کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

تأیید هویت گوینده مبتنی بر طبقه بند عمیق LSTM با ویژگی‌های MFCC و ارزیابی فاصله کسینوسی

نویسندگان :

وحید کیانی¹ سمیرا حورعلی² عاطفه پاکزاد³

1- دانشگاه بجنورد 2- دانشگاه کوثر بجنورد 3- دانشگاه کوثر بجنورد

کلمات کلیدی :

تایید گوینده،یادگیری عمیق،شبکه LSTM،MFCC،تابع هزینه Cross Entropy Loss

چکیده :

تایید گوینده یکی از مسایل کلیدی در حوزه‌ی پردازش گفتار و امنیت زیستی است که کاربردهای گسترده‌ای از جمله در سامانه‌های احراز هویت، بانکداری الکترونیکی، و کنترل دسترسی دارد. در این پژوهش یک چارچوب نوین مبتنی بر ترکیب رویکرد طبقه‌بندی و استخراج بردارهای تعبیه صوتی ارایه می‌شود. ابتدا ویژگی‌های طیفی گفتار به کمک ضرایب MFCC استخراج شده و سپس توالی آن‌ها به یک شبکه عمیق LSTM با لایه‌های پنهان متوالی داده می‌شود. شبکه عمیق به عنوان یک طبقه‌بند با تابع هزینه Cross Entropy Loss آموزش دیده و بردارهای تعبیه 128 بعدی از آخرین لایه پنهان استخراج می‌شوند. در مرحله‌ی ارزیابی، شبکه عمیق به عنوان یک مدل تعبیه‌سازی جهت استخراج بردار تعبیه عمل کرده و شباهت گویندگان با استفاده از فاصله کسینوسی سنجیده می‌شود. در نهایت شباهت گویندگان با یک مقدار آستانه بهینه برای تصمیم‌گیری مقایسه می‌شود، که با کمک داده‌های اعتبارسنجی تعیین شده است. نتایج آزمایش‌ها بر روی مجموعه‌داده PERSID33 نشان می‌دهد که روش پیشنهادی دقت بسیار بالایی در تأیید گوینده دارد (بیش از 99% در داده‌های آزمون) و نرخ خطای پذیرش کاذب (FAR) و رد کاذب (FRR) نیز در سطح بسیار پایینی قرار گرفته است. این نتایج نشان‌دهنده‌ی کارایی و پایداری مدل پیشنهادی در کاربردهای واقعی است.