Emotion Detection using Voice Analysis Utilising EfficientNet and BiLSTM
Notice bibliographique
Résumé
Emotion recognition has become a crucial aspect of human-computer interaction, addressing the need for intelligent systems capable of understanding and responding to human emotions. This paper presents a voice-based emotion analysis model that integrates EfficientNet for feature extraction and Bidirectional Long Short-Term Memory (BiLSTM) for sequential processing. The model is trained on the Toronto Emotional Speech Set (TESS) dataset, leveraging acoustic features such as chroma features, spectral contrast, zero-crossing rate, and Mel-Frequency Cepstral Coefficients (MFCCs) to enhance feature representation. Standardization is applied before training to improve model performance. The proposed approach is trained for 50 epochs with a batch size of 32, achieving an accuracy of 82.50% and a macro-average F1 score of 82.52%. While the model demonstrates promising results, challenges remain, including dataset limitations, speaker variability, and the need for improved real-time processing. Future work will focus on addressing these challenges through model enhancements, dataset diversification, and the integration of multimodal emotion recognition techniques to further improve classification accuracy and generalization. The proposed voice-based emotion recognition model enhances real-time human-computer interaction by enabling systems to accurately interpret and respond to users' emotional states. This improvement has practical applications in areas such as virtual assistants, mental health monitoring, customer service, and personalized user experiences.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».