Réalisation d’un dispositif d’acquisition, d’analyse et classification de pleurs de bébés
Des informations générales:
Le niveau |
Master |
Titre |
Réalisation d’un dispositif d’acquisition, d’analyse et classification de pleurs de bébés |
SPECIALITE |
Instrumentation Biomédicale |
Page de garde:
Sommaire:
Introduction générale
Chapitre I: Etat d’art
1. Introduction
2. Les travaux effectués
2.1. Détection des pleurs de bébé dans un environnement domestique grâce à l’apprentissage profond.
2.2. Chatter Baby
2.3. Les méthodes de reconnaissance des pleurs de bébé et surveillance intelligente basée sur DNN-GMM-HMM
2.4. Berceau intelligent pour bébé utilisant le module FN-M16P.
2.5. Système intelligent de détection des pleurs des bébés avec Raspberry Pi
3. Problématique
4. Méthode.
5. Conclusion
Chapitre II: Généralité
1. Introduction
2. Définition du son
3. Les caractéristiques du son.
3.1. La période
3.2. La fréquence
3.3. La longueur d’onde.
3.4. L’amplitude
3.5. La phase.
3.6. La célérité
3.7. Le spectre.
4. Les types de son
4.1. Les sons purs ou sons simples.
4.2. Les sons complexes
5. Les propriétés du son.
5.1. L’impédance (Z).
5.2. La pression acoustique (P)
5.3. La puissance acoustique (W)
5.4. Intensité sonore (I).
6. La voix humaine.
7. Les pleurs de bébé
8. L’origine et le rôle du pleur du bébé
9. Les caractéristiques de signal pleurs des bébés.
10. Les différences entre le crie d’un bébé et un enfant.
11. Anatomie de l’oreille.
11.1. L’oreille externe.
11.2. Oreille moyenne
11.3. Oreille interne
12. Le mécanisme de l’audition
13. La surdité
13.1. Les types de la surdité.
14. Impact de la perte auditive.
14.1. Impact fonctionnel
14.2. Impact social et émotionnel
14.3. Impact économique.
15. Principaux faits
16. Conclusion.
Chapitre III: méthodologie
1. Introduction
2. Hardware
3. Logiciels utilisés (Software).
3.1. Anaconda Navigator.
3.2. Langage python
3.3. App Inventor
3.4. Windows on Raspberry.
4. Mel-Frequency Cepstral Coefficients (MFCC).
5. Apprentissage profond (Deep learning)
6. Les réseaux de neurones convolutifs.
6.1. Les couches convolutives
6.2. La fonction d’activation ReLU
6.3. La couche pooling
6.4. La couche d’aplatissement.
6.5. La couche entièrement connectée
7. La précision
8. L’optimisation Adam.
Chapitre IV : réalisation et implémentation
1. Introduction
2. Architecture du back-end de logiciel.
3. Première partie de projet
3.1. Etape 01: Préparation de base de données
3.2. Etape 02: Création d’un modèle CNN
3.3. Etape 03: l’apprentissage pour le model
3.4. Etape 04: Enregistrement de son
3.5. Etape 05: Extraction des paramètres MFCC et conversion en jsonfile
3.6. Etape 06: Prédiction et envoi du résultat de la classification au smartphone.
4. Deuxième partie du projet
4.1. Initialisation et configuration du Raspberry pi
4.2. Application « Baby Crying Classifier »
5. Conclusion.
Références
Chapitre I: Etat d’art
1. Introduction
2. Les travaux effectués
2.1. Détection des pleurs de bébé dans un environnement domestique grâce à l’apprentissage profond.
2.2. Chatter Baby
2.3. Les méthodes de reconnaissance des pleurs de bébé et surveillance intelligente basée sur DNN-GMM-HMM
2.4. Berceau intelligent pour bébé utilisant le module FN-M16P.
2.5. Système intelligent de détection des pleurs des bébés avec Raspberry Pi
3. Problématique
4. Méthode.
5. Conclusion
Chapitre II: Généralité
1. Introduction
2. Définition du son
3. Les caractéristiques du son.
3.1. La période
3.2. La fréquence
3.3. La longueur d’onde.
3.4. L’amplitude
3.5. La phase.
3.6. La célérité
3.7. Le spectre.
4. Les types de son
4.1. Les sons purs ou sons simples.
4.2. Les sons complexes
5. Les propriétés du son.
5.1. L’impédance (Z).
5.2. La pression acoustique (P)
5.3. La puissance acoustique (W)
5.4. Intensité sonore (I).
6. La voix humaine.
7. Les pleurs de bébé
8. L’origine et le rôle du pleur du bébé
9. Les caractéristiques de signal pleurs des bébés.
10. Les différences entre le crie d’un bébé et un enfant.
11. Anatomie de l’oreille.
11.1. L’oreille externe.
11.2. Oreille moyenne
11.3. Oreille interne
12. Le mécanisme de l’audition
13. La surdité
13.1. Les types de la surdité.
14. Impact de la perte auditive.
14.1. Impact fonctionnel
14.2. Impact social et émotionnel
14.3. Impact économique.
15. Principaux faits
16. Conclusion.
Chapitre III: méthodologie
1. Introduction
2. Hardware
3. Logiciels utilisés (Software).
3.1. Anaconda Navigator.
3.2. Langage python
3.3. App Inventor
3.4. Windows on Raspberry.
4. Mel-Frequency Cepstral Coefficients (MFCC).
5. Apprentissage profond (Deep learning)
6. Les réseaux de neurones convolutifs.
6.1. Les couches convolutives
6.2. La fonction d’activation ReLU
6.3. La couche pooling
6.4. La couche d’aplatissement.
6.5. La couche entièrement connectée
7. La précision
8. L’optimisation Adam.
Chapitre IV : réalisation et implémentation
1. Introduction
2. Architecture du back-end de logiciel.
3. Première partie de projet
3.1. Etape 01: Préparation de base de données
3.2. Etape 02: Création d’un modèle CNN
3.3. Etape 03: l’apprentissage pour le model
3.4. Etape 04: Enregistrement de son
3.5. Etape 05: Extraction des paramètres MFCC et conversion en jsonfile
3.6. Etape 06: Prédiction et envoi du résultat de la classification au smartphone.
4. Deuxième partie du projet
4.1. Initialisation et configuration du Raspberry pi
4.2. Application « Baby Crying Classifier »
5. Conclusion.
Références
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.