ارایه روشی جهت کاهش ماکزیمم حافظه مورد نیاز با استفاده از انتخاب ویژگی های موثر در تشخیص احساس از گفتار

امروزه ، درک احساسات گوینده از سوی ماشین و واکنش مناسب به آن، یکی از موارد قابل توجه در حوزه ارتباط میان انسان و ماشین است .درک این احساسات ، مستلزم استخراج ویژگی(فاکتور) های موجود در سیگنال گفتار است.با توجه به تعداد زیاد ویژگی های سیگنال گفتار مربوط به احساسات ، انتخاب زیرمجموعه ی موثر از این ویژگی ها باعث افزایش دقت طبقه بندی و کاهش حجم محاسبات می شود.بنابراین کاهش سایز بردار ویژگی های موثر در طبقه بندی ، یکی از اهداف مهم در این زمینه می باشد. .در این مقاله با استفاده از پایگاه داده برلین (EMO-DB) به تشخیص و طبقه بندی 7 احساس موجود در این پایگاه داده پرداخته شده است. ویژگی های گوناگون جملات این پایگاه به صورت مجزا استخراج وبه دلیل تعداد بسیار زیاد ویژگی به روشی برای کاهش فضای ویژگی پیش از اعمال الگوریتم دسته بندی نیاز است.بدین منظور از یک روش بازگشتی مبتنی بر SVM (ماشین بردار پشتیبان) جهت استخراج ویژگی های موثر در تشخیص احساس از داده های موجود بیان شده است. نرخ متوسط تشخیص و میزان حافظه مصرفی با استفاده از 11 ویژگی موثرتر از میان 76 ویژگی موجود بدست آمده است.

کلیدواژه ها:

تشخیص احساس از گفتار ، پایگاه داده برلین ، انتخاب ویژگی ، طبقه بندی