Enhanced Emotion Recognition from Spoken Assamese Dialect: A Machine Learning Approach with Language-Independent Features
Notice bibliographique
Résumé
This study explores the uncharted territory of automated emotion recognition in the Assamese language, a broadly spoken but under-researched dialect in Northeast India, using speech and signal processing techniques.Using a unique combination of languageindependent features, sophisticated supervised machine learning algorithms are employed to classify a spectrum of basic and derived emotions from spoken Assamese.An innovative fusion of non-personalized and personalized features is proposed for Speech Emotion Recognition (SER), wherein high-dimensional features are initially divided into subclasses using the Fuzzy C-means clustering algorithm.Subsequent implementation of multiple random forest classifiers facilitates the recognition and classification of emotions.Special attention is paid to certain emotions with overlapping transitions, which traditionally pose challenges to classification algorithms.Performance analysis is conducted using K-fold cross-validation, with the results validated against several key parameters and compared against baseline random forest algorithms.Remarkably, the proposed algorithm demonstrates superior performance, yielding an accuracy increase of approximately 4.26-4.50%compared to baseline models, suggesting effective classification without languagedependent features.Furthermore, this study contributes to the development of a practical application tool for SER.This tool holds potential utility for medical practitioners, enabling the accurate diagnosis of a patient's emotional state, thereby informing more effective treatment approaches.The implications of this research are vast, particularly for underexplored languages, and underline the importance of expanding emotion recognition studies to a wider linguistic landscape.
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 | 0,000 |
| 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) | 0,005 | 0,001 |
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 ».