การจำาแนกวรรณยุกต์ไทยโดยใช้สัญญาณไฟฟ้ากล้ามเนื้อ · /:+2:+/< 9*E-8&9 !: ) t # =L d`

295วารสารวจยและพฒนา มจธ. ปท 40 ฉบบท 2 เมษายน - มถนายน 2560

บทคดยอ

งานวจยนนำาเสนอเทคนคการจำาแนกวรรณยกตไทย5เสยงสำาหรบระบบรจำาการพดภาษาไทยโดยใชสญญาณ

ไฟฟากลามเนอจากกลามเนอคอเปนอนพตใหกบระบบมการเกบขอมลสญญาณไฟฟากลามเนอจากอาสาสมครทงหมด10

คนโดยออกเสยงพดคำาโดดภาษาไทย105คำาซงครอบคลมการออกเสยงวรรณยกตทง5เสยงสญญาณทไดจะถกนำามา

ผานกระบวนการเตรยมสญญาณเบองตนและนำาไปคำานวณคาลกษณะเดนของสญญาณไฟฟากลามเนอจำานวน160คา

จากนนทำาการประเมนลกษณะเดนดงกลาวโดยใชตวประเมนอารอเอส(RES)และเลอกลกษณะเดนจากผลการประเมน

เพอเปนอนพตใหกบตวจำาแนกโดยปรบจำานวนอนพตเปน35791215182124และ27ตามลำาดบในการ

ฝกสอนและทดสอบระบบจะใชเทคนคการจำาแนกสองรปแบบ คอ การจำาแนกแบบสามขนตอนโดยใชโครงขายประสาท

เทยมสามโครงขายและการจำาแนกแบบขนตอนเดยวโดยใชโครงขายประสาทเทยมหนงโครงขายจากผลการทดลองพบวา

รปแบบการจำาแนกแบบสามขนตอนมประสทธภาพดกวาการจำาแนกแบบขนตอนเดยวโดยใหความแมนยำาสงสด95.56%

จากสญญาณไฟฟากลามเนอของอาสาสมครS04เมอใชจำานวนลกษณะเดน21ตว

คำ�สำ�คญ :ระบบรจำาการพด/สญญาณไฟฟากลามเนอ/วรรณยกตไทย

นยวด ศรสวรรณ1 พรชย พฤกษภทรานนต2 และ ชศกด ลมสกล3*

มหาวทยาลยสงขลานครนทร วทยาเขตหาดใหญ ต.คอหงส อ.หาดใหญ จ.สงขลา 90110

การจำาแนกวรรณยกตไทยโดยใชสญญาณไฟฟากลามเนอ

* Corresponding Author : [email protected] นกศกษาปรญญาเอกภาควชาวศวกรรมไฟฟาคณะวศวกรรมศาสตร2 รองศาสตราจารยภาควชาวศวกรรมไฟฟาคณะวศวกรรมศาสตร3 รองศาสตราจารยภาควชาวศวกรรมไฟฟาคณะวศวกรรมศาสตร

296 วารสารวจยและพฒนา มจธ. ปท 40 ฉบบท 2 เมษายน - มถนายน 2560

Niyawadee Srisuwan1 Pornchai Phukpattaranont2 and Chusak Limsakul3* Prince of Songkla University, Hat Yai Campus, Karnjanavanit Road, Kho Hong, Hat Yai, Songkhla 90110

This paper proposes the technique for classifying five Thai tones using Electromyography (EMG) signals. Two channels of EMG signals were captured from the neck muscles while a subject spoke 105 Thai isolated words including five tones. The EMG signals were collected from a total number of 10 subjects. After EMG capturing and pre-processing, 160 features, including time domain and frequency domain features were calculated. These features were evaluated by RES (ratio of Euclidean and Standard deviation) criterion. The features with high RES values were selected. They were used as an input of Artificial Neural Network (ANN) classifier, in which the number of inputs were adjusted to 3, 5, 7, 9, 12, 15, 18, 21, 24, and 27. For training and testing processes, we used two pattern classification techniques. One was the single-step classification using one ANN. The other was the three-step classification using three ANNs. Results showed that the three-step classification exhibited a better performance. The maximal classification accuracy was 95.56% from subject S04 when 21 features were used.

Keywords : Speech Recognition / Electromyography / Thai Tone

Abstract

Classification of Thai Tones using Electromyography Signals

* Corresponding Author : [email protected] Doctoral Candidate, Department of Electrical Engineering, Faculty of Engineering.2 Associate Professor, Department of Electrical Engineering, Faculty of Engineering.3 Associate Professor, Department of Electrical Engineering, Faculty of Engineering.


1. บทนำ� ระบบรจำาการพดโดยใชสญญาณไฟฟากลามเนอถก

พฒนามาจากระบบรจำาการพดแบบเดม (conventional

automaticspeechrecognition,ASR)ซงใชสญญาณ

เสยงพดเปนขอมลเขาหรออนพต(input)ของระบบโดย

ระบบใหมนจะใชขอมลของสญญาณไฟฟากลามเนอ

(Electromyography,EMG)ทเกยวของกบการออกเสยง

พดมาเปนอนพตใหกบระบบแทน หรออาจจะใชทงสอง

สญญาณรวมกน ซงจากการทบทวนวรรณกรรมพบวา

สญญาณไฟฟากลามเนอดงกลาวสามารถใชเปนตวแทน

ของสญญาณเสยงพดได

สาเหตทระบบรจำาการพดแบบใหมนถกพฒนาขนมา

มสาเหตหลกอย 4 ประการ ซงในสวนของเหตผล 3

ประการแรกเปนปญหาทเกดขนจากการใชงานระบบรจำา

การพดแบบเดม ปญหาแรกคอ ปญหาการใชงานระบบ

ขณะทมเสยงรบกวนอยางมาก ซงทำาใหสญญาณเสยงท

ปอนเขาสระบบถกรบกวนดวยสญญาณรบกวนดงกลาว

ดงนนอนพตของระบบจะผดเพยนและทำาใหระบบจำาแนก

ขอมลผดพลาด ปญหาทสองคอ เมอตองการสอสารดวย

ขอมลทเปนสวนตวหรอเปนความลบ เชน การประยกต

ใชงานทางดานทหาร ธนาคาร เปนตน การใชงานดวย

ระบบรจำาการพดแบบเดมจะทำาใหขอมลอาจถกเปดเผย

ซงจะสงผลตอความปลอดภยของขอมลและผใชงานได

สำาหรบปญหาทสามของการใชงานระบบรจำาการพดแบบ

เดม คอ ระบบจะไมสามารถใชงานไดเมอถกใชงานใน

สถานการณทการสอสารดวยเสยงพดเปนไปไดยาก เชน

ขณะทผพดสวมชดซงมหนากากปกปดใบหนา ไดแก ชด

ดบเพลงชดอวกาศชดปองกนสารเคมเปนตนนอกจากน

ระบบรจำาการพดแบบใหมทถกพฒนาขนยงสามารถนำามา

ประยกตใชเปนเครองมอชวยในการสอสารสำาหรบผปวย

หรอผสงอายทมปญหาเกยวกบการออกเสยงพดเชนการ

ไดรบการผาตดมะเรงกลองเสยง การไดรบความกระทบ

กระเทอนทางสมองจนเกดปญหากบระบบประสาทท

เกยวของกบกลไกการพดเปนตนผปวยเหลานไมสามารถ

พดไดอยางปกตเหมอนคนทวไปถงแมวาจะมอปกรณหรอ

เทคนคทจะชวยใหผปวยสามารถพดไดเชนวธการพดโดย

ใชอากาศจากกระเพาะอาหาร (esophageal speech)

การใชเครองชวยพดอเลกโทรลารงซ (electrolarynx)

เปนตนแตอปกรณและเทคนคเหลานยงไมมประสทธภาพ

เพยงพอ

ระบบรจำาการพดแบบใหมนถกพฒนาขนโดยนกวจย

หลายกลม เรมตนเมอป ค.ศ. 1985 นกวจยชาวญปน

Sugie และ Tsunoda [1] ไดเลงเหนถงปญหาของการ

เพมขนของผปวยทมความบกพรองของระบบการทำางาน

ดานการสรางเสยงพดจงไดพฒนาอปกรณการสรางเสยง

เทยมใหกบผปวยโดยใชสญญาณไฟฟากลามเนอซงไดจาก

การตรวจจบสญญาณไฟฟากลามเนอรอบปาก เพอใชใน

การจำาแนกสระภาษาญปน5เสยงซงกลาวไดวางานวจยน

เปนตนแบบของแนวคดการพฒนาระบบรจำาการพดโดยใช

สญญาณไฟฟากลามเนอ ในเวลาตอมางานวจยดงกลาว

ถกพฒนามาอยางตอเนองโดยหลากหลายกลมนกวจย

โดยในชวงเรมแรกของงานวจย เปนการรจำาสระ [1-3]

