Model Klasifikasi Emosi Berdasarkan Suara Manusia dengan Metoode Multilater Perceptron
Notice bibliographique
Résumé
Teknologi interaksi manusia dengan komputer sudah semakin berkembang, misalnya pengenalan suara atau speech recognition. Salah satu kegunaan dari pengenalan suara adalah untuk mengenali emosi manusia. Komputer dapat mengenali dan mengklasifikasi emosi manusia berdasarkan suara. Sudah banyak penelitian terkait dengan berbagam metode ekstraksi ciri dan klasifikasi namun hasilnya masih belum mendekati sempurna. Adapun metode ekstraksi ciri menggunakan Mel Frequency Ceptral Coefficient (MFCC). Data yang digunakan adalah data sekunder yang bersumber dari Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). Model sistem akan dapat mengenali 8 jenis emosi yaitu netral, tenang, senang, sedih, marah, takut, jijik dan terkejut. Hasil dari model didapatkan akurasi untuk emosi netral sebesar 98%, emosi tenang sebesar 97%, emosi senang sebesar 94%, emosi sedih sebesar 97%, emosi marah sebesar 97%, emosi takut sebesar 94%, emosi jijik sebesar 97% dan emosi terkejut sebesar 96%. Sehingga hasil akurasi rata-rata dari model yang telah dibuat sebesar 96%
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».