DOI: https://doi.org/10.22266/ijies2026.0630.52
تاريخ النشر: 2026-06-24
المؤلف: Athira R Kurup وآخرون
الموضوع الرئيسي: صحة وتطور الرضع
نظرة عامة
تبحث هذه الدراسة في التصنيف الآلي لصراخات الرضع، والتي تعتبر وسيلة تواصل حاسمة للمواليد الجدد للتعبير عن احتياجاتهم وعدم ارتياحهم. تقدم الدراسة إطار عمل هجين للتعلم العميق يجمع بين الشبكات العصبية التلافيفية (CNN) والشبكات الذاكرة الطويلة القصيرة ثنائية الاتجاه (Bi-LSTM) ومشفّرات المحولات لتحليل وتصنيف صراخات الرضع بناءً على ميزاتها الصوتية بشكل فعال. يقوم النموذج بمعالجة تمثيلات الزمن-التردد لاستخراج الميزات ذات الصلة والتقاط الاعتماديات القصيرة والطويلة في الإشارات الصوتية. تم تقييم الإطار على مجموعة بيانات Donate-a-Cry، حيث حقق دقة تصنيف إجمالية مثيرة للإعجاب بلغت 98.4% عبر خمس فئات من الصراخ: الجوع، عدم الارتياح، الألم، التجشؤ، والتعب.
تؤكد النتائج على قوة وموثوقية النموذج، مع أداء عالٍ لكل فئة ومعدلات تصنيف خاطئ منخفضة. تشير تحليل مصفوفة الالتباس إلى حدود قرار دقيقة، بينما تظهر منحنيات التدريب تقاربًا مستقرًا مع فجوة تعميم ضئيلة، مما يشير إلى تحسين فعال. يكشف تحليل منحنى التشغيل المستلم (ROC) عن حساسية وخصوصية قوية، مما يثبت قدرة النموذج على التعميم بشكل جيد عبر ظروف صوتية مختلفة. تشير هذه النتائج إلى إمكانية استخدام الإطار في التطبيقات العملية في مراقبة الرضع في الوقت الحقيقي وإعدادات الرعاية الصحية، مما يسهل الاستجابة الفورية من مقدمي الرعاية بناءً على تفسيرات دقيقة لصراخات الرضع.
مقدمة
تؤكد مقدمة ورقة البحث هذه على أهمية صراخات الرضع كوسيلة تواصل أساسية للمواليد الجدد، حيث تنقل احتياجات فسيولوجية أساسية وحالات صحية خلال المرحلة ما قبل الكلام. يعتبر البكاء مؤشراً سلوكياً وصوتياً حاسماً لمجموعة متنوعة من الحالات الداخلية مثل الجوع، الألم، والمرض، مما يتطلب استجابة سريعة من مقدمي الرعاية. ومع ذلك، فإن تفسير هذه الصرخات يواجه تحديات بسبب التقييمات الذاتية لمقدمي الرعاية المتأثرة بالتجارب الشخصية والعوامل البيئية، مما قد يؤدي إلى تأخير التدخلات الطبية. هذه المشكلة بارزة بشكل خاص في بيئات المستشفيات والمنازل، مما يبرز الحاجة إلى أدوات آلية موثوقة لتحليل إشارات الصراخ.
لمعالجة هذه التحديات، تقترح الدراسة إطار عمل هجين للتعلم العميق مصمم لتحديد صراخات الرضع متعددة الفئات. يدمج هذا الإطار الشبكات العصبية التلافيفية (CNN) والشبكات الذاكرة الطويلة القصيرة ثنائية الاتجاه (BiLSTM) ونماذج المحولات لتسهيل تعلم الميزات الطيفية الزمنية الشاملة. من خلال هيكلة النموذج بشكل هرمي، تهدف الطريقة إلى تعزيز التمييز بين فئات الصراخ الصوتية المتشابهة وتحسين كفاءة الميزات من خلال التعلم التكميلي عبر وحدات مختلفة. تشمل أهداف الدراسة تطوير هذه البنية المتقدمة، وتقييم أدائها في التطبيقات الواقعية، وإرساء منهجية قوية لتحليل صراخات الرضع. ستراجع الأقسام التالية من الورقة الأدبيات ذات الصلة، وتفصيل النموذج المقترح، وتقديم النتائج التجريبية، ومناقشة اتجاهات البحث المستقبلية.