คำาพดโดด[4]และพยางค[5]ซงเปนการรจำาจำานวนคำา

ไมมากนกดงนนขอจำากดของงานวจยดงกลาวคอการ

ประยกตใชงานถกจำากดอยในวงแคบ เพอใหสามารถนำา

ระบบนไปใชงานไดหลากหลายมากขน ระบบดงกลาวจง

ถกพฒนาไปเปนการรจำาคำาพดแบบตอเนองซงสามารถรจำา

คำาพดไดมากขนโดยเรมขนเปนครงแรกเมอปค.ศ.2006

โดยJouและคณะ[6]งานวจยนสามารถสรางระบบรจำา

คำาพดตอเนองทสามารถรจำาคำาศพทภาษาองกฤษได 108

คำาและไดมการพฒนามาอยางตอเนองจนถงปจจบน เมอ

เรวๆนงานวจยของDengและคณะ[7]กเรมพฒนาระบบ

ใหเปนการรจำาคำาพดตอเนองเชนเดยวกน ซงสามารถรจำา

คำาศพทภาษาองกฤษไดถง202คำา

งานวจยดงกลาวมามขอจำากดในดานภาษาของผใชงาน

กลาวคอ ระบบถกพฒนาขนสำาหรบผใชงานสำาหรบแตละ

ภาษาโดยเฉพาะซงความแตกตางของภาษาทหลากหลาย

มผลทำาใหระบบรจำาการพดแบบใหมนถกพฒนาขนใน

หลากหลายภาษาไดแกภาษาองกฤษ[7-12]ภาษาญปน

[2],[13-14]ภาษาจน[15-16]ภาษาเกาหล[17]ภาษา

โปรตเกส[18]ภาษาสเปน[5]ภาษาอารบค [3]ภาษา

เซอรเบย [19] เปนตน เชนเดยวกบในบทความนทได

พฒนาระบบดงกลาวใหสามารถใชไดกบผใชทใชภาษาไทย

ในการสอสารโดยเฉพาะอยางยงเพอสามารถนำาไปใชงาน

กบผปวยหรอผสงอายทมปญหาตามทกลาวไวแลวขางตน

ซงอาจจะไมสามารถพดภาษาอนไดนอกจากภาษาไทย


ภาษาไทยเปนภาษาทมลกษณะเฉพาะซงแตกตาง

ไปจากภาษาอน กลาวคอ เปนภาษาทมวรรณยกต ซง

วรรณยกตคอ การเปลยนแปลงของระดบเสยง คำาทม

วรรณยกตแตกตางกนจะทำาใหความหมายของคำาเปลยนไป

อยางสนเชง ดงนนการออกแบบระบบเพอใหสามารถรจำา

วรรณยกตไดจงเปนประเดนสำาคญทถกพจารณาในขนแรก

สำาหรบงานวจยน

งานวจยทผานมา[20-21]ไดทำาการออกแบบระบบการ

จำาแนกวรรณยกตไทย 5 เสยง โดยไดออกแบบตำาแหนง

อเลกโทรดทเหมาะสมในการตรวจจบสญญาณไฟฟา

กลามเนอของเสยงวรรณยกตดงกลาว ซงเปนตำาแหนง

ของกลามเนอบรเวณขางกลองเสยงและกลามเนอบรเวณ

สวนลางสดของลำาคอ จากการพจารณาลกษณะของ

สญญาณไฟฟากลามเนอของการพดคำาพดทมวรรณยกต

ทง 5 เสยง พบวามความแตกตางกนอยางเหนไดชด

แสดงดงรปท1

ซงความแตกตางของสญญาณดงกลาวทำาใหงาย

ตอการจำาแนกเสยงวรรณยกตไทย สำาหรบงานวจยใน

ภาษาอนๆ นนพบวาไมจำาเปนตองใชสญญาณไฟฟา

กลามเนอจากตำาแหนงดงกลาว ซงโดยทวไปจะใช

สญญาณไฟฟาบรเวณกลามเนอหนาและใตคางกเพยงพอ

แลว เนองจากกลามเนอบรเวณนครอบคลมการออกเสยง

หนวยเสยงทงหมดแลว (ยกเวนเสยงวรรณยกต)อยางไร

กตามสำาหรบภาษาอนๆเชนภาษาองกฤษเปนภาษาท

ไมมเสยงวรรณยกต แตจะมลกษณะการออกเสยงทเนน

เสยงสงเสยงตำาซงเกดจากการเปลยนแปลงของระดบเสยง

เชนเดยวกบเสยงวรรณยกต อยางไรกตามลกษณะของ

การเนนเสยงสงตำาดงกลาวไมไดทำาใหความหมายของคำา

เปลยนแปลงดงนนจงไมจำาเปนตองจำาแนกในสวนน

เมอไดตำาแหนงทเหมาะสมในการจำาแนกวรรณยกต

แลวสำาหรบในกระบวนการจำาแนกมการออกแบบรปแบบ

การจำาแนกของตวจำาแนกโดยใชเทคนคการจำาแนกแบบ

สามขนตอนซงใชโครงขายประสาทเทยมสามโครงขาย

ซงพบวาระบบดงกลาวสามารถจำาแนกเสยงวรรณยกต

ไดทง 5 เสยง โดยทมความแมนยำาในการจำาแนก80%

อยางไรกตาม เทคนคดงกลาวถกออกแบบโดยใชขอมล

ของสญญาณไฟฟากลามเนอจากอาสาสมครเพยง 1 คน

ดงนนเพอใหสามารถนำาเทคนคทออกแบบไปใชไดกบขอมล

ของสญญาณไฟฟากลามเนอจากอาสาสมครทครอบคลม

มากขน งานวจยนจงนำาเสนอการปรบปรงเทคนคการ

จำาแนกวรรณยกต โดยการออกแบบจะอางองขอมลของ

สญญาณไฟฟากลามเนอจากอาสาสมคร 10 คน (S01-

S10) เพอปรบปรงรปแบบการจำาแนกแบบสามขนตอน

ใหสามารถนำาไปใชงานไดกบสญญาณไฟฟากลามเนอ

อนๆ โดยจะปรบปรงในสวนของการคดเลอกลกษณะเดน

การปรบปรงประสทธภาพในการจำาแนกโดยเพมจำานวน

ลกษณะเดน การเลอกจำานวนลกษณะเดนทเหมาะสม

นอกจากน จะทำาการเปรยบเทยบความแมนยำาทไดจาก

การจำาแนกดวยเทคนคทไดออกแบบ(การจำาแนกแบบสาม

ขนตอน)กบการจำาแนกแบบดงเดมซงเปนการจำาแนกแบบ

ขนตอนเดยวโดยใชโครงขายประสาทเทยมหนงโครงขาย

รปท 1 รปแบบของสญญาณไฟฟากลามเนอของการออกเสยงพดคำาพดทมวรรณยกตทง 5 เสยง คอ สามญ (mid tone) เอก(lowtone)โท(fallingtone)ตร(hightone)และจตวา(risingtone)ซงเปนการออกเสยงคำาวา“ด,ด,ด,ด,ด”


