Enhancing Speech Emotion Recognition through Domain-Aware Data Augmentation and Model Explainability
Notice bibliographique
Résumé
Speech Emotion Recognition (SER) constitutes a vital technology for enhancing the naturalness and intelligence of human-computer interactions. However, its performance is often constrained by noise interference and data scarcity in real-world contexts. To address these challenges, this study systematically investigates the construction of high-precision and interpretable SER models utilizing the Toronto Emotional Speech Set (TESS) dataset. A data augmentation strategy, rooted in domain knowledge, is developed, encompassing dynamic signal-to-noise ratio adjustment, emotion label-guided speech rate modification, and pitch transformation, to produce emotionally congruent augmented samples. Subsequently, a comprehensive 134dimensional acoustic feature vector is extracted, incorporating Mel Frequency Cepstral Coefficients (MFCCs), Mel spectrogram, spectral contrast, and chroma features. The classification performance of six models—Logistic Regression, Decision Tree, Random Forest, Extreme Gradient Boosting, Long Short-Term Memory, and Transformer—is rigorously evaluated based on these features. Empirical findings indicate that the Extreme Gradient Boosting model achieves superior performance, with both accuracy and macro F1 score surpassing 99.4%. Further Shapley Additive Explanation identifies the Mel spectral energy distribution as the most critical discriminative feature for the model, followed by the MFCC, aligning with the physiological acoustic mechanisms of speech production. This study not only highlights the exceptional potential of lightweight machine learning models in this domain but also offers an empirical foundation and critical guidance for developing reliable and transparent SER systems through its comprehensive framework of data augmentation, feature engineering, model selection, and decision interpretation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».