Dispositivo IoT para prevenir la violencia de género usando TinyML
Barra lateral del artículo
Contenido principal del artículo
Resumen
El estudio se enmarca en el desarrollo de una solución basada en el Internet de las Cosas (IoT) y el aprendizaje automático para prevenir y detectar situaciones de peligro relacionadas con la Violencia basada en el Género (VBG). El objetivo es proporcionar una herramienta útil y accesible para las mujeres en riesgo, contribuyendo así a la prevención y reducción de la VBG.
El problema que aborda el estudio es la violencia basada en el género, un tema de gran relevancia social y humanitaria. Se busca utilizar tecnologías digitales y aprendizaje automático para detectar palabras asociadas con situaciones de peligro y prevenir la VBG en tiempo real.
Para abordar el problema, se utiliza una data set público creado por Microsoft que contiene muestras de audio de diferentes palabras, incluyendo palabras asociadas con situaciones de peligro como "yes" y "no", así como otras palabras y ruido estático.
Se utilizan datos de audio en formato WAV, divididos en ventanas de un segundo con una frecuencia de muestreo de 16000 Hz. Se selecciona una ventana de datos homogénea con una duración de un segundo y se utiliza el coeficiente cepstral de frecuencia (MFCC) para resaltar la voz humana y reducir el ruido de fondo.
El modelo desarrollado mostró un buen desempeño en general, con una eficiencia promedio del 91.3% en el conjunto de entrenamiento y del 85.83% en el conjunto de evaluación. Se obtuvo una alta precisión en la detección de palabras asociadas con situaciones de peligro, como "yes" y "no". Se reconoce que la tecnología tiene un papel significativo en abordar la VBG, pero también se enfatiza en la necesidad de un compromiso de la sociedad y los gobiernos para lograr un cambio duradero y significativo en la erradicación de este problema a nivel mundial.
Descargas
Detalles del artículo
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
Con la finalidad de contar con un tipo de licencia más abierta en el espectro que ofrece Creative Commons, a partir de diciembre de 2022 desde el número 27, AXIOMA asume la Licencia Creative Commons 4.0 de Reconocimiento-NoComercial-CompartirIgual 4.0(CC BY-NC-SA 4.0). Tanto el sitio web como los artículos en sus diferentes formatos, reflejan esta información.
Hasta el mes de noviembre de 2022 con el número 26, la revista AXIOMA asumió una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0). Los artículos contenidos en cada número hasta el 26, cuentan con esta licencia y su descripción se conserva en el portal de nuestra revista.
Atribución-NoComercial-SinDerivadas
CC BY-NC-ND
AXIOMA- Revista Científica de Investigación, Docencia y Proyección Social
Citas
Chang, H. J., Lee, H. Y., & Lee, L. S. (2021). Towards lifelong learning of end-to-end ASR. Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH, 2, 1306–1310. https://doi.org/10.21437/INTERSPEECH.2021-563
Chang, S., Li, B., Rybach, D. J., Li, W., He, Y. (Ryan), Sainath, T. N., & Strohman, T. D. (2020). Low Latency Speech Recognition using End-to-End Prefetching. https://research.google/pubs/pub49622/
Enaifoghe, A., Dlelana, M., Abosede Durokifa, A., & P. Dlamini, N. (2021). The Prevalence of Gender-Based Violence against Women in South Africa : A Call for Action. African Journal of Gender, Society and Development (Formerly Journal of Gender, Information and Development in Africa), 10(1), 117–146. https://doi.org/10.31920/2634-3622/2021/V10N1A6
Guo, J. (2022). Deep learning approach to text analysis for human emotion detection from big data. Journal of Intelligent Systems, 31(1), 113–126. https://doi.org/10.1515/JISYS-2022-0001/MACHINEREADABLECITATION/RIS
John, N., Roy, C., Mwangi, M., Raval, N., & McGovern, T. (2021). COVID-19 and gender-based violence (GBV): hard-to-reach women and girls, services, and programmes in Kenya. Https://Doi.Org/10.1080/13552074.2021.1885219, 29(1), 55–71. https://doi.org/10.1080/13552074.2021.1885219
Kamalraj, R., Neelakandan, S., Ranjith Kumar, M., Chandra Shekhar Rao, V., Anand, R., & Singh, H. (2021). Interpretable filter based convolutional neural network (IF-CNN) for glucose prediction and classification using PD-SS algorithm. Measurement, 183, 109804. https://doi.org/10.1016/J.MEASUREMENT.2021.109804
Lo, T. H., Weng, S. Y., Chang, H. J., & Chen, B. (2020). An Effective End-to-End Modeling Approach for Mispronunciation Detection. Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH, 2020-October, 3027–3031. https://doi.org/10.21437/Interspeech.2020-1605
Miranda Calero, J. A., Rituerto-Gonzalez, E., Luis-Mingueza, C., Canabal, M. F., Barcenas, A. R., Lanza-Gutierrez, J. M., Pelaez-Moreno, C., & Lopez-Ongil, C. (2022). Bindi: Affective Internet of Things to Combat Gender-Based Violence. IEEE Internet of Things Journal, 9(21), 21174–21193. https://doi.org/10.1109/JIOT.2022.3177256
Mishra, S., & Tyagi, A. K. (2022). The Role of Machine Learning Techniques in Internet of Things-Based Cloud Applications. Internet of Things, 105–135. https://doi.org/10.1007/978-3-030-87059-1_4/COVER
Mrozek, D., Kwaśnicki, S., Sunderam, V., Małysiak-Mrozek, B., Tokarz, K., & Kozielski, S. (2021). Comparison of Speech Recognition and Natural Language Understanding Frameworks for Detection of Dangers with Smart Wearables. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 12745 LNCS, 471–484. https://doi.org/10.1007/978-3-030-77970-2_36/COVER
Oh, S., Shi, Y., del Valle, J., Salev, P., Lu, Y., Huang, Z., Kalcheim, Y., Schuller, I. K., & Kuzum, D. (2021). Energy-efficient Mott activation neuron for full-hardware implementation of neural networks. Nature Nanotechnology 2021 16:6, 16(6), 680–687. https://doi.org/10.1038/s41565-021-00874-8
Rituerto-González, E., Mínguez-Sánchez, A., Gallardo-Antolín, A., & Peláez-Moreno, C. (2019). Data Augmentation for Speaker Identification under Stress Conditions to Combat Gender-Based Violence. Applied Sciences 2019, Vol. 9, Page 2298, 9(11), 2298. https://doi.org/10.3390/APP9112298
Wang, D., Wang, X., & Lv, S. (2019). An Overview of End-to-End Automatic Speech Recognition. Symmetry 2019, Vol. 11, Page 1018, 11(8), 1018. https://doi.org/10.3390/SYM11081018
Wang, S., Yang, Y., Wu, Z., Qian, Y., & Yu, K. (2020). Data Augmentation Using Deep Generative Models for Embedding Based Speaker Recognition. IEEE/ACM Transactions on Audio Speech and Language Processing, 28, 2598–2609. https://doi.org/10.1109/TASLP.2020.3016498
Zhang, Q., Wang, D., Zhao, R., Yu, Y., & Shen, J. (2021). Sensing to Hear. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(3). https://doi.org/10.1145/3478093
Zhang, S., Zhang, S., Huang, T., & Gao, W. (2018). Speech Emotion Recognition Using Deep Convolutional Neural Network and Discriminant Temporal Pyramid Matching. IEEE Transactions on Multimedia, 20(6), 1576–1590. https://doi.org/10.1109/TMM.2017.2766843