2. วสด อปกรณ และ วธก�รวจย 2.1 วสด อปกรณ

วสดและอปกรณทใชในการทดลองประกอบดวย

เครองวดสญญาณ MOBI6 ซงผลตโดยบรษท TMS

internationalประเทศเนเธอรแลนดใชสำาหรบการบนทก

สญญาณไฟฟากลามเนอ อเลกโทรดแบบผวหนาชนด

Ag/AgClยหอARBOมขนาดเสนผานศนยกลางภายนอก

2.4 เซนตเมตร และขนาดเสนผานศนยกลางภายใน

(สวนของเจล) 1 เซนตเมตร ซงผลตโดยบรษท Tyco

healthcareGroupLPประเทศเยอรมนใชสำาหรบตรวจจบ

สญญาณไฟฟากลามเนอ และอปกรณสำาหรบประมวลผล

สญญาณไฟฟากลามเนอ ซงกคอ คอมพวเตอรและ

โปรแกรม ซงโปรแกรมทใชในการตรวจวดสญญาณไฟฟา

กลามเนอคอPortilabและโปรแกรมทใชในการประมวลผล

สญญาณไฟฟากลามเนอ คอ MATLAB นอกจากนยงม

วงจรสรางสญญาณการกดสวตซเพอสรางสญญาณสำาหรบ

การกำาหนดขอบเขตของสญญาณไฟฟากลามเนอขณะ

พด ซงสญญาณสวนนจะถกตอเขากบเครองวดสญญาณ

MOBI6

2.2 วธก�รวจย

2.2.1 ก�รเกบขอมลสญญ�ณไฟฟ�กล�มเนอ

รปท 2 แสดงแผนภาพการเกบขอมลของ

สญญาณไฟฟากลามเนอโดยเรมจากการตดอเลกโทรด

ลงบนตำาแหนงของผวหนงทใชในการตรวจจบสญญาณ

ไฟฟากลามเนอของเสยงพดวรรณยกต ซงเปนตำาแหนง

ของกลามเนอคอ2ตำาแหนง(2ชองสญญาณ)ทไดถก

ออกแบบไวแลว[20-21]ทำาการตรวจวดสญญาณดงกลาว

ขณะทอาสาสมครออกเสยงพด โดยใชเครองวดสญญาณ

MOBI6 ซงมทงหมด 6 ชองสญญาณ สำาหรบในการ

ทดลองนจะใชเพยง 3 ชองสญญาณ คอ ชองสญญาณ

ท1(Ch.1)และชองสญญาณท2(Ch.2)จะถกใชใน

การตรวจจบสญญาณไฟฟากลามเนอและชองสญญาณท

6 (Ch.6) จะถกใชสำาหรบตรวจวดสญญาณการกดสวตซ

(Marker) ซงสญญาณการกดสวตซจะถกใชสำาหรบการ

กำาหนดจดเรมตนของการบนทกสญญาณไฟฟากลามเนอ

และการกำาหนดขอบเขตของสญญาณไฟฟากลามเนอของ

คำาพดแตละเสยง จะมการกดสวตซเมอเรมพดและปลอย

สวตซเมอพดคำาพดในแตละคำาจบ ซงทำาใหสามารถระบ

ไดวาสญญาณทอยในชวงการกดสวตซเปนสญญาณทเกด

จากการพดจรง ไมใชสญญาณอนๆ เชน สญญาณทเกด

จากการไอ จาม กลนนำาลาย หรอการขยบกลามเนอ

บรเวณทจบสญญาณโดยไมไดตงใจเปนตนสญญาณการ

กดสวตซจะถกบนทกไปพรอมกบสญญาณไฟฟากลามเนอ

อก 2ชองสญญาณซงทงสองสญญาณจะเปนสญญาณ

ทขนานกน โดยความถในการชกตวอยางของสญญาณ

ทง 3 ชองสญญาณกำาหนดไว 1024 เฮรตซ โดยขอมล

ของสญญาณทงหมดจะถกบนทกลง SD card ภายใน

Mobi6หลงจากนนจะทำาการดงขอมลของสญญาณโดยใช

โปรแกรมPortilab


ในการทดลองนอาสาสมครจะออกเสยงพดคำาโดด

ภาษาไทยทงหมด 105 คำา ซงประกอบดวยคำาพดทม

โครงสรางของพยญชนะและสระเหมอนกน 21 คำา โดย

แตละคำาจะออกเสยงวรรณยกตครบทง5เสยงแสดงดง

ตารางท1

รปท 2 แสดงลกษณะการเกบขอมลของสญญาณไฟฟากลามเนอ และแสดงตำาแหนงอเลกโทรดสำาหรบตรวจจบสญญาณไฟฟา กลามเนอสำาหรบการทดลองน


แตละคำาพดจะถกพดซำา9ครงโดยทำาการเกบขอมล

สญญาณไฟฟากลามเนอของอาสาสมครทงหมด 10 คน

อายระหวาง18-50ปโดยมจำานวนเพศชายและเพศหญง

เทากน ดงนนจะไดขอมลสญญาณไฟฟากลามเนอทงหมด

945 ขอมล (105 คำา x 9 ครง) สำาหรบอาสาสมคร

แตละคน

2.2.2 ก�รเตรยมสญญ�ณเบองตน

- การกำาจดสญญาณรบกวน

สญญาณไฟฟากลามเนอทไดจากกระบวนการ

เกบขอมลมสญญาณรบกวนปนอยมาก ไดแก สญญาณ

รบกวน 50 เฮรตซ สญญาณรบกวนจากการเคลอนท

(motion artifact) และ สญญาณคลนไฟฟาหวใจ

(Electrocardiography,ECG)โดยเทคนคทใชในการกำาจด

ต�ร�งท 1คำาพดทใชในการฝกสอนและทดสอบระบบ21ชดคำาพด(105คำา)


สญญาณรบกวน จะใชตวกรองความถแถบผาน (band

pass filter) ซงมความถตดผาน (cut off frequency)

อยในชวง 30-350 เฮรตซ ซงสามารถกำาจดสญญาณ

รบกวนจากการเคลอนท และลดทอนสญญาณรบกวน

คลนไฟฟาหวใจได โดยตวกรองความถแถบผานทใช คอ

ตวกรองชนดบตเตอรเวรธ (Butterworth) อนดบท 5

ซงสามารถกำาจดสญญาณรบกวนคลนไฟฟาหวใจไดมาก

ทสดนอกจากนนตวกรองนอตช(Notchfilter)จะถกใช

สำาหรบกำาจดสญญาณรบกวน50เฮรตซ

-การตรวจจบจดเรมตนและจดสนสดของ

สญญาณ

หลงจากผานการกรองสญญาณรบกวนแลว

สญญาณไฟฟากลามเนอจะถกนำามาทำาการวเคราะห

หาจดเรมตนและจดสนสดของสญญาณไฟฟากลามเนอ

ขณะพด โดยเรมจากการตดสญญาณไฟฟากลามเนอของ

แตละคำาพดออกมากอน ซงไมไดตดมาจากจดเรมตนและ

จดสนสดของสญญาณไฟฟากลามเนอทแทจรง แตจะตด

มาจากการใชสญญาณจากการกดสวตซเปนตวกำาหนด

ขอบเขตโดยจะดงสญญาณมา2500ตวอยาง(samples)

จากขอบเขตดงกลาว หลงจากนนจะนำาสญญาณทถกตด

ไปวเคราะหหาจดเรมตนและจดสนสดของสญญาณไฟฟา

กลามเนอทแทจรงของคำาพดนนๆ โดยใชวธทเรยกวา

Threestandarddeviationthreshold[22]ซงเปนการ

คำานวณหาคาขดแบง(threshold)เพอใชในการกำาหนดจด

เรมตนและจดสนสดของสญญาณไฟฟากลามเนอทแทจรง

โดยคำานวณจากคาผลรวมของคาเฉลยและสามเทาของคา

เบยงเบนมาตรฐานของสญญาณอางองซงสญญาณอางอง

คอ สญญาณสญญาณไฟฟากลามเนอในขณะทไมมการ

ออกเสยงพดหรอขณะเงยบ

รปท 3ภาพจรงขณะทำาการทดลองเกบขอมลสญญาณไฟฟากลามเนอของอาสาสมครซงบทความนจะใชสญญาณไฟฟากลามเนอจากตำาแหนงกลามเนอคอ2ตำาแหนงเทานนสำาหรบสญญาณจากตำาแหนงอนๆจะไมถกใชในบทความน


2.2.3 ก�รคำ�นวณค�ลกษณะเดนของสญญ�ณ

สญญาณไฟฟากลามเนอของคำาพดแตละคำา

หลงจากผานกระบวนการเตรยมสญญาณเบองตน จะถก

นำามาคำานวณลกษณะเดนของสญญาณ(feature)เปนการ

สกดลกษณะสำาคญของสญญาณ (feature extraction)

เพอใชเปนตวแทนของคำาพดนนๆในงานวจยนลกษณะเดน

ของสญญาณไฟฟากลามเนอจะถกคำานวณโดยใชสมการท

(1)-(15) ซงถกนำามาใชกนอยางแพรหลายในงานวจยทาง

ดานน และมความครอบคลมลกษณะเดนทงในแกนเวลา

และในแกนความถ

กำาหนดให xn คอ ขอมลของสญญาณไฟฟา

กลามเนอทคอมพวเตอรทำาการชกตวอยาง (sampling)

เขามาครงท n โดยท N คอ จำานวนขอมลทงหมด

และกำาหนดให Pi คอ กำาลงไฟฟาสเปคตรม (power

spectrum)คาทiและfiคอความถทตำาแหนงiและM คอ N/2-1 การคำานวณลกษณะเดนมรายละเอยด

ดงตอไปน

-คารากเฉลยกำาลงสอง(RootMeanSquare,

RMS)

(1)

- คาความแปรปรวน(Variance,VAR)

(2)

- คาความยาวรปคลน(WaveformLength,WL)

(3)

- คาแอมพลจดของวลลสน(WillisonAmplitude,

WAMP)

(4)

- คาจดตดศนย(ZeroCrossing,ZC)

(5)

