Social Media Sentiments Analysis using Convolutional Neural Network and Support Vector Machine
Notice bibliographique
Résumé
Speech emotion recognition (SER) is a critical area of research in human-computer interaction, enabling applications such as sentiment analysis, virtual assistants, and psychological assessment. This study proposes a hybrid approach utilizing a 1D Convolutional Neural Network (CNN1D) and a Support Vector Machine (SVM) for classifying emotions from speech signals into seven categories: Angry, Disgust, Fear, Happy, Sad, Surprise, and Neutral. The Toronto Emotional Speech Set (TESS) and the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) datasets were employed to ensure diverse emotional representations. The preprocessing phase involved silence removal to eliminate non-informative segments, followed by Independent Component Analysis (ICA) to enhance signal quality. Feature extraction techniques, including Mel Frequency Cepstral Coefficients (MFCCs), Zero Crossing Rate (ZCR), Chroma Short-Time Fourier Transform (Chroma STFT), Root Mean Square (RMS) energy, and Mel Spectrogram, were used to capture spectral, temporal, and tonal characteristics of speech. To improve model generalization, data augmentation techniques such as noise addition, time stretching, pitch shifting, and time shifting were applied. Experimental results demonstrate that the combined CNN-1D and SVM approach effectively captures emotional variations in speech, providing improved classification accuracy. This research contributes to the advancement of robust SER models by integrating deep learning with traditional machine learning, optimizing both feature representation and classification performance.
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) | 0,000 | 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 ».