بهبود تشخیص احساس از گفتار با انتخاب ویژگی های مناسب

بیان احساس در ارتباطات روزمره از جایگاه ویژه ای برخوردار است. از این رو، یکی از جنبه های مهم در طبیعی سازی ارتباط میان انسان و ماشین، تشخیص حس گفتار و تولید بازخورد متناسب با احساس درک شده است. یکی ازچالش های مهم در مسایل ساخت ماشین ها هوشمند، انتخاب مجموعه ویژگی ها بهینه، محسوب می شود. در این تحقیق، تکنیک ها و روش هایی برا انتخاب ویژگی معرفی می شود، که باعث به بهبود سیستم تشخیص احساس از گفتار می شوند. در طراحی این سیستم، از روش ها آماری استفاده شده است و معماری آن شامل سه بخش اصلی: استخراج ویژگی، انتخاب ویژگی و آموزش مدل های طبقه بند می باشد. در مرحله استخراج ویژگی، ویژگی آکوستیکی شامل اطلاعات مربوط به ویژگی های طیفی از مجموعه گفتاری برلین (Berlin Database of Emotional Sp) به ازای هفت حس متفاوت خشم، خستگی، تنفر، ترس، شادی، غم و طبیعی (خنثی) استخراج شده است. در مرحله انتخاب ویژگی، دو الگوریتم جستجوی ژنتیک و جستجوی فاخته استفاده شده است. پس از تشکیل بردار ویژگی بهینه، میانگین نرخ تشخیص طبقه بندی KNN روی جموعه ویژگی انتخاب شده توسط GA+KNN، به 92.52% رسد، که نسبت به دیگر روش ها عملکرد بهتری داشت.

کلیدواژه ها:

سیستم تشخیص احساس از گفتار ، استخراج ویژگی ، انتخاب ویژگی ، مجموعه های گفتار احساسی ، مدل های طبقه بندی