تشخیص احساسات از روی گفتار با استفاده از شبکه ی عصبی گیتی و مکانیسم توجه

تشخیص احساسات گفتاری یکی از چالش های کلیدی در حوزه پردازش زبان طبیعی و تعامل انسان و ماشین به شمار می رود. این حوزه با هدف استخراج لایه های پنهان احساسی از سیگنال های صوتی، نقشی اساسی در سیستم های پشتیبانی از تصمیم گیری، دستیارهای صوتی، و بهبود تجربه کاربری در تعاملات گفتاری ایفا می کند. پیچیدگی های ذاتی گفتار، شامل تنوع فردی، تفاوت های فرهنگی، و تغییرات وابسته به زمینه، باعث شده این مسئله به حوزه ای پرچالش اما جذاب برای پژوهشگران تبدیل شود. در پژوهش حاضر، دو مدل مختلف یادگیری عمیق برای شناسایی احساسات گفتاری طراحی و ارزیابی شده اند. مدل نخست بر پایه شبکه های عصبی بازگشتی (RNN) بنا شده است که برای پردازش داده های دنباله ای، به ویژه سیگنال های زمانی مانند گفتار، گزینه ای کلاسیک به شمار می رود. این مدل توانست برخی احساسات اولیه یا الگوهای ساده تر را با دقت قابل قبول شناسایی کند، اما در مواجهه با احساسات پیچیده تر یا سیگنال هایی با تنوع بالا، افت عملکرد مشاهده شد. این محدودیت عمدتا ناشی از مشکل RNNها در مدل سازی وابستگی های بلندمدت و حساسیت به نویزهای زمانی است. به منظور رفع این چالش ها، مدل دوم با بهره گیری از معماری GRU در ترکیب با مکانیسم توجه طراحی شد. واحدهای GRU با ساختار ساده تر و ظرفیت بهتر در یادگیری وابستگی های زمانی، توانایی بیشتری در فشرده سازی و انتقال اطلاعات کلیدی دارند. علاوه بر این، مکانیسم توجه به مدل امکان می دهد بخش های مهم تر سیگنال را وزن دهی کرده و توجه محاسباتی را بر لحظات احساسی برجسته متمرکز کند. این ویژگی موجب شد مدل دوم بتواند در برابر تغییرات سیگنال مقاوم تر عمل کرده و احساسات مختلف را با دقت بالاتری شناسایی کند. طبق نتایج به دست آمده، دقت نهایی این مدل برابر با ۰.۹۹۸۲ بوده که نشان دهنده عملکرد بسیار چشمگیر و تقریبا بی نقص در طبقه بندی احساسات گفتاری است.

کلیدواژه ها:

تشخیص احساسات گفتاری ، یادگیری عمیق ، شبکه های بازگشتی ، GRU مبتنی بر مکانیزم توجه ، دقت طبقه بندی