Methoden zur Erkennung von Geräuschen und Sprache im Kontext altersgerechter Assistenzsysteme : Deep Learning zur Klassifizierung von Audiosignalen im Wohnumfeld älterer Menschen

Abstract

Diese Bachelorarbeit befasst sich mit Methoden und Deep-Learning-Techniken zur Erkennung von Geräuschen und Sprache im Rahmen von altersgerechten Assistenzsystemen in Wohnbereichen. Mit einer zunehmenden alternden Bevölkerung steigt die Nachfrage nach innovativen Lösungen, die die Lebensqualität und Sicherheit von Senioren in ihren Wohnräumen verbessern. Assistenzsysteme können dabei helfen festzustellen, ob ältere Menschen in ihrem Wohnumfeld in einer Gefahrensituation oder Notlage sind und Hilfe benötigen. Die Arbeit beginnt mit der Untersuchung wissenschaftlicher und technischer Grundlagen, die im Zusammenhang mit der Audiosignalerfassung und -verarbeitung im Kontext der Anwendung von Deep-Learning-Techniken Anwendung finden. Es werden verschiedene Mikrofontechniken verglichen als auch die digitale Signalverarbeitung von Audioaufnahmen beschrieben. Anschließend werden die theoretischen Grundlagen des Deep Learnings untersucht und die Prinzipien hinter neuronalen Netzen erläutert. Besonderes Augenmerk liegt auf Neuronalen Faltungsnetzen (Convolutional Neuronal Networks CNNs), die sich gut für die Verarbeitung von Audiodaten eignen. Im weiteren Verlauf der Arbeit erfolgt die Konzeptionierung und Implementierung verschiedener Methoden zur Geräusch- und Spracherkennung. Eine Studie mit der Gegenüberstellung unterschiedlicher Parametrierungen und Deep-Learning-Architekturen vergleicht und bewertet die Leistungsfähigkeit bei der Klassifizierung aufgenommener Geräusche und Sprache. Die Ergebnisse dieser Studie tragen zum Verständnis der Machbarkeit und Wirksamkeit von Deep-Learning-Ansätzen in Anwendungen von altersgerechten Assistenzsystemen bei. Die Auswirkungen dieser Ergebnisse werden im Kontext der Entwicklung praktischer Lösungen diskutiert. Insgesamt liefert diese Arbeit wertvolle Einblicke in die Integration von Deep-Learning-Methoden zur Geräusch- und Spracherkennung in altersgerechte Assistenzsysteme und ebnet den Weg für zukünftige Anwendungen, die darauf abzielen, die Autonomie und das Wohlbefinden älterer Menschen im täglichen Leben zu verbessern.

This bachelor’s thesis deals with methods and deep learning techniques for recognizing sounds and speech as part of Ambient Assisted Living systems (AAL) in living areas. With an increasing aging population, the demand for innovative solutions that improve seniors’ quality of life and safety in their living spaces is increasing. Assistance systems can help determine whether older people are in a dangerous situation or emergency in their living environment and need help. The work begins by examining scientific and technical principles applicable to audio signal capture and processing in the context of applying Deep Learning techniques. Various microphone technologies are compared, and the digital signal processing of audio recordings is described. The theoretical foundations of Deep Learning are then examined and the principles behind neural networks are explained. Particular attention is paid to Convolutional Neural Networks (CNNs), which are well suited for processing audio data. As the work progresses, various methods for noise and speech recognition will be designed and implemented. A study comparing different parameters and Deep Learning architectures compares and evaluates the performance in classifying recorded noise and speech utterances. The results of this study contribute to the understanding of the feasibility and effectiveness of Deep Learning approaches in AAL system applications. The implications of these results are discussed in the context of developing practical solutions. Overall, this work provides valuable insights into the integration of Deep Learning methods for sound and speech recognition into AAL systems and paves the way for future applications aimed at improving the autonomy and well-being of older people in daily life.