| Anotācija |
Šis bakalaura darbs “Mākslīgā intelekta darbināta skaņas apstrādes valkājama ierīce cilvēkiem ar dzirdes traucējumiem” pēta, kā mākslīgais intelekts var tikt izmantots, lai radītu valkājamu skaņas apstrādes palīgierīci, lai atvieglotu ikdienu cilvēkiem ar dzirdes traucējumiem.
Cilvēki ar dzirdes traucējumiem ikdienā saskarās ar vairākām grūtībām, ieskaitot nespēju uztvert brīdinājuma skaņas signālus apkārtējā vidē. Brīdinājuma skaņas signālus veido tādas skaņas kā sirēnas, automobiļu taures, durvju zvani un publiskie paziņojumi. Nespēja uztvert šos signālus pazemina šo cilvēku spēju iekļauties apkārtējā vidē. Šo problēmu ir iespējams risināt, izmantojot palīgierīces, kuras uztver skaņas signālus un brīdina par tiem, izmantojot citus saskarnes veidus, balstoties uz redzes un taustes izjūtu. Lielākā daļa šobrīd izstrādāto risinājumu strādā kā viedtelefona programmatūra, vai arī valkājama ierīce, kurai nepieciešams citas viedierīces atbalsts. Šis bakalaura darbs tiek veidots, lai risinātu vides skaņas atpazīšanas problēmu, izmantojot valkājamu ierīci, kura strādā neatkarīgi no citām ierīcēm. Ierīce paziņo lietotājam par svarīgo skaņas signālu klātesamību, izmantojot vibrācijas un gaismas signālus.
Vides skaņas atpazīšana iekļauj vairākus faktorus, kuri sarežģī produktu izstrādi. Šo faktoru, piemēram, fona trokšņa un skaņu dažādību ietekmi, ir iespējams mazināt, izmantojot mašīnmācīšanos. Mašīnmācīšanās ļauj izmantot dažādas datu kopas, lai pielāgotu programmatūru konkrētā uzdevuma veikšanai. Vides skaņas atpazīšanas kontekstā mašīnmācīšanās palīdz programmatūrai labāk atšķirt vērā ņemamos skaņas signālus no fona trokšņa.
Relatīvi jauns mašīnmācīšanās virziens ir TinyML – sīkā mašīnmācīšanās. Šis koncepts ietver mašīnmācīšanās algoritmu darbību resursu ierobežotās ierīcēs – mikrokontrolieros. Pielietojot mašīnmācīšanos šādā veidā, ir iespējams izveidot ierīces, kuras ir ļoti mazas un patērē ļoti maz enerģijas. Šis bakalaura darbs izmanto TinyML, lai izveidotu mašīnmācīšanās modeli, kurš darbina valkājamas ierīces prototipu.
Lai analizētu izstrādātā prototipa precizitāti, tas tiek pārbaudīts, izmantojot pāŗbaudes datu kopu. Vienlaikus tiek pārbaudīts arī tuvākais risinājums, kas pieejams tirgū, – iPhone skaņas atpazīšanas funkcija. Pārbaudes rezultāti liecina, ka izstrādātais prototips darbojas ar līdzīgu precizitāti kā tuvākais risinājums, kā arī līdzīgie izstrādātie un pētītie risinājumi. No šiem rezultātiem var secināt, ka šis risinājums varētu tikt lietots, lai atpazītu svarīgos brīdinājuma skaņas signālus apkārtējā vidē un brīdinātu lietotāju par to klātesamību.
Šis valkājamās ierīces prototips tika izstrādāts ar aparatūras un programmatūras ierobežojumiem. Izstrādei tika izmantots plaša pielietojuma mikrokontrolieris, kurš nav paredzēts, lai to lietotu tieši mašīnmācīšanās programmatūrai. Iespējams, labākus rezultātus būtu iespējams sasniegt, izmantojot īpašu mašīnmācīšanai paredzētu aparatūru. Programmatūras ierobežojumi galvenokārt attiecas uz modeļa izstrādi. Izstrādei izmantoto datu kopu būtu iespējams uzlabot papildinot ar lielāku skaitu audio paraugu, kā arī ar audio ierakstiem, izmantojot ierīces mikrofonu.
Izstrādātā prototipa sasniegtie rezultāti liecina domāt, ka šī ierīce ir iespējams reāls pielietojums. Lai tas būtu iespējams, autors piedāvā turpināt izstrādi, izveidojot pielāgotu iespiedshēmas plati un korpusu iekārtai. Tāpat būtu nepieciešams uzlabot mašīnmācīšanās modeli un veikt padziļinātas pārbaudes apkārtējā vidē dažādos scenārijos.
Šis bakalaura darbs ir rakstīts angļu valodā un sastāv no 43 lapām, iekļaujot 3 pielikumus, 3 tabulas, 4 grafikus un atsauces uz 35 informācijas avotiem. |
