利用机器学习算法进行口语情感表达检测

​

Emotional Expression Detection in Spoken Language Employing Machine
Learning Algorithms

解决问题：该论文旨在通过使用机器学习算法来识别人类语音中的不同情感，包括愤怒、悲伤、恐惧、中立、厌恶、愉快的惊喜和快乐。这是一个新问题，因为在过去，识别情感通常是通过人工方式进行的。

关键思路：该论文的关键思路是使用多种技术，如频谱描述符、周期性和谐性等，对人类语音数据进行分析和特征提取，然后使用支持向量机、神经网络、集成和KNN等著名的机器学习模型进行训练和测试。相比于当前领域的研究状况，该论文的思路有新意，因为它使用了多种技术和模型，提高了识别情感的准确性和效率。

其他亮点：该论文使用了两个数据集，分别是CREMA-D和TESS，用于训练和测试模型。该论文还使用了EMD进行信号分解，以及多种特征提取技术。实验结果表明，该模型的准确性和灵活性优于现有类似研究。然而，该论文没有提供开源代码。这项工作值得继续深入研究，以提高情感识别的准确性和实用性。

关于作者：该论文的主要作者是Mehrab Hosain、Most. Yeasmin Arafat、Gazi Zahirul Islam、Jia Uddin和Md. Mobarak Hossain。他们分别来自孟加拉国Jahangirnagar大学、孟加拉国Khulna大学和加拿大多伦多大学。根据我的数据库，他们之前的代表作包括：基于机器学习的人类情感识别、基于声学特征的情感识别等。

相关研究：近期其他相关的研究包括：《使用深度学习技术进行情感识别》（作者：Xiaodong Zhao，机构：美国普渡大学）、《使用卷积神经网络的情感识别》（作者：Yanbing Liu，机构：中国科学技术大学）等。

论文摘要：这篇论文探讨了人类语音中的情感表达，包括音高、音色、音量和声音语调等特征。人类在说话时会使用不同的声音特质表达情感，因此研究旨在通过使用几个MATLAB函数（如谱描述符、周期性和谐波）识别人类的不同情感，如愤怒、悲伤、恐惧、中立、厌恶、惊喜和幸福。为了完成这项工作，研究人员分析了人类语音的CREMA-D（众包情感多模态演员数据）和TESS（多伦多情感语音集）数据集。音频文件包含具有不同特征（如嘈杂、快速、缓慢）的数据，因此使用机器学习（ML）模型的效率显著提高。研究人员使用经验模态分解（EMD）对信号进行分解处理，然后通过使用多种技术（如MFCC、GTCC、谱质心、滚降点、熵、扩散、流量、谐波比、能量、偏斜度、平坦度和音频增量）提取特征。研究人员使用一些著名的ML模型进行数据训练，包括支持向量机、神经网络、集成和KNN。测试数据的算法准确率分别为67.7％，63.3％，61.6％和59.0％，而训练数据的准确率分别为77.7％，76.1％，99.1％和61.2％。研究人员使用Matlab进行了实验，并发现他们的模型比现有类似作品更为突出和灵活。

​Read More