ВЫБОР ПРЕДИКТОРОВ ДЛЯ ОПИСАНИЯ АКУСТИЧЕСКИХ СИГНАЛОВ ЧРЕЗВЫЧАЙНЫХ СОБЫТИЙ
Ключевые слова:
дескриптивные модели, акустические сигналы, обнаружения чрезвычайных событий, предикторы, признакиАннотация
В статье рассматривается исследование оценки параметров акустических сигналов, характеризующих чрезвычайные ситуации социального характера, такие как крики, взрывы, плач и звуки оружия.
На основе методов параметрической и непараметрической статистики, спектрального анализа и теории вероятностей разрабатывается дескриптивная модель, которая позволяет охарактеризовать параметры сигналов с учетом их спектральных, временных и амплитудных особенностей.
Были рассчитаны основные статистические параметры акустических сигналов, такие как медиана в Q1 и Q3 квартилях, D-статистика, p-значение, а также изучаются показатели RMS и MARSE. Дополнительно анализируются зависимости между указанными параметрами и их влияние на классификацию сигналов.
Предложенный подход и полученные результаты применяются для повышения точности систем обнаружения чрезвычайных ситуаций и классификации звуков в общественных местах.
Библиографические ссылки
Costa D. G. et al. A survey of emergencies management systems in smart cities //IEEE Access. – 2022. – Т. 10. – С. 61843-61872.
Fime A. A., Ashikuzzaman M., Aziz A. Audio signal based danger detection using signal processing and deep learning //Expert Systems with Applications. – 2024. – Т. 237. – С. 121646.
Desai D., Mehendale N. A review on sound source localization systems //Archives of Computational Methods in Engineering. – 2022. – Т. 29. – №. 7. – С. 4631-4642.
Bansal A., Garg N. K. Environmental Sound Classification: A descriptive review of the literature //Intelligent systems with applications. – 2022. – Т. 16. – С. 200115.
Areeb Q. M. et al. Helping hearing-impaired in emergency situations: A deep learning-based approach //IEEE Access. – 2022. – Т. 10. – С. 8502-8517.
Villegas-Ch W., Govea J. Application of deep learning in the early detection of emergency situations and security monitoring in public spaces //Applied System Innovation. – 2023. – Т. 6. – №. 5. – С. 90.
Momynkulov, Z., Dosbayev, Z., Suliman, A., Abduraimova, B., Smailov, N., Zhekambayeva, M., & Zhamangarin, D. Fast Detection and Classification of Dangerous Urban Sounds Using Deep Learning. CMC-COMPUTERS MATERIALS & CONTINUA, 75(1), 2191-2208.
Shendre, S. P., Priya, M. Y., Sridhar, S., Kamble, S. S., & Khanna, M. Anylogic and Python-Based Gunshot Detection System Using CNN and Trilateration //2024 IEEE International Conference on Information Technology, Electronics and Intelligent Communication Systems (ICITEICS). – IEEE, 2024. – С. 1-7.
Pandya S., Ghayvat H. Ambient acoustic event assistive framework for identification, detection, and recognition of unknown acoustic events of a residence //Advanced Engineering Informatics. – 2021. – Т. 47. – С. 101238.
Nithya T. M. et al. TB-MFCC multifuse feature for emergency vehicle sound classification using multistacked CNN–Attention BiLSTM //Biomedical Signal Processing and Control. – 2024. – Т. 88. – С. 105688.
Zohaib M., Asim M., ELAffendi M. Enhancing Emergency Vehicle Detection: A Deep Learning Approach with Multimodal Fusion //Mathematics. – 2024. – Т. 12. – №. 10. – С. 1514.
Liang C. et al. HADNet: A Novel Lightweight Approach for Abnormal Sound Detection on Highway Based on 1D Convolutional Neural Network and Multi-Head Self-Attention Mechanism //Electronics. – 2024. – Т. 13. – №. 21. – С. 4229.
Gourisaria M. K. et al. Comparative analysis of audio classification with MFCC and STFT features using machine learning techniques //Discover Internet of Things. – 2024. – Т. 4. – №. 1. – С. 1.
Zaman, K., Sah, M., Direkoglu, C., & Unoki, M. A survey of audio classification using deep learning //IEEE Access. – 2023.
Bonet-Solà D., Alsina-Pagès R. M. A comparative survey of feature extraction and machine learning methods in diverse acoustic environments //Sensors. – 2021. – Т. 21. – №. 4. – С. 1274.
Kumar A., Yadav J. Machine learning for audio processing: from feature extraction to model selection //Machine Learning Models and Architectures for Biomedical Signal Processing. – Academic Press, 2025. – С. 97-123.
Jasim W. N. et al. Wind sounds classification using different audio feature extraction techniques //Informatica. – 2022. – Т. 45. – №. 7.
Ahmed S. et al. 2021 Index IEEE Transactions on Audio, Speech, and Language Processing Vol. 29 //IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING. – 2021. – Т. 29.
Chu H. C., Zhang Y. L., Chiang H. C. A CNN sound classification mechanism using data augmentation //Sensors. – 2023. – Т. 23. – №. 15. – С. 6972.
Altay Y. A., Kuzivanov D. O. Descriptive Analysis and Acoustic Emission Signals Parameters Assessments: Signal Processing Data //2023 Seminar on Signal Processing. – IEEE, 2023. – С. 7-12.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Жандос Досбаев, Елдос Алтай , Нуржигит Смайлов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