- คาการเปลยนแปลงความชน (Slope Sign

Change,SSC)

(6)

- คาผลรวมของคาสมบรณ (Integrated

AbsoluteValue,IAV)

(7)

- คาเฉลยของคาสมบรณ (Mean Absolute

Value,MAV)

(8)

- คาเฉลยของคาสมบรณแบบใหนำาหนกแบบท1

(ModifiedMeanAbsoluteValue,MMAV1)

(9)

- คาเฉลยของคาสมบรณแบบใหนำาหนกแบบท2

(ModifiedMeanAbsoluteValue,MMAV2)

(10)


- คาเฉลยของสญญาณ(Mean,MN)

(11)

- คาความชนของคาเฉลยคาสมบรณ (Mean

AbsoluteValueSlope,MAVS)

(12)

โดยทSคอจำานวนการแบงสญญาณ-1

- คาความถกลาง(MedianFrequency,MDF)

(13)

- คาเฉลยของความถ (Mean Frequency,

MNF)

(14)

- คาสเปคตรลโมเมนต (Spectral Moment,

SM)

(15)

เมอnคออนดบของสเปคตรลโมเมนต

จากสมการดงกลาว การคำานวณลกษณะเดน

แตละชนดจะใหคาพารามเตอร 1 ตว ยกเวนลกษณะ

เดนชนดMAVSจากสมการ (12)จะใหคาพารามเตอร

5ตวซงถกเรยกวาMAVS_1MAVS_2MAVS_3

MAVS_4และMAVS_5สำาหรบลกษณะเดนชนดSM

จากสมการท(15)จะเปนการคำานวณสเปคตรลโมเมนต4

อนดบคอ123และ5ซงจะไดลกษณะเดน4ตวคอ

SM1SM2SM3และSM5

รปท4แสดงการคำานวณลกษณะเดนของสญญาณ

ไฟฟากลามเนอซงแบงออกเปน2รปแบบคอ

รปแบบท 1) คำานวณโดยใชขอมลของสญญาณ

ทงหมด แตละสญญาณจะมความยาวเทากบ N โดยใชสมการท (1)-(15) ยกเวนสมการท (12) ซงจะทำาใหได

ลกษณะเดน17ตว

รปแบบท 2) คำานวณโดยแบงสญญาณไฟฟา

กลามเนอออกเปน 6 สวนเทาๆ กน ซงแตละสวนจะม

ความยาวของสญญาณเทากบ N/6 แลวนำาสญญาณใน

แตละสวนมาคำานวณโดยใชสมการท (1)-(15) (เทคนค

ทประยกตจากการคำานวณลกษณะเดนชนด MAVS) คา

ลกษณะเดนในแตละสวนจะถกเรยกใหม โดยใชตวเลขซง

อยดานหลงเครองหมายสญประกาศ (underscore) เปน

ตวบงชสวนของสญญาณทนำามาคำานวณ เชน RMS_1

คอ ลกษณะเดนชนด RMS ของสญญาณสวนทหนง

เปนตนจากการคำานวณสมการ(12)สำาหรบทง6สวน

ของสญญาณ จะไดลกษณะเดนตวใหม 5 ตว สำาหรบ

สมการอนๆจะไดลกษณะเดนชนดละ6ตว(6x17=102)

ในสวนนจะไดลกษณะเดนทงหมด107ตว

นอกจากนน ลกษณะเดนทไดจากการคำานวณใน

รปแบบท 2) จะถกนำาไปหาคาผลรวมและคาเฉลยของ

ลกษณะเดนจากทง 6 สวนของสญญาณ ซงจะทำาใหได

ลกษณะเดนตวใหม โดยในการเรยกชอลกษณะเดนชนด

ใหมนจะใชคำาวา “SUM” และ “MEAN” ตามดวยเครองหมายสญประกาศนำาหนา เชนSUM_RMSคอ

ผลรวมของRMS_1ถงRMS_6เปนตนในสวนนจะ

ไดลกษณะเดนทงหมด36ตว

เทคนคการคำานวณลกษณะเดนโดยแบงสญญาณ

ออกเปนสวนๆ แลวคำานวณลกษณะเดนในแตละสวน

ของสญญาณ จะทำาใหสามารถวเคราะหไดวา สญญาณ

ตรงสวนใดมผลในการจำาแนกวรรณยกต หรอทกสวนของ

สญญาณมผลในการจำาแนกวรรณยกต

จากทกลาวมาขางตนในสวนของการคำานวณ

ลกษณะเดนของสญญาณไฟฟากลามเนอทงสองรปแบบ

จะไดจำานวนลกษณะเดนทงหมด160ตว


2.2.4 ก�รประเมนลกษณะเดน

ลกษณะเดนของสญญาณไฟฟากลามเนอทงหมด

ทถกคำานวณจากหวขอ 2.2.3 จะถกนำามาประเมนเพอ

วดความสามารถในการแบงกลมขอมลของลกษณะเดน

แตละตวโดยใชตวประเมนอารอเอส(RES)ซงแสดงดง

สมการท (16) ซงพบวามประสทธภาพในการประเมน

ลกษณะเดนของสญญาณไฟฟากลามเนอ ในทศทางเดยว

กบความแมนยำาในการจำาแนกของตวจำาแนก[23]

(16)

โดยท คอคาเฉลยของระยะทางแบบยคลด

(Euclidean distance) ซงเปนการวดระยะทางระหวาง

กลมขอมลโดยวดจากจดศนยถวง (centroid) ของขอมล

แตละกลมเพอวดการกระจายของขอมลระหวางกลมแลว

นำามาหาคาเฉลย

คอ คาเฉลยของสวนเบยงเบนมาตรฐาน

(standard deviation) ซงวดการกระจายภายในกลม

ขอมลแลวนำามาหาคาเฉลย รายละเอยดการคำานวณ

ถกแสดงใน[23]

การประเมนลกษณะเดนโดยใชตวประเมน

อารอเอสถกแบงออกเปน2รปแบบดงน

รปท 4ลกษณะเดนของสญญาณไฟฟากลามเนอจากการคำานวณทงสองรปแบบ(Feature(1)และFeature(2))


รปแบบท 1) การประเมนลกษณะเดนสำาหรบ

ใชในระบบจำาแนกแบบขนตอนเดยว (single step of

classification)โดยประเมนความสามารถในการแบงกลม

ขอมลออกเปน 5 กลม ซงเปนกลมของเสยงวรรณยกต

ทง5เสยงรปแบบนจะจำาแนกวรรณยกตออกมา5เสยง

ภายในขนตอนเดยว

รปแบบท 2) การประเมนลกษณะเดนสำาหรบ

ใชในระบบจำาแนกแบบสามขนตอน (three steps of

classification) ดงแสดงในรปท 5 รปแบบนจะจำาแนก

วรรณยกตออกมาทละขนตอน โดยขนตอนแรกจะจำาแนก

วรรณยกตออกมาสามกลม (โดยพจารณาวรรณยกตทง

5 เสยง) คอ กลมวรรณยกตเอก กลมวรรณยกตจตวา

และกลมวรรณยกตอนๆ(สามญโทตร)ขนตอนทสอง

เปนการจำาแนกวรรณยกตออกเปน2กลม(โดยพจารณา

เฉพาะวรรณยกตสามญโทและตร)คอกลมวรรณยกต

ตรและกลมวรรณยกตอนๆ(สามญโท)ขนตอนทสาม

เปนการจำาแนกวรรณยกตออกเปน 2 กลมเชนเดยวกน

(โดยพจารณาเฉพาะวรรณยกตสามญและโท)คอกลม

วรรณยกตสามญและกลมวรรณยกตโท

ดงนนในรปแบบนจะแบงการประเมนออกเปน3

กลมยอยตามขนตอนของการจำาแนก ซงจะประเมนความ

สามารถในการแบงกลมขอมลออกเปน 3 กลม 2 กลม

และ2กลมตามลำาดบ

รปท 5 แผนภาพแสดงรปแบบการจำาแนกแบบสามขนตอนในการจำาแนกวรรณยกตไทย 5 เสยง คอ สามญ (mid tone) เอก(lowtone)โท(fallingtone)ตร(hightone)และจตวา(risingtone)

