Acil durum tabanlı telsiz konuşmalarındaki gürültülü ses verilerinin derin öğrenme yöntemleri kullanılarak tanımlanması

Ses, kişiler arası iletişimde kullanılan temel unsurdur ve özellikle acil durum iletişiminde hayati bir rol oynamaktadır. Acil durum iletişiminde, konuşma seslerinin anlaşılabilirliği hızlı ve doğru bilgi akışı için kritik öneme sahiptir. Geleneksel iletişim yöntemlerinin başarısız olduğu durumlarda, telsiz iletişimi bağımsız yapısı sayesinde güvenilir bir araç olarak öne çıkmaktadır. Telsiz iletişiminde karşılaşılan en büyük sorun gürültülü seslerin anlaşılamamasıdır. Son yıllarda öne çıkan derin öğrenme yöntemlerinin kullanımı, gürültülü seslerin doğru tanımlanması için büyük faydalar sağlamaktadır. Bu tez kapsamında, acil durum kontrollerinde kullanılmak üzere ses verilerini tanıyan derin öğrenme tabanlı yeni bir model geliştirilmiştir. Geliştirilen modelin eğitimi ve test edilmesi için çeşitli çevresel gürültü koşulları altında elde edilen telsiz kayıtları kullanılarak altı farklı Türkçe ses verisi içeren yeni bir veri seti hazırlanmıştır. Bu veri seti kullanılarak, geliştirilen modelle %96,40 başarı oranıyla altı farklı acil durum ses verisi tanımlanmıştır.

Voice is the basic element used in interpersonal communication and plays a vital role especially in emergency communication. In emergency communication, the intelligibility of speech sounds is of critical importance for fast and accurate information flow. In cases where traditional communication methods fail, radio communication stands out as a reliable tool thanks to its independent structure. The biggest problem encountered in radio communication is the inability to understand noisy sounds. The use of deep learning methods, which have become prominent in recent years, provides great benefits for the correct identification of noisy sounds. Within the scope of this thesis, a new deep learning-based model that recognizes voice data has been developed to be used in emergency controls. For training and testing of the developed model, a new dataset containing six different Turkish voice data was prepared using radio recordings obtained under various environmental noise conditions. Using this dataset, six different emergency voice data were identified with 96.40% success accuracy with the developed model.