一、项目概述
本文是婴儿哭声分类识别系统化的主体部分，主要解决智能音频分类的问题。基于此目标，本文查找了大量资料，并做了大量实验，最后获得了一个婴儿哭声分类识别准确率相对较高的深度学习模型——迁移学习Urbansound数据模型。
本文将从问题出发，提出问题、分析问题、解决问题，讲解如何一步步地解决该问题，并最终获得满意的结果。
二、项目规划
1. 项目要点问题
- 婴儿哭声数据集——去哪找？
- 音频数据如何预处理？
- 音频如何分类？
- 神经网络结构如何设计？（DNN、DNN+CNN、迁移学习）
- 实验如何设计？
- .....
2. 项目开发工具
- 模型训练（GPU）——Colab
- 本地环境管理——Anaconda
- 本地开发——Pycharm
3.项目涉及代码
三、项目要点
1.婴儿哭声数据集
本项目遇到的第一个关键问题是数据集去哪里找？起初在网上找到一个音频共享网站，在这里找到了很多婴儿哭声的音频，但是，数量依旧还是很有限的，而且音频分类的标签是否准确也具有一定的不确定性，所以转而去找有没有现成的婴儿哭声数据集。
各大机器学习比赛网站、各个数据集网站、国内外音频分类相关论文等。终于，在飞桨数据集中找到了有标签的婴儿啼哭数据集。打开数据集可以看到train和test两个文件夹，如图1所示。由于test文件夹中的音频没有标签，所以只能使用train文件夹数据进行训练，数据集类别如图2所示。
- 训练集中共有数据918条，音频格式为wav，数据长度5s~30s不等。
2.音频处理
2.1 音频问题
解决了数据集问题，下一步就需要考虑音频数据问题：
- 数据量是否足够训练出符合要求的模型？
- 数据长度是否符合神经网络需要？
- 数据应该如何送入网络？
- ......
2.2 解决音频问题
小编在研究生阶段研究的是图像处理，图像可以被看成是一个多维矩阵，具有长宽高，自然可以送入神经网络中，音频该如何处理呢？
查找资料发现，音频实际是以波的形式存在，若以时间为横轴、振幅为纵轴绘制图像，则如图3所示。
通过查看原始音频文件数据存储发现，虽然音频文件同样可表现为张量数据（如图4所示），但在深度学习方面通常不会将其直接放入网络，通常的做法是将音频转换为频谱图（如图5所示）。频谱图是音频波的简洁“快照”，因为它是图像，所以非常适合输入到为处理图像而开发的基于CNN的架构中。图6展示了音频深度学习流程图。
3.深度学习网络结构
针对本项目，小编考虑了几种可能的深度学习网络结构，如全连接神经网络（DNN）、卷积神经网络（CNN+DNN）、迁移学习（vggish）。
4.音频数据
- 婴儿哭声音频
大家不难发现，其实，本文所使用的婴儿哭声数据集并不是标准的数据集，而且数据量也很小，在判断网络模型优劣方面并不具有权威性，所以本文将使用婴儿哭声测试集作为评估模型的一个参考，同时使用标准音频分类数据集（Urbansound8K）对模型进行辅助评估，并最终找到识别效果较好的深度学习分类模型。
- 实验数据集
本项目希望音频的最大长度不超过10s，故针对所使用的数据需要经过裁剪处理，并映射到指定长度。
Urbansound8K是包含10类声音的数据集，包括狗叫、汽车喇叭等声音，音频长度均在10s以内；
Babysound是一类包含6类声音的数据集，包括饿了、想睡觉等声音，音频长度为5s～30s不等（如图7所示），本项目将通过裁剪、分割不符合条件的音频，最终音频如图8所示。
- 关于婴儿哭声数据集的测试集
由于分割后的婴儿哭声数据集数量依然很小（共2184条），并不足以满足训练集、验证集、测试集的各部分需求，所以本项目采用随机从原始婴儿哭声数据集中（长度5s～30s的数据）抽取一定量的数据，并随机对抽到的每条数据进行裁剪，使得每条数据长度为10s，由此获得的有标签的294条音频数据将作为最终的婴儿哭声测试集。
四、实验
1. DNN网络
- DNN网络结构如图9所示；
- Urbansound数据集在该网络中的表现如图10所示；
- 图11为Babysound数据集在该网络中的表现；
- 图12为该模型在Babysound测试集上的准确率（0.8163265306122449）。
2. DNN+CNN
- CNN卷积神经网络结构如图13所示；
- Urbansound数据在CNN网络中的表现如图14所示；
- Babysound数据在CNN网络中的表现如图15所示；
- CNN网络模型在Babysound测试上的准确率（0.9081632653061225）如图16所示；
- 在此网络结构下，通过迁移学习Urbansound数据集训练的模型，Babysound数据在此网络结构下的表现如图17所示；
- 迁移学习Urbansound模型在Babysound测试集上的准确率（0.9931972789115646）如图18所示。