2.2.5 ก�รเลอกลกษณะเดน

ขนตอนนเปนการเลอกลกษณะเดนเพอใชเปน

อนพตใหกบตวจำาแนก โดยทำาการเลอกลกษณะเดนใน

แตละรปแบบการประเมน โดยมขนตอนในการเลอก

ลกษณะเดนดงตอไปน

1)เลอกลกษณะเดนทมคาอารอเอสสงทสด 10

อนดบแรกสำาหรบสญญาณไฟฟากลามเนอของอาสาสมคร

แตละคน (10 คน) ดงนนในขนตอนนจะไดลกษณะเดน

ทงหมด100ตว

2)พจารณาลกษณะเดนทงหมด (100 ตว) ท

ถกเลอกจากหวขอท 1) จากนน หาความถของลกษณะ

เดนแตละตว ซงความถสงสดเทากบ 10 นนคอ ขอมล

สญญาณไฟฟากลามเนอของอาสาสมครทง 10 คน ม

ลกษณะเดนตวนนปรากฏอยในกลมของลกษณะเดนทม

อารอเอสสงสด10อนดบแรกจากหวขอท1)

3)เรยงลำาดบลกษณะเดนจากความถสงสดไปหา

ความถตำาสดอยางไรกตามในกรณทความถของลกษณะ

เดนเทากน จะเรยงลำาดบโดยพจารณาคาอารอเอสเฉลย

ซงคำานวณจากคาเฉลยของอารอเอสของสญญาณไฟฟา

กลามเนอจากอาสาสมครทงหมด


การเลอกลกษณะเดนจากวธดงกลาว จะทำาให

ไดลกษณะเดนเพยงชดเดยว ทสามารถนำาไปใชไดกบ

สญญาณไฟฟากลามเนอของอาสาสมครทงหมดเนองจาก

กระบวนการเลอกลกษณะเดนขางตน เลอกจากการ

พจารณาขอมลของสญญาณไฟฟากลามเนอจากอาสา

สมครทงหมด

2.2.6 กระบวนก�รจำ�แนก

ในกระบวนการนจะทำาการฝกสอน (training)

และทดสอบระบบ(testing)โดยใชโครงขายประสาทเทยม

เปนตวจำาแนก เพอจำาแนกวรรณยกต 5 เสยง โดยนำา

ลกษณะเดนทไดจากหวขอ 2.2.5 มาเปนอนพตใหกบตว

จำาแนกโดยทำาการทดลองปรบจำานวนอนพตของโครงขาย

ประสาทเทยมโดยใชจำานวนลกษณะเดน35791215

182124และ27ตามลำาดบโดยเรยงลำาดบลกษณะเดน

ทดทสดจากกระบวนการเลอกลกษณะเดนในหวขอ2.2.5

ในการทดลองน จะทดสอบประสทธภาพของ

รปแบบการจำาแนกแบบสามขนตอนโดยใชโครงขาย

ประสาทเทยมสามโครงขายซงเปนเทคนคทไดนำาเสนอใน

งานวจยทผานมา[21]และไดรบการปรบปรงในบทความน

โดยจะเปรยบเทยบกบการจำาแนกแบบขนตอนเดยวซงใช

โครงขายประสาทเทยมหนงโครงขาย (รปแบบทวไป) ซง

ไดกลาวไวเบองตนในหวขอ2.2.4

รปท5แสดงรปแบบการจำาแนกแบบสามขนตอน

โดยใชโครงขายประสาทเทยมสามโครงขาย ในแตละ

โครงขายจะใชลกษณะเดนทแตกตางกน โดยโครงขาย

ทหนงจะใชในการจำาแนกวรรณยกตเอกและจตวาในกรณ

ทผลการจำาแนกออกมาเปนวรรณยกตอนๆระบบจะสงตอ

ไปทโครงขายทสองซงใชในการจำาแนกวรรณยกตตร ใน

กรณทผลการจำาแนกออกมาเปนวรรณยกตอนๆ ระบบก

จะสงตอไปทโครงขายทสามซงใชในการจำาแนกวรรณยกต

สามญและโท รายละเอยดการทำางานของระบบถกแสดง

ใน[21]

สญญาณไฟฟากลามเนอทใชในการทดสอบระบบ

(testing) จะใชขอมลของชดคำาพดท 1 2 8 9 และ

15 ในตารางท 1 สำาหรบขอมลทเหลอจะถกใชสำาหรบ

กระบวนการฝกสอนระบบ เพอเปนการทดสอบวาระบบท

ออกแบบสามารถจำาแนกวรรณยกตไดกลาวคอถงแมวา

จะออกเสยงคำาพดทมองคประกอบของพยญชนะและสระ

ตางกน แตวรรณยกตเดยวกน ระบบจะสามารถจดกลม

คำานนใหอยในกลมวรรณยกตเดยวกนได

3. ผลก�รทดลอง รปท6แสดงผลความแมนยำาในการจำาแนกวรรณยกต

5เสยงสำาหรบรปแบบการจำาแนกทงสองรปแบบคอ(ก)

การจำาแนกแบบขนตอนเดยว และ (ข) การจำาแนกแบบ

สามขนตอน โดยเปรยบเทยบความแมนยำาในการจำาแนก

ของสญญาณไฟฟากลามเนอของอาสาสมครทง 10 คน

(S01-S10)ขณะทมการเพมจำานวนลกษณะเดนจาก3ตว

จนถง27ตวโดยเพมครงละ3ตวจะเหนไดวาสญญาณ

ไฟฟากลามเนอของอาสาสมครเกอบทงหมดจากทงสอง

รปแบบการจำาแนก ใหผลไปในทศทางเดยวกน กลาวคอ

เมอจำานวนลกษณะเดนเพมขนความแมนยำาในการจำาแนก

จะเพมขนดวย โดยความแมนยำาจะเพมขนอยางมาก

ในชวงการปรบจำานวนลกษณะเดนจาก 3 เปน 6 และ

ความแมนยำาจะเพมขนเลกนอยและคอยๆ คงทในชวง

การปรบจำานวนลกษณะเดนตงแต12ตวเปนตนไป

เมอพจารณาในแตละชวงของการปรบจำานวนลกษณะ

เดน จะเหนไดวาสญญาณไฟฟากลามเนอของอาสาสมคร

แตละคนใหผลความแมนยำาทแตกตางกน ซงมความ

แตกตางระหวางความแมนยำาสงสดและตำาสดอยางเหน

ไดชด พจารณาผลการจำาแนกแบบขนตอนเดยวซงแสดง

ในรปท 6(ก) ณ ตำาแหนงการใชจำานวนลกษณะเดน

3ตวจะเหนไดวาความแมนยำาสงสดคอ76.67%เปน

ผลความแมนยำาของ S04 ในขณะทความแมนยำาตำาสด

คอ 37.33% ไดจากสญญาณของ S02 จะเหนไดวาม

ความแตกตางกน39.34%และเมอพจารณาณตำาแหนง

การใชจำานวนลกษณะเดนทใหความแมนยำาสงสดจาก

รปแบบการจำาแนกแบบขนตอนเดยวพบวาการใชจำานวน

ลกษณะเดน 24 ตว ใหความแมนยำาสงสดซงไดรบจาก

สญญาณ S04 เชนเดยวกน โดยความแมนยำาทได คอ

94.22% ในขณะทความแมนยำาตำาสด คอ 49.78%ซง

เปนสญญาณของS02เชนเดยวกนโดยทความแตกตาง

ระหวางความแมนยำาสงสดและตำาสดณตำาแหนงการใช

ลกษณะเดน24ตวคอ44.44%ดงนนแสดงใหเหนวา

สญญาณของS04 ใหผลความแมนยำาสงสดและS02


ใหผลความแมนยำาตำาสด โดยทมความแตกตางระหวาง

ความแมนยำาสงสดและตำาสดมากซงใหผลเชนเดยวกนกบ

รปแบบการจำาแนกแบบสามขนตอนในรปท6(ข)นอกจากน

เมอพจารณาการจำาแนกแบบสามขนตอน จะเหนไดวา

S02ใหผลความแมนยำาทแตกตางกบสญญาณอนๆอยาง

เหนไดชดโดยใหความแมนยำาทตำามากอยางไรกตามการ

เพมจำานวนลกษณะเดน สามารถเพมความแมนยำาในการ

จำาแนก โดยใหผลการเปลยนแปลงไปในทศทางเดยวกน

สำาหรบขอมลสญญาณทงหมด(S01-S10)

(ก)

(ข)

รปท 6 กราฟแสดงผลความแมนยำาในการจำาแนกวรรณยกต 5 เสยง ซงเปรยบเทยบความแมนยำาของขอมลสญญาณไฟฟา กลามเนอของอาสาสมครทง10คน(S01-S10)เมอมการเพมจำานวนลกษณะเดนจาก3ถง27ตวโดยเพมครงละ3ตว(ก) การจำาแนกแบบขนตอนเดยว(ข)การจำาแนกแบบสามขนตอน

