تشخیص احساسات گفتار با استفاده از انتخاب ویژگی بر اساس مدل های بازگشتی

امروزه تشخیص احساس از گفتار در مواردی که ارتباط متقابل انسان و ماشین وجود دارد مورد توجه قرار گرفته شده است. با وجود تلاش های زیاد در این زمینه همچنان فاصله زیادی بین احساسات طبیعی انسان و درک کامپیوتر نسبت به آن وجود دارد . در این مقاله از پایکاه داده برلین به عنوان معروف ترین پایگاه داده موجود با 055 جمله که توسط بازیگران حرفه ای در محیط آزمایشگاه ایجاد شده که از 61 جمله آن با 7 احساس متفاوت خوشحالی ، تنفر ، طبیعی ، ترس ، ناراحتی ، عصبانیت و خستگی استفاده شده است.ویژگی های گوناگون جملات این پایگاه به صورت مجزا استخراج و به 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. همچنین جهت طبقه بندی احساسات از دو طبقه بند MSVM وKNN ( K نزدیکترین همسایگی ( استفاده شده است.نرخ متوسط تشخیص تنها با استفاده از 8 ویژگی موثرتر از میان 75 ویژگی موجود بدست آمده ست .