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 <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{9 6. 8 3 \%}$</tex>. 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».