พจารณาเฉพาะสญญาณ S04 ซงใหผลการจำาแนก

ดทสดจากทงสองรปแบบการจำาแนก พบวา สำาหรบการ

จำาแนกแบบขนตอนเดยว การเพมจำานวนลกษณะเดน

24ตวใหความแมนยำาสงสด(94.22%)ซงสามารถเพม

ความแมนยำา19.55%เมอเปรยบเทยบกบการใชจำานวน

ลกษณะเดนเพยง 3 ตว ในขณะทการจำาแนกแบบสาม

ขนตอนการเพมจำานวนลกษณะเดน21ตวใหผลความ

แมนยำาสงสด(95.56%)ซงความแมนยำาเพมขน10.67%

เมอเปรยบเทยบกบการใชจำานวนลกษณะเดนเพยง3ตว

ดงนนจะเหนไดวารปแบบการจำาแนกแบบสามขนตอน

ใหความแมนยำาทดกวาการจำาแนกแบบขนตอนเดยวและ

ใชจำานวนลกษณะเดนนอยกวา

อยางไรกตาม จากผลการทดลองสวนนยงไมสามารถ

สรปจำานวนลกษณะเดนทเหมาะสมในงานวจยนไดอยาง


ชดเจน เนองจากความแมนยำาสงสดทเกดขนในแตละ

สญญาณ เกดจากการใชจำานวนลกษณะเดนทแตกตางกน

ดงนนเพอใหสามารถวเคราะหจำานวนลกษณะเดนท

เหมาะสม และระบอตราการเปลยนแปลงของความ

แมนยำาในขณะทมการปรบจำานวนลกษณะเดนไดอยาง

ชดเจน จงนำาผลความแมนยำาในการจำาแนกวรรณยกต 5

เสยงของสญญาณไฟฟากลามเนอทงหมด (S01-S10)

มาคำานวณหาคาเฉลย

รปท 7 เปนผลความแมนยำาเฉลยซงถกแสดงใน

รปแบบของแผนภมแทง โดยทกราฟเสนตรงแสดงคา

การเปลยนแปลงความแมนยำาในการจำาแนกเมอจำานวน

ลกษณะเดนเพมขนพจารณาการจำาแนกแบบขนตอนเดยว

รปท7(ก)จะเหนวาในชวงการปรบจำานวนลกษณะเดนจาก

3 เปน 6 ความแมนยำาเพมขนมากทสด โดยเพมขน

15.47%หลงจากนนความแมนยำาจะเพมขนเพยงเลกนอย

โดยทความแมนยำาสงสดไดจากการใชจำานวนลกษณะเดน

27 ตว (76.93%) สำาหรบการจำาแนกแบบสามขนตอน

รปท 7(ข) จะเหนวาในชวงการปรบจำานวนลกษณะเดน

จาก3เปน6ความแมนยำาเพมขนมากทสดเชนเดยวกน

โดยเพมขน 6.71% หลงจากนนความแมนยำาจะเพมขน

เพยงเลกนอย โดยทความแมนยำาสงสดไดจากการใช

จำานวนลกษณะเดน 27 ตว (80.27%) อยางไรกตาม

ถงแมวาอตราการเพมขนของความแมนยำาเฉลยของการ

จำาแนกแบบสามขนตอนในชวงการปรบจำานวนลกษณะ

เดนจาก3เปน6จะตำากวาการจำาแนกแบบขนตอนเดยว

แตความแมนยำาเฉลยของการจำาแนกแบบสามขนตอนกยง

คงสงกวาการจำาแนกแบบขนตอนเดยว

(ก)

(ข)

รปท 7กราฟแกนปฐมภม (ซาย)แสดงผลความแมนยำาเฉลยในการจำาแนกวรรณยกต5 เสยงซงคำานวณจากขอมลสญญาณ ไฟฟากลามเนอของอาสาสมครทง10คน(S01-S10)เมอมการเพมจำานวนลกษณะเดนจาก3ถง27ตวโดยเพมครงละ3ตว กราฟแกนทตยภม (ขวา) แสดงคาการเปลยนแปลงความแมนยำาในการจำาแนกเมอจำานวนลกษณะเดนเพมขน (ก) การจำาแนก แบบขนตอนเดยว (ข) การจำาแนกแบบสามขนตอนหมายเหต : แถบคาคลาดเคลอน (error bar) แสดงชวงความเชอมน (confidenceinterval)95%


รปท 8 แสดงการเปรยบเทยบความแมนยำาเฉลย

ในการจำาแนกวรรณยกต5เสยงระหวางรปแบบการจำาแนก

แบบขนตอนเดยวและการจำาแนกแบบสามขนตอนจะเหน

ไดวาการจำาแนกแบบสามขนตอนมความแมนยำาสงกวา

การจำาแนกแบบขนตอนเดยวซงจะแตกตางอยางเหนไดชด

เมอพจารณา ณ ตำาแหนงทมการใชจำานวนลกษณะเดน

เพยง 3 ตว โดยทการจำาแนกแบบสามขนตอนมความ

แมนยำาเฉลยสงกวา 11.6% เมอเพมจำานวนลกษณะเดน

มากขนจะเหนไดวามความแตกตางเพยงเลกนอยระหวาง

ความแมนยำาเฉลยของทงสองรปแบบ

รปท 8 แผนภมแทงแสดงการเปรยบเทยบความแมนยำาเฉลยในการจำาแนกระหวางรปแบบการจำาแนกแบบขนตอนเดยวและ การจำาแนกแบบสามขนตอนหมายเหต:แถบคาคลาดเคลอน(errorbar)แสดงชวงความเชอมน(confidenceinterval)95%

