Smart Crib Control System Based on Sentiment Analysis

repeat 
/* use trained SVM to classify */ 
class
:= S(C[i],C[j]); 
V[class]
:= V[class] + 1; 
until all possible tuples composed of two candidate 
classes have been put into S() 
/* return the class who gets the most votes */ 
Output: C[max(V)]; 

---

A.
Results of Crying Preprocess 
Fig. 6. shows the results of each step. First, we extract the 
raw data. Then we get the data after framing. Next, we 
perform the endpoint detection task. The red line indicates the 
beginning of the voiced signals and the green line indicates the 
end of the voice. Afterwards, we get the data based on the 
vocal fragment after cry unit detection. Each data between the 
red and green line is a baby crying fragment. And finally, we 
get the baby crying signal after cutting and splicing.
B.
Results of Classification 
We separated crying data into three types according to the 
reason of crying, including hungry, pain, and sleepy. The 
number of the preprocessed data is shown in TABLE I.
TABLE I. 
N
UMBER OF 
D
ATA 
S
AMPLE
Kind of Data 
Sample
Training Data 
Number
Testing Data 
Number 
Total 
Hungry 
54 
54 
108 
Pain 
47 
46 
93 
Sleepy 
47 
48 
95 
Non-Crying 
150 
150 
300 
The results of the classifications, which include judging 
whether it is crying, sentiment analysis (judging of the baby is 
hungry, in pain or sleepy) and a comprehensive analysis in 
which we divide the data into hungry, in pain, sleepy and non- 
crying is shown in TABLE II. 
TABLE II. 
R
ESULTS OF 
C
LASSIFICATIONS