A Comparative Analysis of Deep Learning Models for Multi-class Speech Emotion Detection
Notice bibliographique
Résumé
<title>Abstract</title> In today's digital age, where communication transcends traditional boundaries, the exploration of deep learning models for Speech Emotion Recognition (SER) holds immense significance. As we increasingly interact through digital platforms, understanding and interpreting emotions becomes crucial. Deep learning models, with their ability to autonomously learn intricate patterns and representations, offer unparalleled potential in enhancing the accuracy and efficiency of SER systems. This project delves into models for multi-class speech emotion recognition on the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). The RAVDESS dataset contains 1440 speech audio recordings from 24 professional actors, expressing 8 different emotions: neutral, calm, happy, sad, angry, fearful, surprise, and disgust. Models including Deep Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory networks (LSTMs), Gated Recurrent Units (GRUs), Temporal Convolutional Networks (TCNs), and ensembles were developed. Additionally, data augmentation through pitch shifting, noise injection, and a combination thereof expanded the dataset. Besides spectrogram inputs, handcrafted audio features like Mel Frequency Cepstral Coefficients (MFCCs), Chroma Short-time Fourier transform, root mean square, and zero crossing rate were experimented with as inputs to further boost model performance. The best-performing models were a Temporal Convolutional Network (TCN), achieving 96.88% testing accuracy, and a Gated Recurrent Unit (GRU) achieving 97.04% testing accuracy in classifying the 8 emotions, outperforming previous benchmark results on this 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| 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 | 0,001 | 0,002 |
| 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 ».