4. วเคร�ะหผลก�รทดลอง ในสวนของการวเคราะหผลการทดลอง จะวเคราะห

ใน 4 ประเดนหลก ไดแก ประสทธภาพของระบบ

เมอเพมจำานวนลกษณะเดนใหกบระบบ ประสทธภาพ

ในการจำาแนกของสญญาณจากอาสาสมครแตละคน

ประสทธภาพของรปแบบการจำาแนกสองรปแบบ และ

คณลกษณะของลกษณะเดนทถกเลอก

ประเดนแรก พจารณาประสทธภาพของระบบเมอ

เพมจำานวนลกษณะเดนใหกบระบบ จากผลการทดลอง

จะเหนไดวา การเพมจำานวนลกษณะเดนสามารถเพม

ความแมนยำาใหกบระบบ โดยทการเพมลกษณะเดน 27

ตว ใหความแมนยำาเฉลยสงสดสำาหรบทงสองรปแบบ

การจำาแนก อยางไรกตาม การเพมจำานวนอนพตใหกบ

ตวจำาแนก ยงเพมจำานวนอนพตมากขนจะทำาใหเวลาใน

การประมวลผลสญญาณชาลง ดงนนจำานวนลกษณะเดน

ทเหมาะสมในงานวจยน จงตองพจารณาทงในแงของ

ความแมนยำาและเวลาในการประมวลผล ซงจากรปท

7(ก)และรปท7(ข)แสดงใหเหนวาจำานวนลกษณะเดน

ทเหมาะสมสำาหรบการจำาแนกแบบขนตอนเดยวและสาม

ขนตอนคอ12ตวและ9ตวตามลำาดบทงนเนองจาก

การเพมจำานวนลกษณะเดนหลงจากจำานวนดงกลาวทำาให

ความแมนยำาเพมขนเพยงเลกนอยเทานนกลาวคอสำาหรบ

การจำาแนกแบบขนตอนเดยว ความแมนยำาทเพมขน

หลงจากเพมจำานวนลกษณะเดน12ตวเปนตนไปมอตรา

การเพมขนอยในชวงระหวาง 0.49-1.38% สำาหรบการ

จำาแนกแบบสามขนตอน ความแมนยำาทเพมขนหลงจาก

เพมจำานวนลกษณะเดน9ตวเปนตนไปมอตราการเพมขน

อยในชวงระหวาง 0-1.41% การทความแมนยำาเพมขน

เพยงเลกนอยในชวงหลงของการเพมจำานวนลกษณะเดน

อาจจะเปนเพราะวาลกษณะเดนทเพมเขาไปเปนลกษณะ

เดนทมคณลกษณะใกลเคยงกบลกษณะเดนกอนหนาหรอ

กลาวไดวาเปนลกษณะเดนทความซำาซอนกน ทำาใหความ

แมนยำาในการจำาแนกเพมขนเพยงเลกนอยหรอไมเพมขน

เลย

ประเดนทสองพจารณาประสทธภาพในการจำาแนกของ

สญญาณจากอาสาสมครแตละคน จากการทดลองจะเหน

ไดวา สญญาณไฟฟากลามเนอของอาสาสมครแตละคน

ใหผลความแมนยำาทแตกตางกนออกไป ซงในการทดลอง

นพบวา สญญาณไฟฟากลามเนอของอาสาสมคร S04

เปนสญญาณทใหผลการจำาแนกทดทสด และ สญญาณ

ไฟฟากลามเนอของอาสาสมคร S02 เปนสญญาณทให

ผลการจำาแนกตำาทสดซงสาเหตททำาใหเกดความแตกตาง

ของสญญาณไฟฟากลามเนอของอาสาสมครแตละคน

นาจะเกดจากสวนของกระบวนการเกบขอมลของสญญาณ


ไฟฟากลามเนอ กลาวคอ ธรรมชาตในการออกเสยงพด

ของอาสาสมครแตละคนแตกตางกน ถงแมวาเสยงพดท

ออกมาจะมลกษณะของเสยงทถกตองและชดเจน แต

วธการขยบปากเพอออกเสยงพดของแตละคนแตกตางกน

ซงอาสาสมครทมการขยบปากถกตองตามหลกการออก

เสยงเพอเปลงเสยงออกมาจะไดสญญาณไฟฟากลามเนอ

ทมแอมพลจดชดเจน และทำาใหมความแตกตางของ

สญญาณไฟฟากลามเนอของคำาพดแตละคำา ทำาใหงาย

ตอการจำาแนกคำาพด ในทางตรงกนขาม อาสาสมคร

บางคนไมคอยมการขยบปากขณะออกเสยง กลาวคอ

มการเคลอนไหวของอวยวะในการออกเสยงพดนอยซงม

ผลทำาใหเกดการทำางานของสญญาณไฟฟากลามเนอนอย

ดงนนสญญาณไฟฟากลามเนอทไดจะมแอมพลจดตำาและ

มความแตกตางของสญญาณไฟฟากลามเนอของคำาพด

แตละคำานอย ดงนนการควบคมลกษณะการออกเสยงพด

ของอาสาสมครใหคงทเปนปจจยสำาคญทจะชวยเพม

ประสทธภาพและความนาเชอถอใหกบระบบได

ประเดนตอมา พจารณาประสทธภาพของรปแบบการ

จำาแนกสองรปแบบ คอ รปแบบการจำาแนกแบบขนตอน

เดยวโดยใชโครงขายประสาทเทยมหนงโครงขาย และ

รปแบบการจำาแนกแบบสามขนตอนโดยใชโครงขาย

ประสาทเทยมสามโครงขาย จากผลการทดลอง จะเหน

ไดวาการจำาแนกแบบสามขนตอนโดยใชโครงขายประสาท

เทยมสามโครงขายใหผลความแมนยำาเฉลยสงกวา แต

อยางไรกตามการจำาแนกแบบสามขนตอนมความซบซอน

และใชเวลาในการประมวลผลมากกวาการจำาแนกแบบ

ขนตอนเดยวถงสามเทา ดงนนถาระบบตองการความเรว

ในการประมวลผลการจำาแนกแบบขนตอนเดยวนาจะเปน

ทางเลอกทดกวา เนองจากความแมนยำาในการจำาแนก

ตำากวาการจำาแนกแบบสามขนตอนเพยงเลกนอย(1.78%

เมอพจารณาณตำาแหนงทใหความแมนยำาสงสดการใช

จำานวนลกษณะเดน 21 ตว) อยางไรกตาม การจำาแนก

แบบสามขนตอนจะใหความแมนยำาเฉลยทสงกวาการ

จำาแนกแบบขนตอนเดยวอยางเหนไดชด (9.77%) เมอ

มการใชจำานวนลกษณะเดนเพยงเลกนอย เชน การใช

ลกษณะเดนเพยง3ตวเปนตน

ประเดนสดทาย พจารณาคณลกษณะของลกษณะ

เดนทถกเลอก ซงจะพจารณาลกษณะเดนทถกใชสำาหรบ

การจำาแนกแบบสามขนตอน เนองจากผลการทดลอง

แสดงใหเหนวา การจำาแนกแบบสามขนตอนโดยใช

โครงขายประสาทเทยมสามโครงขายมประสทธภาพดกวา

การจำาแนกแบบขนตอนเดยวโดยใหความแมนยำาสงสดเมอ

เพมจำานวนลกษณะเดน27ตวอยางไรกตามจะพจารณา

ลกษณะเดนเพยง9ตวเนองจากการเพมจำานวนลกษณะ

เดนมากกวา 9 ตวมผลในการเพมความแมนยำาเพยง

เลกนอย

ตารางท2แสดงลกษณะเดนทถกใชสำาหรบการจำาแนก

แบบสามขนตอน ซงจะแบงเปนลกษณะเดนยอย 3 ชด

ในแตละขนตอนจะใชลกษณะเดนแตกตางกน จะเหนวา

ลกษณะเดนทถกเลอกสวนใหญเปนลกษณะเดนในรปแบบ

ทสอง ซงมาจากการคำานวณโดยแบงสญญาณไฟฟา

กลามเนอออกเปน 6 สวนเทาๆ กน ดงนนจะเหนไดวา

ลกษณะเดนในรปแบบนมประสทธภาพในการจำาแนก

วรรณยกตไดดเนองจากเปนลกษณะเดนทคำานวณมาจาก

บางสวนของสญญาณ ซงในแตละสวนของสญญาณมผล

ในการจำาแนกวรรณยกตแตกตางกน

1 2 3

ลำดบ ลกษณะเดนสำหรบการจำแนกแบบสามขนตอน

MMAV2 MAV_3

MMAV1_3 ZC_3

RMS_3 ZC

MMAV1 ZC_4

WAMP_4

IAV_6 WL_6 SSC_6 ZC_6

RMS_6 WAMP_6 MMAV1_6

SSC SSC_5

SSC_3 SSC_4 SSC_2

WAMP_3 ZC_2

RMS_2 MNF_2

SUM_MNF MAV_2

123456789

ต�ร�งท 2ลกษณะเดนทถกเลอกจากหวขอ2.2.4และ2.2.5สำาหรบใชในรปแบบการจำาแนกแบบสามขนตอน


พจารณาลกษณะเดนทใชในแตละขนตอนของการ

จำาแนก ในการจำาแนกขนตอนทหนงซงใชในการจำาแนก

วรรณยกตเอกและจตวา ลกษณะเดนสวนใหญเปน

ลกษณะเดนทคำานวณจากสวนท 3 และสวนท 4 ของ

สญญาณ ในการจำาแนกขนตอนทสองซงใชในการจำาแนก

วรรณยกตตร ลกษณะเดนสวนใหญเปนลกษณะเดนท

คำานวณจากสวนท 6 ของสญญาณ สำาหรบการจำาแนก

ขนตอนทสามซงใชในการจำาแนกวรรณยกตสามญและโท

ลกษณะเดนสวนใหญเปนลกษณะเดนทคำานวณจากสวนท

2และสวนท3ของสญญาณดงนนจะเหนไดวาในแตละ

สวนของสญญาณมผลในการจำาแนกวรรณยกตแตกตางกน

กลาวคอสวนท3และสวนท4ของสญญาณมผลในการ

จำาแนกวรรณยกตเอกและจตวาออกจากกลมวรรณยกต

อนๆสวนท6ของสญญาณมผลในการจำาแนกวรรณยกต

ตรออกจากกลมของวรรณยกตโทและสามญและสวนท2

และสวนท3ของสญญาณมผลในการจำาแนกวรรณยกต

สามญและโทออกจากกน

จากผลการทดลองทงหมดเมอเปรยบเทยบกบงานวจย

กอนหนา [21] ซงไดนำาเสนอเทคนคการจำาแนกแบบสาม

ขนตอน โดยออกแบบจากสญญาณไฟฟากลามเนอจาก

อาสาสมครเพยง1คนซงพบวาเทคนคนสามารถจำาแนก

วรรณยกต 5 เสยงได โดยมความแมนยำาในการจำาแนก

80% อยางไรกตาม การทดลองดงกลาวยงไมสามารถ

ยนยนไดวา เทคนคนจะมประสทธภาพเพยงพอเมอนำาไป

ใชกบสญญาณไฟฟากลามเนออนๆ จากผลการทดลองน

จะเหนไดวาเทคนคการจำาแนกแบบสามขนตอนทไดนำา

เสนอมประสทธภาพเพยงพอในการจำาแนกวรรณยกต

5 เสยง ซงไดปรบปรงเทคนคดงกลาวในสวนของการ

คดเลอกลกษณะเดนและการเพมจำานวนลกษณะเดนให

กบระบบ

5. สรปผลก�รทดลอง งานวจยนเปนการปรบปรงเทคนคการจำาแนกแบบ

สามขนตอนซงใชโครงขายประสาทเทยมสามโครงขายใน

การจำาแนกวรรณยกตไทย 5 เสยง โดยการใชขอมลของ

สญญาณไฟฟากลามเนอของอาสาสมคร 10 คนในการ

ออกแบบ โดยไดปรบปรงในสวนของกระบวนการคำานวณ

ลกษณะเดนคดเลอกลกษณะเดนและเพมจำานวนลกษณะ

เดนเพอเปนอนพตใหกบโครงขายประสาทเทยมนอกจากน

