РАСПОЗНАВАНИЕ И ПРОГНОЗИРОВАНИЕ ДЛИТЕЛЬНЫХ ЭМОЦИЙ В РЕЧИ (на англ. языке)

Люди действуют рационально, и это их фундаментальное отличие от других видов жизни. Кроме того, в современной психологии подчеркивается, что люди как разумные создания отличаются чувствами и эмоциями. Существует пятнадцать видов универсальных длительных эмоций, плюс нейтральное эмоциональное состояние, такие как гнев, злость, паника, страх, тревога, отчаяние, грусть, восторг, радость, интерес, скука, стыд, гордость, отвращение, презрение и нейтральное отношение. В данном исследовании рассматривается  понимание эмоционального состояния человека по анализу речи в процессе общения. Доказано, что на основе достаточного объема акустических данных  эмоциональное  состояние  человека  может  быть классифицировано  набором  мажоритарных  классификаторов.  Предложенный  набор  классификаторов  построен  на  основе  трех  базовых классификаторов:  kNN,  C4.5  и SVMRBFKernel. Этот набор обеспечивает лучшую обработку классификаций эмоций, чем каждый из базовых классификаторов в отдельности. Он сравнивается с двумя другими наборами классификаторов: один-против-всех (OAA) мультиклассовый SVM с гибридными ядрами и с набором классификаторов, состоящим из двух базовых классификаторов С5.0,  и нейронная сеть (NeuralNetwork). Предложенный вариант достигает лучшего результата, чем два других набора классификаторов. В настоящей статье осуществляется классификация эмоций набором мажоритарных классификаторов, который состоит из трех определённых базовых классификаторов, имеющих низкую вычислительную сложность. Базовые классификаторы базируются на различных теоретических данных с целью избегания отклонений и избыточности, что дает предложенному набору классификаторов возможность  обобщиться в пространство определений эмоций. 

1. Matthews G., Zeidner M., Roberts R.D. Emotional Intelligence: Science and Myth. Cambridge, MIT Press,

2003, 697 p.

2. Schacter D.L. Psychology. 2nd ed. NY, Worth Publishers, 2011, 624 p.

3. Gaulin S.J.C., McBurney D.H. Psychology: An Evolutionary Approach. Upper Saddle River, Prentice Hall,

2003.

4. Scherer K.R. Vocal communication of emotion: a review of research paradigms. Speech Communication,

2003, vol. 40, no. 1–2, pp. 227–256. doi: 10.1016/S0167-6393(02)00084-5

5. Thompson E.R. Development and validation of an internationally reliable short-form of the positive and negative

affect schedule (PANAS). Journal of Cross-Cultural Psychology, 2007, vol. 38, no. 2, pp. 227–242.

doi: 10.1177/0022022106297301

6. Parkinson B., Simons G. Worry spreads: interpersonal transfer of problem-related anxiety. Cognition and

Emotion, 2012, vol. 26, no. 3, pp. 462–479. doi: 10.1080/02699931.2011.651101

7. Picard R.W. Affective Computing. Cambridge, MIT Press, 2000, 304 p.

8. Duda R.O., Hart P.E., Stork D.G. Pattern Classification. NY, John Wiley and Sons, 2000, 735 p.

9. Rong J., Chen Y.-P.P. Chowdhury M., Li G. Acoustic features extraction for emotion recognition. Proc. 6th

IEEE/ACIS International Conference on Computer and Information Science, ICIS 2007, 2007, art. 4276418,

pp. 419–424. doi: 10.1109/ICIS.2007.48

10. Meng H., Pittermann J., Pittermann A., Minker W. Combined speech-emotion recognition for spoken human-

computer interfaces. Proc. IEEE International Conference on Signal Processing and Communications,

2007, art. 4728535, pp. 1179–1182. doi: 10.1109/ICSPC.2007.4728535

11. Shami M.T., Kamel M.S. Segment-based approach to the recognition of emotions in speech. Proc. IEEE International

Conference on Multimedia and Expo, ICME 2005, 2005, vol. 2005, art. 1521436, pp. 366–369.

doi: 10.1109/ICME.2005.1521436

12. Sato N., Obuchi Y. Emotion recognition using mel-frequency cepstral coefficients. Journal of Natural Language

Processing, 2007, vol. 14, no. 4, pp. 83–96. doi: 10.5715/jnlp.14.4_83

13. Grimm M., Mower E. Kroschel K., Narayanan S. Combining categorical and primitives-based emotion

recognition. Proc. 14th European Signal Processing Conference. Florence, Italy, 2006, pp. 345–357.

14. Kim S., Georgiou P.G., Lee S., Narayanan S. Real-time emotion detection system using speech: multi-modal

fusion of different timescale features. Proc. 9th IEEE International Workshop on Multimedia Signal Processing,

MMSP 2007. Chania, Crete, 2007, art. 4412815, pp. 48–51. doi: 10.1109/MMSP.2007.4412815

15. Sethu V., Ambikairaja E., Epps J. Phonetic and speaker variations in automatic emotion classification. Proc.

Annual Conference of the International Speech Communication Association, Interspeech. Brisbane, Australia,

2008, pp. 617–620.

16. Vlasenko B., Schuller B., Wendemuth A., Rigoll G. Frame vs. turn-level: emotion recognition from speech

considering static and dynamic processing. Affective Computing and Intelligent Interaction, 2007, vol. 4738

LNCS, pp. 139–147.

17. Vondra M., Vich R. Recognition of emotions in german speech using gaussian mixture models. Multimodal

Signals: Cognitive and Algorithmic Issues, 2009, vol. 5398 LNAI, pp. 256–263. doi: 10.1007/978-3-642-

00525-1_26

18. Ye C., Liu J., Chen C., Song M., Bu J. Speech emotion classification on a riemannian manifold. Advances in

Multimedia Information Processing – PCM 2008, 2008, vol. 5353 LNCS, pp. 61–69. doi: 10.1007/978-3-

540-89796-5_7

19. Gonen M., Alpaydin E. Multiple kernel learning algorithms. Journal of Machine Learning Research, 2011,

vol. 12, pp. 2211–2268.

20. Bitouk D., Verma R., Nenkova A. Class-level spectral features for emotion recognition. Speech Communication,

2010, vol. 52, no. 7–8, pp. 613–625. doi: 10.1016/j.specom.2010.02.010

21. Yang N., Muraleedharan R., Kohl J., Demirkol I., Heinzelman W., Sturge-Apple M. Speech-based emotion

classification using multiclass SVM with hybrid kernel and thresholding fusion. Proc. 4th IEEE Workshop on

Spoken Language Technology, SLT 2012. Miami, Florida, 2012, art. 6424267, pp. 455–460. doi:

10.1109/SLT.2012.6424267

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License