BSER: A Learning Framework for Bangla Speech Emotion Recognition
Notice bibliographique
Résumé
Human Computer Interaction (HCI) relies on accurate speech emotion identification. Speech Emotion Recognition (SER) analyzes voice signals to classify emotions. English based Speech Emotion Recognition (SER) has been extensively studied, while Bangla SER has not. The study integrates a one-dimensional convolution neural network with a long short-term memory (LSTM) architecture into a fully linked network for SER. Speech categorization requires feature inclusion, which this method achieves. We included Additive White Gaussian Noise (AWGN), signal elongation, and pitch alteration to improve dataset dependability. Mel-frequency cepstral coefficients (MFCC), Mel-Spectrogram, Zero Crossing Rate (ZCR), chromagram, and Root Mean Square Error are analyzed in this study. One-dimensional convolutional neural network blocks extract local information, while LSTM layers catch global trends in our model. Training and testing loss curves, confusion matrix, recall, precision, F1-score, and accuracy are used to evaluate the model. We assessed using two cutting-edge datasets, the SUST Bangla Emotional Speech Corpus (SUBESCO) and the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). Experimental results show that the suggested BSER model is more resilient than baseline models on both datasets. BSER improves research in this sector and shows that our hybrid model can detect and classify emotions in voice inputs.
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) | 0,011 | 0,005 |
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 ».