Ljudklassificering

Ljudklassificering är processen att tilldela ljudsegment eller hela ljud till en eller flera etiketter baserat på dess akustiska innehåll. Syftet är att automatiskt upptäcka, identifiera eller särskilja ljudkällor eller händelser i ljudinspelningar. Den används inom områden som miljöövervakning, säkerhet, multimedia och assistiv teknik.

Metoderna bygger vanligtvis på att extrahera funktioner ur ljudet, exempelvis MFCC, spektrala egenskaper, zero-crossing rate och tonhöjdsrelaterade mått. Ljudrepresentationer som spektrogram eller log-mel-spektrogram används som indata till maskinlärningsmodeller. Vanliga modeller är stödvektormaskiner, random forests och olika typer av djupinlärning, bland annat konvolutionella nätverk som analyserar spectrogram, samt rekurrenta nätverk eller transformerbaserade arkitekturer för tidsmässiga beroenden.

Datasets och utvärdering är centrala för utvecklingen. Vanliga konstruktioner är ESC-50, UrbanSound8K och GTZAN. Utvärdering utförs ofta med noggrannhet, precision, recall, F1 eller AUC, och valideras genom korsvalidering eller train/test-splits. Det är viktigt att hantera överlappande ljudkällor, klassobalans och hur väl modellen generaliserar till nya miljöer och inspelningsvillkor.

Tillämpningar inkluderar miljö- och urbanljudklassificering för övervakning, detektering av farliga eller akustiska händelser, musikinformation och innehållsbaserad organisering, samt stöd i bioakustiska studier där artbestämning av ljud är relevant.

Utmaningar innefattar brus och bakgrundsljud, variationer i inspelningsförhållanden, otydliga eller osäkra etiketter, klassobalans, och krav på realtidsfrågor samt robusthet mot nya ljudkällor.