بهبود نرخ تشخیص احساس از روی گفتار با استفاده از تفکیک جنسیتی

Abstract

تشخیص احساس از روی سیگنال گفتار یکی از شاخه‌های نسبتاً جدید در پردازش گفتار می‌باشد که می‌تواند در تعامل انسان و روبات نقش مهمی ایفا کند. در این مقاله ضمن استفاده از دو نوع ویژگی طیفی جدید به منظور افزایش نرخ بازشناسی به بررسی تاثیر جنسیت گویندگان در تشخیص احساس پرداخته شده است. ویژگی‌های یاد شده با استفاده از روش‌های پردازش تصویر، از تصویر طیف‌نگاره سیگنال گفتار استخراج می‌شوند . در این تحقیق به منظور جداسازی احساس‌های مختلف از یکدیگر از طبقه‌بند مرتبه ای استفاده شده است. به منظور بهینه سازی ساختار این طبقه‌بند، ابتدا جداپذیر ترین کلاس ها از هم جدا می‌شوند تا خطای ایجاد شده در مراحل اولیه طبقه‌بندی حداقل بوده و این خطا در الگوریتم منتشر نشود. سیستم پیشنهادی بر روی پایگاه داده‌ی آلمانی برلین آزمایش شده است. بر اساس نتایج بدست آمده نرخ تشخیص برای گویندگان مختلط 4/43% می‌باشد که این مقدار پس از تفکیک گویندگان بر اساس جنسیت به 86/82% افزایش پیدا می‌کند. نرخ تشخیص برای گویندگان زن 05/83% و برای مردان 61/82% بدست آمده است.