طرق البحث
تقدم الدراسة نموذجًا هجينًا جديدًا يجمع بين الشبكات العصبية التلافيفية (CNN) والشبكات الذاكرة الطويلة القصيرة ثنائية الاتجاه (Bi-LSTM) ومشفّرات المحولات لتصنيف صراخات الرضع، وهو أمر حاسم لفهم احتياجات الرضع وتسهيل الرعاية في الوقت المناسب. تم هيكلة العمارة المقترحة بشكل هرمي إلى ثلاث مراحل متميزة: استخراج الميزات الطيفية المحلية عبر CNN، نمذجة الاعتماد الزمني الوسيط من خلال Bi-LSTM، وتمثيل السياق العالمي باستخدام مشفّر المحولات. يعزز هذا التصميم التعلم التكميلي للميزات عبر الوحدات، مما يعزز الكفاءة ويقلل من التكرار في تعلم التمثيلات.
تبدأ المنهجية بتسجيلات صوتية من مجموعة بيانات Donate-a-Cry، التي تخضع لخطوات معالجة مسبقة مثل إعادة العينة، وكبح الضوضاء، وتطبيع السعة. يتم تحويل الإشارات المعالجة إلى طيف لوجاريتمي للحفاظ على الخصائص الأساسية للزمن-التردد. تستخرج الشبكة العصبية التلافيفية الميزات المحلية، والتي يتم إعادة تشكيلها بعد ذلك إلى تسلسل زمني لالتقاط الاعتماديات الزمنية بواسطة Bi-LSTM. يقوم مشفّر المحولات بمزيد من تحسين هذه الميزات من خلال نمذجة العلاقات السياقية بعيدة المدى داخل تسلسلات الصراخ. يتم تحقيق الناتج النهائي من خلال التجميع المتوسط العالمي وطبقة متصلة بالكامل، مما يؤدي إلى مصنف softmax يصنف كل صراخ إلى واحدة من خمس فئات متميزة: ألم البطن، التجشؤ، عدم الارتياح، الجوع، أو التعب.
مناقشة
تستعرض قسم المناقشة في ورقة البحث دراسات متنوعة حول اكتشاف وتصنيف صراخات الرضع باستخدام تقنيات التعلم الآلي (ML) والتعلم العميق (DL). أظهر هيرليا وآخرون أن الشبكات العصبية التلافيفية (CNN) مثل ResNet50 وDenseNet حققت دقة تصنيف عالية على الطيف الزمني، بينما قدمت النماذج الخفيفة مثل MobileNet توازنًا بين الأداء والكفاءة الحاسوبية. سلطت دراسات أخرى، مثل تلك التي أجراها أوزكان وآخرون وميخفيوي وآخرون، الضوء على فعالية زيادة البيانات وإطارات التعلم الهجينة، على التوالي، لكنها واجهت تحديات مثل عدم توازن الفئات وحساسية الضوضاء. حسّن سيتونيغرم وآخرون دقة التصنيف بشكل كبير من خلال مجموعة بيانات موسعة، بينما استكشف داي وآخرون ودارماوان وآخرون نهجًا هجينًا يجمع بين ML وDL، محققين دقة عالية ولكنهم واجهوا قيودًا تتعلق بحجم مجموعة البيانات وقابلية تفسير النموذج.
على الرغم من هذه التقدمات، تكشف الأدبيات عن فجوات مستمرة، خاصة في الاعتماد على الميزات الصوتية التقليدية مثل معاملات التردد الزمني (MFCCs)، والتي قد لا تلتقط تمامًا تعقيدات صراخات الرضع. بالإضافة إلى ذلك، تعاني العديد من النماذج عالية الأداء من زيادة الطلبات الحاسوبية، مما يحد من قابليتها للتطبيق في السيناريوهات الزمنية الحقيقية. تهدف البنية الهجينة المقترحة إلى معالجة هذه القضايا من خلال دمج CNN وطبقات Bi-LSTM وآليات المحولات لنمذجة الهياكل الصوتية المعقدة لصراخات الرضع بشكل فعال، مما يعزز أداء التصنيف مع الحفاظ على القابلية للتفسير والأهمية السريرية. تستخدم الدراسة مجموعة بيانات Donate-a-Cry، مما يضمن إطار تقييم قوي من خلال تقسيم مجموعة البيانات بدقة وتقنيات المعالجة المسبقة، مما يساهم في تطوير أنظمة تحليل صراخات الرضع أكثر كفاءة وتوافقًا سريريًا.
DOI: https://doi.org/10.22266/ijies2026.0630.52
Publication Date: 2026-06-24
Author(s): Athira R Kurup et al.
Primary Topic: Infant Health and Development
Overview
This research investigates the automated classification of infant cries, which serve as a crucial communication method for newborns expressing their needs and discomforts. The study introduces a hybrid deep learning framework that combines Convolutional Neural Networks (CNN), Bidirectional Long Short-Term Memory networks (Bi-LSTM), and Transformer encoders to effectively analyze and categorize infant cries based on their acoustic features. The model processes time-frequency representations to extract relevant features and capture both short- and long-range dependencies in vocal signals. Evaluated on the Donate-a-Cry corpus, the framework achieved an impressive overall classification accuracy of 98.4% across five cry categories: hunger, discomfort, pain, burping, and tiredness.
