MFCCs and TEO-MFCCs for Stress Detection on Women Gender through Deep Learning Analysis
Notice bibliographique
Résumé
Men and women describe differing physical and emotional responses to stress; women reported experiencing it more than men with 11.7% higher. This issue has been affecting women in different ways than men due to biological and social factors (e.g., differences in hormone processes between both genders and dual responsibilities in the workplace as well as at home). This crucial issue raises many concerns about women’s mental health, and prolonged stress, such as heart problems, sleep problems, and others, will ideally impact them. Early stress detection is a crucial strategy to overcome the said problems since mental health issues always begin with stress problems. Therefore, in this paper, the MFCCs and TEOMFCCs for stress detection in the women’s gender through deep learning are presented. The stress classification had been made by utilizing the speech features, which are Mel Frequency Cepstral Coefficients (MFCCs) and Teager Energy Operator-Mel Frequency Cepstral Coefficients (TEO-MFCCs), with the help of Deep Learning technology, which is Convolutional Neural Networks (CNNs). The Toronto Emotional Speech Set (TESS) has been selected for this study since it consists of women’s speech data. The outcome shows that MFCCs provide better accuracy in predicting women’s stress, with a 98% score outperformed another study using the same dataset.
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 | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».