A Novel Approach to Analyse Speech Emotion using CNN and Multilayer Perceptron
Notice bibliographique
Résumé
With an increase in the need for real-time systems for analysing speech emotion and sentiment analysis systems for emotions in the human-computer interface, the field of SER has turned into the most studied area. For this paper, we tried to find a better way to analyse emotion from speech signals by taking gender regardless of the context of speech. The audio data used for training, testing, and classification is a combination of various databases like (CREMA-D) which stands for Crowd Sourced Emotional Multimodal Actors Dataset. Another one is Berlin Database of Emotional Speech which is a short-form of (EMO-DB) which is in German language with average of 3 sec, (SAVEE) or the Surrey Audio-Visual Expressed Emotion Database, Toronto Emotional Speech Set (TESS), Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). For this paper, we have used a total of four models, out of which two are ConvNet (CNN) and the other two are from multilayer perceptron (MLP). With calculated MFCCs and passed to gender classifier and then to the respective emotion class classifier for both MLP and CNN classifier. Eventually, we introduced the essential distinction in exactness detailed from MLP and CNN classifiers for recognising speech emotion. The acoustic features of time, frequency, and spectral have been taken into use. The so trained model classifies the gender of the speaker with one of the emotional states from the speech signal.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».