ทำาการเปรยบเทยบรปแบบการจำาแนกสองรปแบบคอการ

จำาแนกแบบสามขนตอนและการจำาแนกแบบขนตอนเดยว

จากผลการทดลองพบวา การจำาแนกแบบสามขนตอนม

ประสทธภาพดกวาการจำาแนกแบบขนตอนเดยว โดยให

ความแมนยำาสงสด 95.56% จากขอมลสญญาณไฟฟา

กลามเนอ S04 และความแมนยำาเฉลย 80.27% จาก

ขอมลสญญาณไฟฟากลามเนอทงหมด นอกจากน เมอ

พจารณาจากความแมนยำาเฉลยการใชจำานวนลกษณะเดน

27 ตว ใหความแมนยำาสงสด แตอยางไรกตาม จำานวน

ลกษณะเดนทเหมาะสม คอ 9 ตว เนองจากการเพม

จำานวนลกษณะเดนมากกวา 9 ตว จะเพมประสทธภาพ

ในการจำาแนกเพยงเลกนอย

อยางไรกตาม การทดลองนเปนการคดเลอกลกษณะ

เดนโดยการจดอนดบลกษณะเดนตามผลการประเมนดวย

ตวประเมนแบบอารอเอส ซงวธน ทำาใหลกษณะเดนทใช

อาจมความสมพนธกนนนกแสดงวาขอมลมความซำาซอน

ซงมผลทำาใหความแมนยำาในการจำาแนกไมเพมขน แตจะ

ไปเพมพารามเตอรเขาไปในระบบ ทำาใหการประมวลผล

ชาลง นอกจากน ในการเพมจำานวนลกษณะเดนครงละ

3ตวทำาใหไมสามารถระบไดชดวาลกษณะเดนตวใดมผล

ในการเพมหรอลดประสทธภาพของระบบ ดงนน งาน

ตอไปจะปรบปรงในสวนของเทคนคการเลอกลกษณะเดน

โดยใชเทคนคการคนหา(Searchstageybasedfeature

selection)เพอใหไดลกษณะเดนทเหมาะสม

6. กตตกรรมประก�ศ งานวจยนไดรบการสนบสนนโดยโครงการรวมใหทน

ปรญญาเอกกาญจนาภเษก (คปก.) ระหวางสำานกงาน

กองทนสนบสนนการวจย (สกว.) และมหาวทยาลย

สงขลานครนทร(สญญาเลขทPHD/0164/2552)

7. เอกส�รอ�งอง 1.Sugie,N.andTsunoda,K.,1985,“ASpeechProsthesisEmployingaSpeechSynthesizerVowel

DiscriminationfromPerioralMuscleActivitiesand

VowelProduction,” IEEE Transactions on Biomedical

Engineering,32(7),pp.485-490.


2.Kubo,T.,Yoshida,M.,Hattori,T.andIkeda,

K., 2014, “Towards Excluding Redundancy inElectrodeGridforAutomaticSpeechRecognition

basedonSurfaceEMG,” Neurocomputing,134,

pp.15-19.

3.Fraiwan, L., Lweesy, K., Al-Nemrawi, A.,

Addabass, S. and Saifan, R., 2011, “Voiceless Arabic vowels recognition using facial EMG,” Medical & Biological Engineering & Computing,

49(7),pp.811-818.

4.Chan,A.D.,Englehart,K.B.,Hudgins,B.and

Lovely,D.F.,2006,“MultiexpertAutomaticSpeech

Recognition using Acoustic and Myoelectic

Signals,” IEEE Transactions on Biomedical

Engineering,53(4),pp.676-685.

5.Lopez-Larraz,E.,Mozos,O.M.,Antelis,J.M.

andMinguez, J., 2010, “Syllable-based speechrecognition using EMG,” Annual International

Conference of the IEEE Engineering in Medicine

and Biology Society,EMBC,pp.4699-4702.

6.Jou,S.C.S.,Schultz,T.,Walliczek,M.,Kraft,F.

andWaibel,A.,2006,“TowardsContinuousSpeechRecognition using Surface Electromyography,” INTERSPEECH 2006,ICSLP.

7.Deng, Y., Colby, G., Heaton, J.T. and

Meltzner,G.S.,2012,“SignalProcessingAdvances for the MUTE sEMG-based Silent Speech

RecognitionSystem,” IEEE Military Communications

Conference,pp.1-6.

8.Wand,M.,Janke,M.andSchultz,T.,2014,

“TacklingSpeakingModeVarietiesinEMG-based

Speech Recognition,” IEEE Transactions on

Biomedical Engineering,61(10),pp.2515-2526.

9.Betts, B.J. and Jorgensen, C., 2005,

“Small Vocabulary Recognition using Surface

Electromyography in an Acoustically Harsh

Environment,” NASA TM-2005-21347.

10.Zhou, Q., Jiang, N., Englehart, K. and

Hudgins, B., 2009, “Improved Phoneme-based

MyoelectricSpeechRecognition,” IEEE Transactions on Biomedical Engineering,58(8),pp.2016-2023.

11.Arjunan,S.P.,Kumar,D.K.,Yau,W.C.and

Weghorn,H.,2006,“UnspokenVowelRecognitionusing Facial Electromyogram,” Proceedings of

IEEE Engineering in Medicine and Biology Society,

pp.2191-2194.

12.Morse,M.S.,Day,S.H.,Trull,B.andMorse,

H.,1989,“UseofMyoelectricSignalstoRecognize

Speech,” Proceedings of IEEE Engineering in

Medicine and Biology Society,pp.1793-1794.

13.Manabe, H. and Zhang, Z., 2004,

“Multi-stream HMM for EMG-based Speech

Recognition,” Proceedings of IEEE Engineering in Medicine and Biology Society,2,pp.4389-4392.

14.Bu, N., Tsuji, T., Arita, J. and Ohga,

M., 2005, “Phoneme Classification for Speech

SynthesizerusingDifferentialEMGSignalsbetween

Muscles,” Proceedings of IEEE Engineering in

Medicine and Biology Society,pp.5962-5966.

15.Jia,X.,Wang,X.,Li,J.,Yang,D.andSong,

Y.,2006,“UnvoicedChineseDigitalRecognitionbasedonFacialMyoelectricSignal,” International Conference on Communications, Circuits and

Systems,1,pp.598-601

16.Lyu,M.,Xiong,C.andZhang,Q.,2014,

“Electromyography (EMG)-based Chinese Voice

Command Recognition,” IEEE International

Conference on Information and Automation,pp.

926-931.

17.Lee, K.S., 2008, “EMG-based Speech

Recognition using HiddenMarkovModels with

GlobalControlVariables,” IEEE Transactions on Biomedical Engineering,55(3),pp.930-940.

18.Freitas, J., Teixeira, A. andDias,M.S.,

2012, “Towards a Silent Speech Interface forPortuguese,”Biosignals,pp.91-100.


19.Topalović,M.,Damnjanović,Đ.,Peulić,A.,Blagojević,M.andFilipović,N.,2015,“Syllable-basedSpeechRecognitionusingElectromyography

andDecisionSetClassifier,” Biomedical Engineering:

Applications, Basis and Communications,27(02).

20.Srisuwan, N., Phukpattaranont, P. and

Limsakul, L., 2011, “Feature Selection for ThaiTone Classification based on Surface EMG,” Procedia Engineering,32,pp.253-259.

21.Srisuwan, N., Phukpattaranont, P. and

Limsakul,L.,2013,“ThreeStepsofNeuralNetwork Classification for EMG-based Thai Tones

SpeechRecognition,” Proceeding of International Conference on Electrical Engineering/Electronics

Computer Telecommunications and Information

Technology (ECTI-CON),pp.1-6.

22.Di Fabio, R.P., 1987, “Reliability of Computerized Surface Electromyography for

DeterminingtheOnsetofMuscleActivity,” Physical Therapy,67(1),pp.43-48.

23.Phinyomark, A.,Hirunviriya, S., Limsakul,

C. and Phukpattaranont, P., 2010, “Evaluation ofEMGFeatureExtractionforHandMovement

Recognition based on Euclidean Distance and

Standard Deviation,” International Conference

on Electrical Engineering/Electronics Computer

Telecommunications and Information Technology

(ECTI-CON),pp.856-860.

Documents

การจำาแนกวรรณยุกต์ไทยโดยใช้สัญญาณไฟฟ้ากล้ามเนื้อ · /:+2:+/< 9*E-8&9 !: ) t # =L d`