تشخیص احساسات از سیگنال های گفتار براساس روش های فیلتر
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 132
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIPET-7-27_001
تاریخ نمایه سازی: 19 دی 1400
Abstract:
گفتار ابزار اولیه ارتباط بین انسان می باشد. با افزایش تراکنش میان انسان و ماشین نیاز به محاوره خودکار این دو و حذف کاربر انسانی مورد توجه قرار گرفته است.هدف از انجام این تحقیق، تعیین یک مجموعه از ویژگی های تاثیر گذار در تشخیص احساسات مبتنی بر سیگنال صحبت می باشد. در این مقاله، سیستمی طراحی گردید که شامل سه بخش اصلی، استخراج ویژگی، انتخاب ویژگی و طبقه بندی می باشد. پس از استخراج ویژگی های پرکاربردی چون ضرایب کپسترال فرکانسی مل (MFCC)، ضرایب پیشگویی خطی (LPC)، ضرایب پیشگویی خطی ادراکی (PLP)، فرکانس فرمنت، نرخ عبور از صفر، ضرایب کپسترال، فرکانس گام، میانگین، جیتر، شیمر، انرژی، ضرایب تبدیل فوریه، کمترین مقدار در هر پنجره، بیشترین مقدار در هر پنجره، دامنه هر سیگنال و انحراف از معیار، در مرحله بعد به کمک روش های فیلتر چون معیار همبستگی پیرسون، آزمون t ، رلیف و بهره اطلاعاتی به انتخاب و رتبه بندی ویژگی های تاثیرگذار در تشخیص احساسات رسیده .سپس نتایج بصورت زیرمجموعه ای از ویژگی ها به عنوان ورودی به یک سیستم طبقه بند داده شده است، که در این مرحله از طبقه بند ماشین بردار پشتیبان چندگانه برای طبقه بندی هفت کلاس احساسی استفاده شده است. براساس نتایج بدست آمده روش انتخاب ویژگی رلیف به همراه طبقه بند ماشین بردار پشتیبان چندگانه دارای بیشترین میزان دقت طبقه بندی برای تشخیص احساسات مورد نظر با نرخ تشخیص% ۹۴/۹۳ می باشد.
Keywords:
Authors
نرجس یزدانیان
کارشناس ارشد - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
حمید محمودیان
دانشکده برق، واحد نجف آباد، دانشگاه آزاد اسلامی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :