Zoundream 基于人工智能的哭声分析：助力婴儿照护与家庭幸福

Zoundream 的技术建立在五年多的研究基础之上，与世界各地的医院和研究人员合作开发。据 Zoundream 统计，已有数千个家庭在家中使用这项技术，累计使用时长超过一百万小时。
与部分医院的合作还促成了多篇论文在学术期刊上发表。以下为论文摘要及全文链接：

学术期刊论文：

婴儿哭声类型的多模态分析：声学、肢体语言与脑信号

本研究采用多模态方法对婴儿哭声类型进行表征，综合运用声学特征、肢体语言以及脑电（EEG）和近红外光谱（NIRS）等生理信号。研究在西班牙巴塞罗那临床医院（Hospital Clínic）采集了 38 名健康新生儿在自然状态下的真实数据，并应用包括声学多级解释器（AMSI）在内的机器学习模型对哭声类型进行分类。
结果显示，不同类型的哭声特征存在显著差异，其中声学特征和肢体语言对哭声分类的信息量较大。AMSI 算法对饥饿、困倦、烦躁、需要拍嗝和不安五类哭声的分类准确率为 92%。这些发现有助于更好地理解哭声的含义，体现了哭声分析在增进亲子关系、促进家庭幸福和宝宝成长方面的潜力。

哭声声学特征如何将新生儿的不安程度与神经生理信号和行为信号联系起来？

这项研究在西班牙巴塞罗那临床医院（Hospital Clínic）开展，将哭声音频分析作为评估新生儿不安状态的一种前瞻性声音指标，并与行为信号和脑信号进行交叉验证。研究分析了 25 名健康足月新生儿在安静、哭泣和不安状态下的哭声声学、脑电（EEG）、近红外光谱（NIRS）和视频数据，所开发的深度学习算法根据音频特征对不安程度进行分类，准确率为 93%。
研究发现，音高和强度等哭声特征与神经生理信号相关，表明婴儿哭声有望成为定量评估婴儿唤醒状态的一项指标。