Analysis of Human Emotion via Speech Recognition Using Viola Jones Compared with Histogram of Oriented Gradients (HOG) Algorithm with Improved Accuracy
Notice bibliographique
Résumé
The objective of this study is to enhance the precision in predicting human emotions through speech signals.This is achieved by introducing a novel approach, the Viola Jones (VJ) method, in contrast to the conventionalHistogram of Oriented Gradients (HOG) algorithm. In this research we used Toronto Emotional Speech Set(TESS) as a dataset for this with a G-power of 0.8, alpha and beta values of 0.05 and 0.2, and a ConfidenceInterval of 95%, sample size is calculated as twenty (ten from Group 1 and ten from Group 2). Viola Jones(VJ) and Histogram of Oriented Gradients, both with the same amount of data samples (N=10), are used toperform the prediction of human emotion recognition from speech signals. The performance of the proposedviola jones is much greater than the accuracy rate of 88.65 percent achieved by the histogram of orientedgradients classifier. This is because the success rate of the proposed viola jones is 95.66 percent. The level ofsignificance that was assessed to be attained by the research was p = 0.001 (p<0.05) which infers the twogroups are statistically significant. For the performance evaluation of human emotion classification fromspeech data, the proposed Viola Jones (VJ) model achieves a greater level of precision than Histogram ofOriented Gradients (HOG).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».