Implementasi Metode Hybrid Convolutional Neural Network Dalam Klasifikasi Emosi Manusia Berbasis Suara
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découle