Enhancing Human Emotion Detection in Audio Data with Deep Neural Networks Using Cross-Dataset
Notice bibliographique
Résumé
Understanding emotions from spoken language is a natural human ability, but it brings machines into great perplexity due to the complex variation in an individual’s speech. Our research focuses on working out this challenge by developing a model that makes use of deep neural networks, particularly Convolutional Neural Networks(CNN), for the recognition of emotions from speech. The goal is to be equipped with a system capable of independent emotion detection for a variety of audio datasets, adaptation to new situations, and staying accurate even in fully new cases of data. To achieve this, we combined two strong datasets: the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) and the Toronto Emotional Speech Set (TESS). The TESS dataset is particularly useful because it includes high-quality recordings from female speakers, helping to balance the gender differences often found in other datasets. This balance makes our model better at recognizing emotions across different voices. We implemented state-of-the-art techniques in audio feature extraction so that the input to our model only consists of relevant features, enabling it to extract the emotional content correctly. Our model was trained on eight emotions: neutral, calm, happy, sad, angry, fearful, disgusted, and surprised. For measuring model performance, we used the F1 score and obtained a weighted average of 0.94 on the test set. It did best on classifying the "Calm" emotion, with an accuracy of 0.97, and worst for the "Sad" emotion, with an accuracy of 0.91. Notwithstanding, our model outperforms current models in handling the huge diversity of voices in speech data.
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 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».