3. 迁移学习Vggish模型
Vggish模型是在YouTube的AudioSet数据预训练得到模型，VGGish支持从音频波形中提取具有语义的128维embedding特征向量，网络结构如图19所示。
在迁移学习vggish模型的基础上，实验在网络后添加长短时记忆网络(Long Short Term Memory Network, LSTM)和一个全连接，最终将婴儿哭声数据分成6类，网络结构如图20所示。
图21展示了实验相关参数和实验结果；
图22为vggish迁移模型在Babysound测试集上的准确率（0.8639455782312925）。
4.实验结果汇总
| 深度网络 | 在Babysound测试集中的准确率 |
|---|---|
| DNN网络模型 | 0.8163265306122449 |
| 迁移学习Urbansound的DNN网络模型 | 0.5578231292517006 |
| CNN网络模型 | 0.9081632653061225 |
| 迁移学习Urbansound数据集的CNN网络模型 | 0.9931972789115646 |
| 迁移学习vggish模型 | 0.8639455782312925 |
五、总结与下期预告
本文所述实验内容是婴儿哭声分类识别系统的主体部分，该部分涉及5种网络模型，分别是DNN深度学习模型、迁移学习Urbansound的DNN网络模型、CNN深度学习模型、迁移学习Urbansound数据模型和迁移学习Vggish模型，其中迁移学习Urbansound数据模型在婴儿哭声测试集上的准确率最高，为0.9931972789115646。
在之后的学习中，小编会将完整婴儿哭声分类识别系统（如图23所示）发布，敬请期待：
- 微信小程序——微信搜索🔍“婴儿啼哭”或扫描图24；
- PC管理后台；
- 后端等。
六、后记
项目开始于2022.03，从开始构思到完成本文提到的内容用时大概两周。本篇文章是我第一次尝试把做过的项目总结发布，希望能够通过写作戒骄戒躁、重拾信心。
回想做项目那几周真是难熬，项目截至日期的压力、身体还出现了问题，最难过的是这个时候最值得信赖的情感也出现了问题，失眠、抑郁、自闭....
项目从开始规划到完成本文内容、到完成整个系统、再到完成系统相关文档总用时一个月，真是应了那句话，打不倒我的只会让我更强大，梦想仍未实现，我等仍需努力！挺起胸膛，撑开旗帜，刀锋向前！
七、参考
- Audio Deep Learning Made Simple: Sound Classification, Step-by-Step
- Simple audio recognition: Recognizing keywords
- A Gentle Introduction to Audio Classification With Tensorflow
- 应用深度学习使用 Tensorflow 对音频进行分类
- SENGUPTA, NANDINI, SAHIDULLAH, MD, SAHA, GOUTAM. Lung sound classification using cepstral-based statistical features[J]. Computers in Biology and Medicine,2016,75118-129. DOI:10.1016/j.compbiomed.2016.05.013.
- Tensorflow-Audio-Classification
八、更多下载
- 婴儿哭声分类识别相关数据集和代码
https://mbd.pub/o/bread/YpyYlJtt - 婴儿哭声推理预测【已封装】（免tensorflow安装配置、CPU|GPU均可运行）https://mbd.pub/o/bread/mbd-YpyYlp9p
- 婴儿哭声识别相关说明文档3个文件：婴儿哭声识别项目相关ppt、婴儿哭声识别系统说明书、补充文档“婴儿哭声识别系统说明书”内容涉及系统架构、数据库设计、数据构成、模块界面截图等内容，网络首发，先到先得！欢迎下载👏PPT 系统说明文档https://mbd.pub/o/bread/mbd-ZZyZkp9t
- 婴儿哭声分类识别系统https://mbd.pub/o/bread/mbd-YpyYk5Zp
- 婴儿哭声识别全家桶该文件涉及项目所需的所有代码、文字描述和所使用数据等内容，欢迎下载！👏https://mbd.pub/o/bread/mbd-ZZyZk5Zp
2402
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