The findings underscore the model’s robustness and reliability, with high class-wise performance and minimal misclassification rates. The confusion matrix analysis indicates precise decision boundaries, while the training curves demonstrate stable convergence with a negligible generalization gap, suggesting effective optimization. The Receiver Operating Characteristic (ROC) analysis reveals strong sensitivity and specificity, further validating the model’s capability to generalize well across different acoustic conditions. These results indicate the framework’s potential for practical applications in real-time infant monitoring and healthcare settings, facilitating timely responses from caregivers based on accurate interpretations of infant vocalizations.
Introduction
The introduction of this research paper emphasizes the significance of infant cries as a primary communication method for newborns, conveying essential physiological needs and health conditions during the preverbal stage. Crying serves as a critical behavioral and acoustic indicator of various internal states such as hunger, pain, and illness, necessitating prompt caregiver responses. However, interpreting these cries poses challenges due to subjective caregiver assessments influenced by personal experience and environmental factors, which can lead to delayed medical interventions. This issue is particularly pronounced in hospital settings and home environments, underscoring the need for reliable automated tools for analyzing cry signals.
To address these challenges, the study proposes a hybrid deep learning framework designed for multi-class infant cry identification. This framework integrates convolutional neural networks (CNN), bidirectional long short-term memory networks (BiLSTM), and transformer models to facilitate comprehensive spectral-temporal feature learning. By structuring the model hierarchically, the approach aims to enhance the discrimination of acoustically similar cry categories and improve feature efficiency through complementary learning across different modules. The study’s objectives include developing this advanced architecture, evaluating its performance in real-world applications, and establishing a robust methodology for infant cry analysis. The subsequent sections of the paper will review related literature, detail the proposed model, present experimental results, and discuss future research directions.
Methods
The research presents a novel hybrid model combining Convolutional Neural Networks (CNN), Bidirectional Long Short-Term Memory (Bi-LSTM), and Transformer encoders for the classification of infant cries, which is crucial for understanding infants’ needs and facilitating timely caregiving. The proposed architecture is structured hierarchically into three distinct stages: local spectral feature extraction via CNN, intermediate temporal dependency modeling through Bi-LSTM, and global contextual representation using a Transformer encoder. This design promotes complementary feature learning across the modules, enhancing the efficiency and reducing redundancy in representation learning.
The methodology begins with audio recordings from the Donate-a-Cry corpus, which undergo preprocessing steps such as resampling, noise suppression, and amplitude normalization. The processed signals are converted into log-Mel spectrograms to maintain essential time-frequency characteristics. The CNN extracts localized features, which are then reshaped into a time-step sequence for the Bi-LSTM to capture temporal dependencies. The Transformer encoder further refines these features by modeling long-range contextual relationships within the cry sequences. The final output is achieved through global average pooling and a fully connected layer, leading to a softmax classifier that categorizes each cry into one of five distinct classes: belly pain, burping, discomfort, hunger, or tiredness.
Discussion
The discussion section of the research paper reviews various studies on infant cry detection and classification using machine learning (ML) and deep learning (DL) techniques. Herlea et al. demonstrated that convolutional neural networks (CNNs) like ResNet50 and DenseNet achieved high classification accuracy on spectrograms, while lightweight models like MobileNet offered a balance between performance and computational efficiency. Other studies, such as those by Ozcan et al. and Mekhfioui et al., highlighted the effectiveness of data augmentation and hybrid learning frameworks, respectively, but faced challenges such as class imbalance and noise sensitivity. Setyoningrum et al. improved classification accuracy significantly through an augmented dataset, while Dey et al. and Dharmawan et al. explored hybrid approaches that combined ML and DL, achieving high accuracy but facing limitations related to dataset size and model interpretability.
Despite these advancements, the literature reveals persistent gaps, particularly in the reliance on traditional acoustic features like Mel-frequency cepstral coefficients (MFCCs), which may not fully capture the complexities of infant vocalizations. Additionally, many high-performing models suffer from increased computational demands, limiting their applicability in real-time scenarios. The proposed hybrid architecture aims to address these issues by integrating CNNs, Bi-LSTM layers, and transformer mechanisms to effectively model the intricate acoustic structures of infant cries, thereby enhancing classification performance while maintaining interpretability and clinical relevance. The study utilizes the Donate-a-Cry Corpus, ensuring a robust evaluation framework through strict dataset partitioning and preprocessing techniques, ultimately contributing to the development of more efficient and clinically aligned infant cry analysis systems.