VEČLOČLJIVOSTNO IZLOČANJE ZNAČILK PRI RAZPOZNAVANJU EMOCIJ V GOVORU

Zelenik, Aleš

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	VEČLOČLJIVOSTNO IZLOČANJE ZNAČILK PRI RAZPOZNAVANJU EMOCIJ V GOVORU
Avtorji:	ID Zelenik, Aleš (Avtor) ID Kačič, Zdravko (Mentor) Več o mentorju... ID Kotnik, Bojan (Komentor)
Datoteke:	DR_Zelenik_Ales_2013.pdf (7,89 MB) MD5: 8A2122EA906B0C396CE4BAC0D89D1971 PID: 20.500.12556/dkum/c8fb5a4e-e882-4325-9033-b6b3bc8b1a24
Jezik:	Slovenski jezik
Vrsta gradiva:	Doktorska disertacija
Tipologija:	2.08 - Doktorska disertacija
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	V doktorski nalogi obravnavamo problematiko prepoznave emocionalnega govora iz avdio posnetkov. V okviru naloge je za izločanje značilk uporabljenih več različnih širin kratkočasovnih procesnih oken, z namenom pridobitve optimalne širine in doseganje najvišje stopnje prepoznave. V dosedanjih raziskavah se največkrat pojavljajo procesna okna širine 20 in 100ms [6], kjer uporaba krajšega okna omogoča boljšo časovno ločljivost, a slabšo frekvenčno ločljivost, medtem ko daljša okna dvignejo frekvenčno ločljivost in poslabšajo časovno ločljivost. V tej točki je definiran nov postopek, ki združi prednosti uporabe ožjih in širših oken in izkorišča prednosti dinamičnega prilagajanja časovne in frekvenčne ločljivosti pri posameznih značilkah. Postopek, poimenovan ESRA, definira koncept večločljivostnega izločanja, izbire in uporabe značilk in pri tem poskrbi za uporabo večločljivostnega koncepta pri razpoznavanju končnih razredov, kjer se za procesiranje uporabi del akustičnega signala, ki vsebuje zvočni govor. Dodatno višanje nivoja uspešnosti prepoznave je doseženo z uporabo normalizacije uporabljenih značilk ter glajenja vrednosti značilk v postprocesiranju. Dodana vrednost pri postopku optimizacije uspešnosti razpoznave je v definiranju algoritma zamenjave končnih razredov, s katerim je bilo doseženo zvišanje uspešnosti najoptimalnejših rezultatov prepoznavanja emocionalnih posnetkov. Za vrednotenje vpliva algoritma na optimizacijo nivoja razpoznave emocionalnega govora sta uporabljeni dve različni območji poimenovani kratko- in dolgočasovno območje, na podlagi katerih poteka izločanje in ocenjevanje od emocij odvisnih značilk govora, z namenom njihove uporabe pri razpoznavanju emocij v govoru. Pri tem sta za potrditev delovanja algoritma uporabljena dva načina generiranja podsetov značilk ter za klasifikacijo štirje različni klasifikatorji (MLP, RF, KNN, GMM). Uporabljeni emocionalni posnetki so del emocionalne govorne baze Interface [18], ki vsebuje igrane posnetke osnovnih šestih emocionalnih razredov (Ekman-ovih velikih šest) in nevtralni govor. Najvišja dosežena uspešnost prepoznave večločljivostnega pristopa je znašala 88,6%, kar je za 3,8% presegalo najboljšo uspešnost enonivojskega pristopa oziroma je bila uspešnost prepoznave za 24,9% višja v relativnem smislu. Podane so primerjave z rezultati uspešnosti dosedanjih raziskav na uporabljeni bazi.
Ključne besede:	govor, razpoznavanje emocij, segmentacija, večločljivost
Kraj izida:	Maribor
Založnik:	[A. Zelenik]
Leto izida:	2013
PID:	20.500.12556/DKUM-39949
UDK:	004.934:004.383.3(043.3)
COBISS.SI-ID:	266300928
NUK URN:	URN:SI:UM:DK:WJRKREAK
Datum objave v DKUM:	22.03.2013
Število ogledov:	2709
Število prenosov:	316
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Multi-resolution feature extraction in emotional speech recognition
Opis:	The presented thesis treats the problem of recognizing emotional speech from audio recordings. In order to obtain the optimum processing window width for feature extraction and to achieve the highest level of recognition rates, several different short term processing window widths have been evaluated. In previous studies, the most common process window widths used, were between 20 and 100ms [6], where a shorter window provides better time resolution but poor frequency resolution, while the longer window lifts frequency resolution and worsens time resolution. At this point, we define a new procedure that combines the advantages of narrower and wider windows and takes advantage of dynamically adjusting the time and frequency resolution of individual feature characteristics. The procedure, called ESRA, defines the concept of multi-resolution feature extraction, evaluation and use of selected features to provide for the multi-resolution concept in identifying final classes, where processing acoustic signals, based on the use of voiced speech. Raised levels of recognition performance are achieved using the feature normalization and post feature value smoothing. The added value in the process of optimizing the performance of the recognition algorithm is in defining the algorithm for replacement of final classes, with which increased performance on optimal results have been achieved. To evaluate the impact of the algorithms for optimization of emotional speech recognition, two different areas, called short term and long term areas, are used. On the basis of these two areas the procedures of evaluation and elimination of emotion-dependent features, for the purpose of recognizing emotions in speech, are tested. To confirm the benefits of the algorithm two ways to generate feature subsets and four different classifiers (MLP, RF, KNN, GMM) are used. The audio recordings used are a part of emotional speech database Interface [18], which contains recordings of six basic emotional categories (Ekmans big six) and neutral speech. The highest level of emotion recognition performance with multi-resolution approach was 88.6%, which exceeded the performance of the best single-resolution approach by 3.8%, or by 24,9% speaking in relative terms. There are also comparisons to previous researches recognition rates on above mentioned database.
Ključne besede:	speech, emotion recognition, segmentation, multi-resolution

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj