به گزارش
خبرگزاری صدا و سیما به نقل از روابط عمومی دانشگاه صنعتی امیرکبیر؛ فاطمه وخشیته، دکترای مهندسی پزشکی - گرایش بیوالکتریک، از دانشگاه صنعتی امیرکبیر درباره طرح خود مبنی بر «طراحی سامانه طراحی بازشناسی خودکار گفتار» اظهار کرد: بهکارگیری منابع اطلاعاتی متعدد نقش مهمی در سامانههای بازشناسی گفتار دارد بهطوری که عملکرد مطلوب‌تر سامانهها میتواند در نتیجۀ استفادۀ صحیح از اطلاعات کمکی مناسب و با روشهای دقیق شود.
وی افزود: این موضوع ریشه در طبیعت ادراک در انسان دارد چراکه در مغز انسان و از جمله در فرآیندهای تولید و ادراک گفتار، بهطور همزمان بر روی چندین منبع اطلاعاتی پردازش صورت میپذیرد.
وی با اشاره به تحقیقات خود در زمینه بازشناسی خودکار گفت: هدف این رساله بهکارگیری اطلاعات تصویری در قالب اطلاعات کمکی و ارائۀ سامانه بازشناسی خودکار گفتار صوتی-تصویری است، تا ضمن برآورده شدن طبیعت چندگونهای ادراک در انسان، از خاصیت مقاوم بودن اطلاعات تصویری در برابر نویز صوتی نیز استفاده شود.
این محقق گفت: در بازشناسی گفتار صوتی-تصویری، هر یک از روشهای استخراج ویژگی، مدلسازی، تلفیق گونههای مختلف صوتی و تصویری، و در نهایت بازشناسی دوگونهای گفتار نقش بسزایی دارند. منظور از یک گونه، یک منبع اطلاعاتی است و ویژگیهای مستخرج در شرایط ارائۀ یک منبع اطلاعاتی، ویژگیهای تکگونهای نامیده میشوند.
وی با بیان اینکه منظور از دو گونه، دو منبع مختلف اطلاعاتی است و ویژگیهای مستخرج در شرایط فراهمشدن همزمان دو منبع اطلاعاتی، ویژگیهای دوگونهای نامیده میشوند، بیان کرد: بر این اساس در این رساله ابتدا ویژگیهای مناسب صوتی و تصویری جستجو و استخراج میشوند.
وخشیته گفت: در خصوص شاخۀ تصویری، از روشهای کلاسیک و مبتنی بر شبکههای عصبی عمیق استفاده می‌شود و در ادامه یک روش استخراج ویژگی ترکیبی پیشنهاد می‌شود که از این میان ویژگیهای تصویری هیبریدی، که در یک فرآیند پیشپردازشی پیچیده استخراج می شوند، بهعنوان ویژگیهای منتخب تصویری درنظر گرفته خواهند شد.
وی در خصوص روند کار با این سامانه ادامه داد: شاخۀ صوتی، ویژگیهای کپسترال فرکانس حوزه مل پس از انجام مقایسهها بهعنوان ویژگیهای منتخب صوتی لحاظ می
شوند؛ در ادامه، تلفیق کارآمد ویژگیهای منتخب تکگونهای دنبال می‌شود، بهگونهای که موجب همافزایی دو منبع اطلاعاتی و همچنین کاهش نویز زمینۀ موجود در گفتار صوتی شود.
وی با بیان اینکه در این خصوص دو رویکرد تلفیق ویژگی پیشنهاد می‌شود، خاطر نشان کرد: در رویکرد اول، از معیار آنتروپی جهت سنجش میزان رسایی (چگونگی بازنمایی اطلاعات) ویژگیهای حاصل از منابع صوتی و تصویری استفاده می‌شود و تلفیق اطلاعات در سطح متوسط با انتخاب لایۀ صوتی با آنتروپی بیشینه و لایۀ تصویری با آنتروپی کمینه صورت می پذیرد. در رویکرد دوم، از شبکههای کدگذار خودکار عمیق استفاده می‌شود و تلفیق اطلاعات در لایۀ گلوگاه شبکه صورت میپذیرد. در این رویکرد یک ساختار دوگونهای پیشنهاد می‌شود که طیِ چهار مرحله توسعه و تکمیل می‌شود.
وی افزود: در آخرین مرحله از توسعه، با در نظر گرفتن تابع مناسب نگاشتدهنده ویژگیهای گلوگاهی نویزی به تمیز و قراردادن لایۀ برچسبها در کنار گلوگاه شبکه، ساختاری بهدست میآید که نسبت به سایر ساختارها از کارآمدی بالاتری برخوردار است.
وی با اشاره به نتیجه تحقیقات خود گفت: خروجی رویکردها بهطور کلی موفقیت عملکرد آنها را نشان میدهد و به میزان بالایی در بهبود نتایج بازشناسی گفتار مؤثر است.
وی ادامه داد: در شرایط نویزی با ارائه اطلاعات صوتی به تنهایی در سامانه عمیق هیبریدیِ مبتنی بر شبکه باور عمیق و مدل مخفی مارکوف، نرخ خطای واجی 18 و نیم درصد را نشان می دهد که در این شرایط، با تلفیق ویژگیها بر اساس معیار آنتروپی، نرخ خطای واجی به 10 و 9 دهم درصد کاهش می یابد که این مقدار با تلفیق ویژگیها توسط شبکۀ کدگذار خودکار عمیق دوگونهای برابر با 10 و 3 دهم درصد می‌شود.
وی افزود: از این سامانه می توان برای افرادی که مشکل ناشنوایی دارند استفاده شود.
وی با اشاره به کاربرد این سامانه گفت: «کمک به افرادی که اختلال تکلم دارند، به نحوی که از اطلاعات تصویری آنها کمک گرفته و اختلال ایجاد شده در سیگنال گفتار این افراد جبران شود» که این کاربرد در بهبود انتقال پیام در سیگنال گفتار گویندگان است؛ این یکی از کاربردهای سامانه محسوب می شود.
وی ادامه داد: « در محیط های شلوغ که اطلاعات صوتی گویندگان مخدوش یا نامفهوم است از اطلاعات تصویری این افراد کمک گرفته می‌شود و پیغام صوتی منتقل می‌شود» از جمله کاربردهای این سامانه است. این کاربرد در بهبود انتقال پیام برای شنوندگان است.
افزود: اینها نمونه کاربردهای رایجی هستند که در آنها از اطلاعات تصویری در بازشناسی خودکار گفتار استفاده می‌شود، اما توجیه بکارگیری شبکه های عصبی عمیق در این راستا ارتقای دقت بازشناسی گفتار تصویری (لب خوانی) و گفتار صوتی معمولی و همچنین در شرایطی است که از اطلاعات صوتی و تصویری بصورت همزمان استفاده می شود است.
این طرح به راهنمایی دکتر فرشاد الماس گنج و مشاوره دکتر احمد نیک آبادی انجام شده است.