Investigation Using MLP-SVM-PCA Classifiers on Speech Emotion Recognition
Notice bibliographique
Résumé
Sound localization by human listeners are capable of identifying a particular speaker, by listening to the voice of the speaker over the telephone or an entrance-way out of sight. Machines are incapable of understanding and expressing emotions. Emotions play a important role in today's digital world of remote communication. Emotion recognition can be defined as an act of predicting human's emotion through their voice samples and get the accuracy of prediction thus creating a better Human-Computer Interaction (HCI). There are various states to predict human's emotion based on behaviour, expression, pitch, tone, etc. Few of the emotions are considered to recognize the emotions of a speaker behind the speech. This research was conducted to test an speech emotion recognition (SER) system based on voice samples in two-stage approach, namely feature extraction and classification engine. The first one, the key features used for classification of emotions such as extraction of Mel Frequency Cepstral Coefficients (MFCCs), Mel Spectrogram along with Chroma features. Secondly, we use the Multilayer Perceptron (MLP) classifier, elementary classifying Support Vector Machines (SVM) and dimensionality reductionPrincipal Component Analysis (PCA) as classification methods. The research work is considered on the Toronto Emotional Speech Set (TESS) dataset. The proposed approaches gives us 94.17%, 93.43% and 97.86% classification accuracy respectively.
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) | 0,002 | 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 ».