Implementasi Metode Hybrid Convolutional Neural Network Dalam Klasifikasi Emosi Manusia Berbasis Suara
Notice bibliographique
Résumé
Analisis suara memainkan peran penting dalam mengidentifikasi emosi manusia, yang merupakan bagian integral dari komunikasi yang efektif. Wawancara dengan para ahli di bidangnya menunjukkan pentingnya pengenalan emosi yang akurat untuk aplikasi di bidang psikologi dan bisnis, di mana layanan yang disesuaikan sangat diperlukan. Penelitian ini menggunakan metode Hybrid Convolutional Neural Network (HCNN) untuk mengembangkan model klasifikasi emosi berbasis suara yang mampu mengenali delapan emosi: netral, tenang, bahagia, sedih, marah, takut, jijik, dan terkejut. Dataset yang digunakan dalam penelitian ini adalah Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS). Fitur-fitur seperti Mel-Frequency Cepstral Coefficients (MFCC), Zero Crossing Rate (ZCR), dan Root Mean Square (RMS) diekstraksi dari data suara. Untuk meningkatkan kinerja model, teknik augmentasi data dan optimisasi hyperparameter diterapkan. Model HCNN menunjukkan performa yang baik bahkan dengan data suara yang bervariasi. Sistem ini diuji untuk mengukur akurasi, presisi, recall, dan skor F1 guna memvalidasi efektivitasnya dalam klasifikasi emosi. Model HCNN mencapai akurasi 85,7% pada data validasi, dan pendekatan ini diharapkan dapat melampaui metode sebelumnya, menawarkan kontribusi signifikan dalam pengenalan emosi di bidang psikologi dan bisnis.
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 | 0,001 | 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) | 0,005 | 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; 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 ».