Multimodal Analysis for Speech Emotion Recognition
Notice bibliographique
Résumé
Speech Emotion Recognition (SER) is becoming an essential field of study in today’s time due to its applications in customer service, enhancing human-computer interaction, and healthcare. However, SER is challenging due to variations in emotional expression across individuals, overlapping tones for different emotions, and limited datasets. The study focuses on recognizing emotions such as anger, happiness, sadness, fear, surprise, disgust, calmness, and neutral. We combine four popular datasets: CREMA-D (Crowdsourced Emotional Multimodal Actors Dataset), featuring speech from 91 actors; RAVDESS (Ryerson Audio-Visual Database of Emotional Speech and Song), with recordings from 24 actors for multimodal approaches; SAVEE (Southern Alberta Vocal Expression Emotion), containing emotional speech from 4 male actors; and TESS (Toronto Emotional Speech Set), including speech samples from 2 female actors. The study implements three approaches: Convolutional Neural Networks (CNNs) for feature extraction, Long Short- Term Memory (LSTM) networks for recognizing temporal patterns, and Bidirectional LSTMs (Bi-LSTMs) with Multi head Attention for enhanced contextual understanding. Our proposed system achieves improved accuracy in SER, setting a foundation for its application in domains such as healthcare, customer service, and human-computer interaction.
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) | 0,012 | 0,003 |
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 ».