Detecting Human Emotions Using Machine Learning Techniques: A Comprehensive Approach
Notice bibliographique
Résumé
The ability to comprehend and respond to human emotions is a key component of effective interaction, yet it remains an obstacle in artificial intelligence. With speech interactions becoming increasingly common in everyday life, machines that can analyze emotions behind spoken words offer significant potential across various fields. The proposed research develops an innovative system which merges speech-to-text processing with emotion detection from transcribed speech to allow machines to interpret human emotions through spoken words. The dual-stage framework undergoes testing through various machine learning and deep learning approaches (sadness, joy, love, anger, fear, and surprise) to assess the effectiveness of various machine learning and deep learning algorithms. Moreover, it aims to simulate human-like emotional interpretation by developing a machine learning model using Natural Language Processing and Long Short-Term Memory. This approach is effective for analyzing text and speech, as it can process sequential data, helping to identify emotions expressed in spoken language. This research aims to develop solutions that improve human-computer interactions across various domains. Speech is transcribed using speech recognition tools and then for this text we use a range of machine learning and deep learning algorithms, including Naive Bayes, K-Nearest Neighbors, Logistic Regression, Support Vector Machines, Decision Trees, Random Forests, and Long Short-Term Memory, to build multiple models. These models are then tested on a separate dataset, and their performance compared. The insights gained from analyzing residents' emotional expressions could contribute to enhancing the safety of smart home systems especially for elderly or disabled people where we can get their emotions through their spoken words.
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) | 0,001 | 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 ».