انجمن کامپیوتر ایران

سیستم¬های بازشناسی گفتار دارای کاربردهای مختلفی هستند که یکی از این کاربردها استفاده در طراحی نرم¬افزارهای آموزشی کودکان است. در این پژوهش یک سیستم بازشناسی گفتار کودکان برای استفاده در طراحی یک نرم¬افزار گفتاردرمانی مورد بررسی قرار گرفته و برای ایجاد این سیستم بازشناسی گفتار، از روش مدل¬های مارکوف پنهان استفاده شده است. هدف این سیستم، بازشناسی کلماتی است که بسیار مشابه هم هستند و تنها در یک یا دو واج تفاوت دارند. این کلمات شامل 47 واژه به همراه همسان¬های مربوط به هر واژه است که اختلالاتی مثل جایگزینی یک واج با واج دیگر، جابه¬جایی یک واج با واج کناری و حذف یک واج در آن¬ها درنظر گرفته شده است. برای آموزش و آزمون سیستم بازشناسی از نمونه¬های جمع¬آوری شده مربوط به38 کودک در محدوده سنی 5 تا 9 سال استفاده شده است که داده¬های آموزش 1300 جمله و داده¬های آزمون 2500 واژه می-باشد. تمام مراحل آموزش و آزمون سیستم بازشناسی با استفاده از ابزار HTK انجام شده و دقت بازشناسی سیستم ایجاد شده 56/71% است.

کشف خودکار تغییرات کوچک و غیر قابل مشاهده ما بین تصاویر MRI پستان که در طول درمان از بیمار گرفته می‏شوند، از اهمیت بالایی برخوردار است. چرا که بدین وسیله پزشک قادر به آنالیز دقیق واکنش تومور به شیمی درمانی خواهد بود. کشف این تغییرات توسط پزشک، کاری بسیار سخت و گاهی غیر ممکن است. چرا که برخی از این تغییرات به حدی کوچک هستند که قابل مشاهده نمی‏باشند. از طرفی دیگر، به دلیل این که آرتیفکت‏های حاصل از تصویر‏برداریMRI، تغییرات جعلی بسیاری را در تصویر ایجاد می‏کنند، انجام خودکار آن نیز یکی از چالش‏های باقی مانده در این حوزه است. ما در این مقاله، چهارچوبی خودکار ارائه می‏کنیم، که به دلیل استفاده از روش‏های مبتنی بر رشد ناحیه و قطعه‏بندی میدان تصادفی مارکوف (I-MRF) که در تحقیق پیشین خود ارائه کرده‏ایم، نسبت به نویز و تغییرات حاصل از آرتیفکت‏ها مقاوم است. علاوه بر آن در این سیستم تئوری اطلاعات متقابل محلی را جهت تعیین میزان شباهت نواحی به کاربرده‏ایم. نتایج آزمایشات بر روی داده‏های شبیه‏سازی شده و واقعی نشان از بالا بودن میزان کارایی سیستم در مقابل روش‏های آماری و آستانه‏گیری دارد. همچنین این سیستم در مقایسه با فرد خبره نیز در کشف تغییرات کوچک برتری کامل دارد.