بهبود کارایی یک سیستم تشخیص احساس از گفتار به کمک شبکه مولد متخاصمی جهت کاربرد در روانشناسی بالینی
محل انتشار: فصلنامه روانشناسی بالینی، دوره: 15، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 114
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JCPSM-15-1_005
تاریخ نمایه سازی: 19 شهریور 1402
چکیده مقاله:
مقدمه: فناوری تشخیص احساس از گفتار، می تواند به محققان کمک کند تا دریابند چه عواملی باعث می شود برخی از روان درمانگران درمان موثرتری نسبت به دیگران ارائه دهند، اطلاعاتی که می تواند برای بهبود تشخیص روش درمان استفاده شود. اگر بدانیم چه کسی می خواهد اقدام به خودکشی کند یا حداقل ریسک بالایی برای این کار دارد می توانیم پیشگیری کنیم و این دقیقا همان چیزی است که علم روانشناسی سال هاست به آن نیاز دارد تا هزینه های درمان را کاهش دهد. ازاین رو، نیاز به تشخیص احساس از گفتار و پایگاه داده احساسی به شدت احساس می شود؛ ولی جمع آوری پایگاه داده با نمونه های زیاد نیازمند صرف چندین دهه است. افزایش داده و انتخاب ویژگی، از مفاهیم کلیدی در یادگیری ماشین هستند.روش: هنگامی که داده های آموزشی در پایگاه داده متنوع نیستند و تعداد و تنوع آن ها در هر کلاس آموزشی محدود است، آموزش یک شبکه عصبی عمیق بدون آنکه پدیده اور فیتینگ اتفاق بیفتد، بیش از حد چالش برانگیز است. برای غلبه بر این چالش، این مقاله یک شبکه افزایش داده جدید، یعنی شبکه افزایش داده متخاصمانه و مبتنی بر شبکه های مولد متخاصمی را پیشنهاد میکند. این شبکه افزایش داده پیشنهادی، از یک شبکه مولد متخاصمی، یک رمزگذار خودکار و یک طبقه بند تشکیل شده است. این شبکه ها به طور خصمانه آموزش داده می شوند تا بردارهای ویژگی وابسته به هر کلاس را در فضای ویژگی ها ترکیب کنند، و سپس آنها را به داده های موجود در پایگاه داده بیفزایند. برای دادههای هر کلاس به صورت جداگانه یک شبکه مولد متخاصمی پیشنهاد شده است که از یک سو شباهت بین نمونه های واقعی و تولید شده را تضمین کند و از طرف دیگر باعث ایجاد تمایز عاطفی در بین نمونه های تولید شده بین کلاس های مختلف شود. برای رفع مشکل کوچک شدن بیش از حد گرادیان در فرایند آموزش شبکه افزایش داده متخاصمی که منجر به عدم آموزش کافی شبکههای مولد و تشخیص دهنده و متوقف شدن فرایند آموزش پیش از یادگیری کامل توزیع دادهها در فضای ویژگیها میشود، به جای استفاده از خطای متداول آنتروپی متقابل برای آموزش شبکه مولد متخاصمی، واگرایی و اسراستین برای تولید نمونه های مصنوعی باکیفیت بالا استفاده شده است. یافته ها: عملکرد این مدل با استفاده از پایگاه داده احساسی برلین به عنوان مجموعه داده های آموزش، تست و ارزیابی شبکه مورد آزمایش قرار گرفته و مشخص شد که با ترکیب نمودن بردارهای ویژگی مصنوعی و بردارهای ویژگی واقعی، می توان مشکل کوچک شدن بیش از حد گرادیان و متعاقبا متوقف شدن ادامه روند آموزش شبکه را تا حد زیادی کاهش داد. نتایج به دست آمده نشان می دهد که داده های تولید شده توسط شبکه پیشنهادی می توانند در یک شبکه تشخیص احساس از سیگنال گفتار استفاده شوند و به این شبکه کمک کنند تا کلاسه بندی احساسی بهتری را انجام دهد.
کلیدواژه ها:
نویسندگان
آرش شیلاندری
دانشکده مهندسی برق - دانشگاه صنعتی شاهرود - شاهرود - ایران
حسین خسروی
دانشکده مهندسی برق- دانشگاه صنعتی شاهرود - شاهرود - ایران
حسین مروی
دانشکده مهندسی برق- دانشگاه صنعتی شاهرود - شاهرود - ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :