neural networks. Lecture Notes in Computer Science (LNCS) Springer, 615-622.
Orozco, G.J., Reyes G, C.A. (2003). Mel-frequency cepstrum coefficients extraction from infant cry for classification of normal and pathological cry with feed-forward neural networks. Proceedings of the 2003 International Joint Conference on Neural Networks, (Vol. 4, pp. 3140-3145). IEEE.
Reyes, G.C.A., Cano, O.S.D., Escobedo, B.D.I., et al. (2012). Fundamentos teóricos y prácticos del análisis de llanto infantil: Una herramienta auxiliar para diagnóstico no invasivo. Alemania: Editorial Académica Española.
Simpson, P.K. (1996). Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations. New York: Pergamon Press.
Torres, A.M., Miyar, F.I., Diez, R.H., Cano, O.S.D., Escobedo, B.D.I., Regüeiferos, P.L., & Capdevila, B.L. (1999). Una aproximación al diagnóstico del llanto infantil basado en redes neuronales supervisadas. I Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 20-23.
Torres, A.M., Cano, O.S.D., Escobedo, B.D.I., & Castillo, L.A. (2000). Reconocimiento de clases en unidades de llanto infantil aplicando una red neuronal de kohonen. II Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 49-52.
Veranes, V.C.L. (2018). Análisis comparativo de clasificadores de minería de datos basado en parámetros temporo-frecuencial (Trabajo de pregrado), Universidad de Oriente: Facultad de Ing. en Telecomunicaciones, Informática y Biomédica, Departamento de Informática, Santiago de Cuba.
Wasz-Höckert, O., Lind, J., Vuorenkoski, V., Partanen, T., & Valanne, E. (1968). The infant cry. A spectrographic and auditory analysis. Clin. Dev. Med., 29, 1-42.
Wilamowski, B.M., Yu, H. (2010). Improved Computation for Levenberg-Marquardt training. IEEE Transactions on Neural Networks, 21(6).
Cano, O.S.D., Escobedo B.D.I., & Coello, F.E. (1999). El uso de los mapas auto-organizados de kohonen en la clasificación de unidades de llanto infantil. I Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 24-29.
Del Brio, B., & Sanz, M.A. (2006). Redes Neuronales y Sistemas Borrosos. Universidad de Zaragoza.
Diez, R.H., Torres, A.M., Escobedo, B.D.I., Cano, O.S.D., Regüeiferos, P.L., & Capdevila, B.L. (1999). Una primera aproximación de ayuda al diagnóstico del llanto infantil usando clasificación supervisada. Actas-II. (VI Simposio Internacional de Comunicación Social), Editorial Oriente, 1404-1409.
Escobedo, B.D.I. (2006). Análisis Acústico del Llanto del Niño Recién Nacido Orientado al Diagnóstico de Patología en su Neurodesarrollo Debido a Hipoxia (Tesis de doctorado), Universidad de Oriente: Centro de Estudios de Neurociencias, Procesamiento de Imágenes y Señales, Santiago de Cuba.
Escobedo, B.D.I, Sanabria, M.F., Marañón, R.E.J., Cano, O.S.D., Zamora, M.L., Regüeiferos, P.L., Capdevila, B.L., & Delgado, G.G.M. (2015). Clasificación del llanto del recién nacido según la frecuencia fundamental. XIV Simposio Internacional de Comunicación Social. Comunicación Social: Retos y Perspectivas. Ediciones Centro de Lingüística Aplicada, 2, 635-640.
Escobedo, B.D.I. (2018). Análisis acústico del llanto del niño recién nacido: Una metodología. Editorial Académica Española. International Book Market Service Ltd. OmniScriptum Publishing Group. Catalog of German National Library.
Freeman, J., & Skapura, D. (1991). Neural Networks: Algorithms, Applications, and Programming Techniques. Addison-Wesley.
Gámez de la Rosa, R. (2013). Diseño e implementación de una herramienta de software para extraer los desplazamientos ascendentes de frecuencia en el tono del llanto infantil (Tesis de maestría), Universidad de Oriente, Centro de Estudios de Neurociencias, Procesamiento de Imágenes y Señales, Santiago de Cuba.
Gavin, H.P. (2013). The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems. Department of Civil and Environmental Engineering, Duke University, 1-19.
Golub, G., Heath, H., & Wahba, G. (1979). Generalized cross-validation as a method for choosing a good ridge parameter. USA: Technometrics.
Kohavi, R. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. S F, CA.
Matich, D.J. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional.
Moody, J. (1991). Note on generalization, regularization and architecture selection in nonlinear learning systems. Neural Networks for Signal Processing. New Jersey: Princeton.
Moody, J., & Utans, J. (1994). Selecting neural network architectures via the prediction risk: application to corporate bond rating prediction. Neural Networks in the Capital Markets. New York: John Wiley & Sons.
Monteagut, F, M. (2017). Clasificación del llanto infantil usando técnicas de minería de datos (Trabajo de pregrado), Universidad de Oriente: Facultad de Ingeniería Eléctrica, Departamento de Informática, Santiago de Cuba.
Orozco, G.J., & Reyes, G.C.A. (2000). Acoustic features analysis for recognition of normal and hipoacusic infant cry based on neural networks. Lecture Notes in Computer Science (LNCS) Springer, 615-622.
Orozco, G.J., Reyes G, C.A. (2003). Mel-frequency cepstrum coefficients extraction from infant cry for classification of normal and pathological cry with feed-forward neural networks. Proceedings of the 2003 International Joint Conference on Neural Networks, (Vol. 4, pp. 3140-3145). IEEE.
Reyes, G.C.A., Cano, O.S.D., Escobedo, B.D.I., et al. (2012). Fundamentos teóricos y prácticos del análisis de llanto infantil: Una herramienta auxiliar para diagnóstico no invasivo. Alemania: Editorial Académica Española.
Simpson, P.K. (1996). Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations. New York: Pergamon Press.
Torres, A.M., Miyar, F.I., Diez, R.H., Cano, O.S.D., Escobedo, B.D.I., Regüeiferos, P.L., & Capdevila, B.L. (1999). Una aproximación al diagnóstico del llanto infantil basado en redes neuronales supervisadas. I Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 20-23.
Torres, A.M., Cano, O.S.D., Escobedo, B.D.I., & Castillo, L.A. (2000). Reconocimiento de clases en unidades de llanto infantil aplicando una red neuronal de kohonen. II Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 49-52.
Veranes, V.C.L. (2018). Análisis comparativo de clasificadores de minería de datos basado en parámetros temporo-frecuencial (Trabajo de pregrado), Universidad de Oriente: Facultad de Ing. en Telecomunicaciones, Informática y Biomédica, Departamento de Informática, Santiago de Cuba.
Wasz-Höckert, O., Lind, J., Vuorenkoski, V., Partanen, T., & Valanne, E. (1968). The infant cry. A spectrographic and auditory analysis. Clin. Dev. Med., 29, 1-42.
Wilamowski, B.M., Yu, H. (2010). Improved Computation for Levenberg-Marquardt training. IEEE Transactions on Neural Networks, 21(6).
Published
2021-11-23
How to Cite
Benitez Labori, G. J., & Escobedo Beceiro, D. I. (2021). Classification of crying in neonates using an artificial neural network with quantitative acoustic parameters. Orange Journal, 3(5), 4–9. https://doi.org/10.46502/issn.2710-995X/2021.5.01
Issue
Section
Artículos
