RBi-LSTM Based CNN Model for Speech Emotion Recognition
Notice bibliographique
Résumé
Speech Emotion Recognition (SER) has drawn considerable interest from the scientific community because of its promising applications in human-computer interaction and affective computing. The work in this paper is aimed at designing and testing a high-performance deep learning architecture for emotion recognition from speech signals. Using a combined dataset of the popular Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) and the Toronto Emotional Speech Set (TESS), we used a holistic feature extraction method, extracting prominent acoustic features using Mel-Frequency Cepstral Coefficients (MFCCs) with derivatives, Chroma features, Mel Spectrograms, Zero Crossing Rate (ZCR), and Root Mean Square (RMS) energy. The system's backbone is a hybrid neural network design combining Convolutional Neural Networks (CNNs) to extract local spectro-temporal features, and stacked Bidirectional Long Short-Term Memory networks with residual connections (ResBiLSTMs) for effective modeling of long-term temporal relationships. Deployed and trained in the Google Colab environment, the model proved highly effective when tested on a held-out test set from the merged dataset and performed a high accuracy of$\mathbf{9 6. 8 3 \%}$. This finding confirms the efficiency of the selected feature set and the particular CNN-Residual BiLSTM architecture for robust SER, especially when taking advantage of the additional data diversity of merging typical datasets. In contrast to previous CNN-BiLSTM methods, our model combines a variety of acoustic features into a single sequence representation and incorporates residual skip connections to enhance gradient flow. In comparison to models trained on a single corpus, we further evaluate on a combined RAVDESS+TESS dataset, showing better generalisation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».