Akıllı şehirlerde kablosuz akustik sensör ağları kullanarak çevresel ses olayı tanıma yöntemlerinin IoT tabanlı geliştirilmesi

Bu çalışma, ESP32 cihazıyla kaydedilen özel bir veri seti ve kamuya açık ESC-10 veri setini kullanarak çeşitli yaklaşımları değerlendirmek suretiyle çevresel ses sınıflandırmasını geliştirmeyi amaçlamaktadır. Özel veri seti, "havaalanı, plaj, uçak, otoyol, lobi, konak, ofis ve restoran" olmak üzere sekiz kategori içerirken, ESC-10 veri seti 10 sınıfta toplam 400 kısa kayıttan oluşmaktadır. Birinci yöntem, transfer öğrenmesini kullanarak, önceden eğitilmiş DarkNet53 model ile ses kayıtlarının Mel-spektrogram ve gri tonlamalı görüntülere dönüştürülmesi yoluyla özellik çıkarma potansiyelini ortaya koymuştur. ESC-10 veri setinde %97.24 doğruluk oranı elde eden bu model, önceden eğitilmiş konvolüsyonel sinir ağlarının (CNN) nispeten küçük veri setlerini işleme, hesaplama karmaşıklığını azaltma ve rekabetçi sonuçlar elde etme konusundaki adaptasyon yeteneğini ve verimliliğini göstermiştir. İkinci yöntem, özel veri seti üzerinde Gelişmiş Sinir Ağı Mimarileri olan Uzun Kısa Süreli Bellek (LSTM), Çift Yönlü Uzun Kısa Süreli Bellek (Bi-LSTM) ve CNN modellerini değerlendirmiştir. Bi-LSTM üstün bir performans sergileyerek bağlamsal öğrenme ve zamansal bağımlılıkları yakalama konusundaki güçlü yeteneğini ortaya koymuştur. Bu yöntemle Bi-LSTM, %99.4'lük en yüksek eğitim doğruluğu ve %97'lik test doğruluğuna ulaşmıştır. Bu sonuçlar, ses verilerinin özel özelliklerine uygun esnek model mimarilerinin önemini vurgulamaktadır. Son yöntem, Mel Frekans Kepstral Katsayıları (MFCC) ve Destek Vektör Makineleri (SVM) uygulamasına odaklanmış, özellik çıkarma ve segmentasyon süresinin etkisini incelemiştir. Bu yöntem, 10 saniyelik segmentasyon ile istatistiksel MFCC özellikleri kullanılarak %97.39'luk maksimum test doğruluğuna ulaşmıştır. Bulgular, sınıflandırma görevlerini yönetmede ve doğruluğu artırmada özellik çıkarma ve uzatılmış segmentasyonun önemini ortaya koymaktadır. Bu araştırma, farklı metodolojilerin entegrasyonu yoluyla pratik uygulamalar için kesin ve güvenilir çevresel ses sınıflandırma sistemlerinin oluşturulmasını büyük ölçüde geliştirmektedir.