KLASIFIKASI AUDIO UCAPAN EMOSIONAL MENGGUNAKAN MODEL LSTM
Notice bibliographique
Résumé
Emosi adalah elemen penting dalam sintesis ucapan ekspresif manusia. Emosi ada bermacam macam, seperti sedih, marah, bahagia, dan bentuk emosi lainnya. Tujuan dari penelitian ini adalah membantu tenaga psikologi dengan menyajikan rekomendasi klasifikasi otomatis untuk ucapan emosional seseorang berdasarkan suara. Oleh karena itu, pada penelitian kali ini menggunakan dataset Toronto Emotional Speech (TESS) dengan jumlah data 2.800 serta jumlah kelas emosional sebanyak 7 dengan masing masing kelas memiliki banyak data sebanyak 400, akan dilakukan klasifikasi ucapan emosional seseorang. Makalah ini menggunakan metode Long Short-Term Memory (LSTM) dengan pembagian data latihan 70% dan data pengujian 30% dari total jumlah data. Dengan jumlah epoch 100 dan batch size 64 menghasilkan tingkat akurasi train 98,47% dan akurasi test 97,02% (best-fitting) serta ROC 99,9%. Kata kunci — Deep Learning, Klassifikasi, Long Short-Term Memory (LSTM), Toronto Emotional Speech Set (TESS), Ucapan Emosional.
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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,012 |
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 ».