Bibliographic record
Abstract
С развитием технологий распознавания мультимедийных образов, которая позволяет извлекать и анализировать большие объемы мультимедийной информации из видео- и аудио- источников, наблюдается большой рост применения технологии машинного обучения с использованием глубокого обучения для решения различных задач. Распознавание речевых эмоций (или классификация) – одна из самых сложных тем в науке о данных. В этой работе, мы использовали архитектуру на основе MLP-классификатора, которая извлекает мел- частотные кепстрал коэффициенты, хромограммы, мел-шкале спектрограммы из звуковых файлов и использует их в качестве входных данных нейронной сети для идентификации эмоций, используя образцы из Райерсон аудиовизуальной базе эмоциональной речи и песни (RAVDESS). Была разработана модель нейронной сети для распознавания четырех эмоций (спокойствие, гнев, страх, отвращение). Данная модель классифицирует речевые эмоции с точностью 83,33%. Ключевые слова: голос, распознавание эмоций, MLP-классификатор, RAVDESS, jupyter notebook, Python. Бейне және дыбыс көздерінен мультимедиялық ақпараттың үлкен көлемін шығаруға және талдауға мүмкіндік беретін мультимедиялық кескінді тану технологияларының дамуымен әртүрлі мәселелерді шешу үшін терең оқытуды пайдалана отырып, машиналық оқыту технологиясын пайдаланудың айтарлықтай өсуі байқалды. Сөйлеу эмоциясын тану (немесе жіктеу) деректер ғылымындағы ең күрделі тақырыптардың бірі болып табылады. Бұл жұмыста біз MLP классификаторы негізіндегі архитектураны қолдандық. Райерсон эмоционалды сөйлеу мен әннің аудио-визуалды дерекқорынан (RAVDESS) үлгілерді пайдалана отырып, аудио файлдардан мел-жиілігінің кепстрал коэффициенттері, хромограммалар, мел-шкаласындағы спектрограммалар шығарылып, эмоцияларды анықтау үшін олар нейрондық желінің кірісі ретінде пайдаланылды. Төрт эмоцияны (тыныштық, ашу, қорқыныш, жиіркеніш) тану үшін нейрондық желі моделі әзірленді. Бұл модель сөйлеу эмоцияларын 83,33% дәлдікпен жіктейді. Түйін сөздер: дауыс, эмоцияны тану, MLP классификаторы, RAVDESS, jupyter notebook, Python. With the development of multimedia image recognition technologies, which allows extracting and analyzing large amounts of multimedia information from video and audio sources, there has been a large increase in the use of machine learning technology using deep learning to solve various problems. Speech emotion recognition (or classification) is one of the most complex topics in data science. In this work, we used an MLP classifier-based architecture that extracts chalk-frequency cepstral coefficients, chromograms, chalk-scale spectrograms from audio files and uses these as input to a neural network for emotion identification using samples from the Ryerson Audio-Visual Emotional Speech and Song (RAVDESS). A neural network model was developed to recognize four emotions (calm, anger, fear, disgust). This model classifies speech emotions with an accuracy of 83.33%. Keywords: voice, emotion recognition, MLP classifier, RAVDESS, jupyter notebook, Python.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.040 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".