مقاله ترجمه شده درباره مدلسازی مخفی مارکوف پاسخ به فرکانس برای تن های واژگانی ماندارین – سال 2017


مشخصات مقاله:


عنوان فارسی مقاله:

مدلسازی مخفی مارکوف پاسخ به فرکانس برای تن های واژگانی ماندارین


عنوان انگلیسی مقاله:

Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones


کلمات کلیدی مقاله:

پاسخ به فرکانس (Frequency-following response)، مدل مخفی مارکوف (hidden Markov model)، یادگیری ماشینی (machine learning)، انعطاف پذیری (plasticity)، رمزگذاری گام (pitch encoding)


مناسب برای رشته های دانشگاهی زیر:

مهندسی کامپیوتر


مناسب برای گرایش های دانشگاهی زیر:

هوش مصنوعی


وضعیت مقاله انگلیسی و ترجمه:

مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.


فهرست مطالب:

نکات برجسته

چکیده

1. مقدمه

2. روش ها

2.1. شرکت کنندگان

2.2. محرک

2.3. کسب داده های الکتروفیزیولوژیک

2.4. پیش پردازش داده های الکتروفیزیولوژیک

3. مدلسازی مخفی مارکوف الگوسازی گام عصبی

3.1. روند استخراج F0

3.2. 2 توپولوژی تصادفی و کمّی سازی بردار

3.3. آموزش، آزمون، و اعتبارسنجی متقابل

3.4. روش میانگین گیری

3.5 دستکاری در اندازه آموزش، آزمون و میانگین گیری

3.6. صحت و دقت رمزگشایی تُن در طی زمان

4. تجزیه و تحلیل آماری و نتایج

4.1 اعتبارسنجی مجموعه داده های FFR

4.2. صحت و دقت رمزگشایی تُن

4.3. تفاوت های گروه زبانی

4.4. صحت و دقت رمزگشایی تُن در طی زمان

5. بحث کلی

5.1. نتایج و نقش آفرینی های عمده

5.2. انعطاف پذیری عصبی وابسته به زبان

5.3. صحت و دقت رمزگشایی تُن در طی زمان

5.4. نتیجه گیری و جهت گیری های آتی

قدردانی

معیارهای اخلاقی

تضاد منافع


قسمتی از مقاله انگلیسی و ترجمه آن:

1 INTRODUCTION
Pitch is critical to speech and music processing (Ladefoged & Maddieson, 1998; Patel, 2010). For example, speakers of tonal languages (e.g., Chinese) rely on phonologically-relevant pitch patterns (i.e., lexical tones) to convey different word meanings(Gandour, 1983; Ladefoged & Maddieson, 1998). The main cues used for perceptual categorization of such lexical tones are pitch height and pitch direction (Gandour, 1994; Francis & Ciocca, 2003). The neural encoding of pitch is often assessed with the frequency-following response (FFR). FFR is a scalp-recorded electrophysiological potential that reflects phase-locked activity from neural ensembles involved in the processing of low level sound characteristics (Bidelman, 2015; Chandrasekaran & Kraus, 2010; Krishnan, Gandour, & Bidelman, 2010; Coffey, Herholz, Chepesiuk, Baillet, & Zatorre, 2006; Smith, Marsh, & Brown, 1975; Sohmer, Pratt, & Kinarti, 1977). Although it is generally considered that the FFR is entirely generated by auditory subcortical structures (e.g., Krishnan et al., 2005), recent evidence suggests a contribution from auditory cortex (Coffey et al. 2016). An important property of the FFR is that it captures the spectro-temporal correlates of the pitch (e.g., the fundamental frequency, F0) with high fidelity (Chandrasekaran & Kraus, 2010; Krishnan, Xu, Gandour, & Cariani, 2004) (see Fig-1)

1. مقدمه
گام [زیر و بمی یا ارتفاع صوت] برای پردازش گفتار و موسیقی امری حیاتی شمرده می شود (لدفوگد و مدیسون، 1998؛ پاتل، 2010). به عنوان مثال، گویندگان زبان های آهنگین یا تُنال (به عنوان مثال، چینی) بر الگوهای گام مرتبط با صوت شناسی (یعنی تُن های واژگانی) برای انتقال معانی مختلف کلمه تکیه می کنند (گاندور، 1983؛ لدفوگد و مدیسون، 1998). نشانـــه های اصلی مورد استفاده برای دسته بندی ادراکی چنین تُن های واژگانی عبارتند از: ارتفاع گام و جهت گام (گاندور، 1994؛ فرانسیس و کیوکا، 2003). رمزگذاری عصبی گام اغلب به وسیله پاسخ به فرکانس (FFR) ارزیابی می گردد.
پاسخ به فرکانس (FFR) پتانسیل الکتروفیزیولوژیک ثبت شده توسط پوست سر بوده که منعکس کننده فعالیت قفل شده فاز حاصل از گروه های عصبی درگیر در پردازش ویژگی های صوتی سطح پایین محسوب می گردد (بیدلمن، 2015؛ چاندراسکاران و کراوس، 2010؛ کریشنان، گاندور، و بیدلمن، 2010؛ کافی، هرلوز، چپسیوک، بایلت، و زاتوره، 2006؛ اسمیت، مارش، و براون، 1975؛ سوهمر، پرات، و کینارتی، 1977). هر چند که عموماً تصور می گردد که FFR کاملاً توسط ساختمان های شنوایی زیرقشری تولید می شوند (به عنوان مثال، کریشنان و همکاران، 2005) اما شواهد اخیر بیانگر نقش آفرینی قشر شنوایی می باشد (کافی و همکاران، 2016). یک خاصیت مهم FFR در نظر گرفتن همبسته های طیفی – زمانی گام (به عنوان مثال، فرکانس پایه، F0) با صحت بالا (چاندراسکاران و کراوس، 2010؛ کریشنان، زو، گاندور، و کاریانی، 2004) توسط آن می باشد (شکل 1 را ملاحظه نمایید).


 

دانلود رایگان مقاله انگلیسی

خرید ترجمه مقاله

دیدگاهتان را بنویسید