Waarom is dit belangrijk?
Luisterende computers maken het mogelijk om in de zorg kleine veranderingen in stem of ademhaling te volgen, zonder extra sensoren op het lichaam. Ziekenhuizen en thuiszorg gebruiken dit om psychische klachten te screenen en patiënten op afstand te volgen. Voor patiënten en zorgverleners levert dat extra signalen op, maar ongelijke groepen in de gegevens maken de uitkomst soms nog te rooskleurig.
Zo werkt het in de praktijk
Zelfrijdende voertuigen en slimme apparaten volgen hun omgeving met computer audition. Voor het trainen van geluidsherkenning publiceerde Google de dataset AudioSet, met korte fragmenten en veel klassen. Andere software lokaliseert mensen in een ruimte of start een verkeerscamera bij een ongeval.
Groepen aan de Technische Universiteit München, de Universiteit van Augsburg en Tampere University onderzoeken één audiomodel. Dat model doet taken die vroeger los werden getraind. Het herkent een geluidsscène, zoekt gebeurtenissen in de tijd en schrijft een korte tekst.
De werkwijze koppelt bewerking van het geluidssignaal, een model van het gehoor en machine learning. Het systeem haalt kenmerken uit geluid en scheidt overlappende bronnen. Teams vergelijken hun systemen in de DCASE-challenge, een gedeelde test voor scènes en gebeurtenissen.




