تحلیل احساسات از روی گفتار بر پایه ویژگیهای تنالیته گاما

امروزه ، اهمیت تحلیل احساسات برای تضمین تعامل بهتر و موثرتر افراد با ماشین بسیار افزایش یافته است. سیگنالهای وابسته به دهان و حنجره و سیگنالهای گفتاری، نشاندهنده مشخصه های ماهیت احساسی گفتار به علاوه ی اطلاعات زبانی میباشد بنابراین احساسات گفتار نیز باید شناسایی شود تا پاسخ صحیحی توسط سیستم ارائه شود. تاکید این مقاله بر روی کارایی و تاثیر انتخاب ویژگیهای انرژی با عبور دادن کلام از طریق فیلترهای درجه گاما میباشد که در پهنای باند مستطیلی معادل (ERB) ، MEL و مقیاس BARK قرارگرفته اند. شناسایی احساسات به صورت مستقل با استخراج ویژگیهای درجه گاما و ویژگیهای کپسترال ، از طریق عبور دادن گفتار الحاق شده از فیلترهای درجه گاما در ERB ،MEL و مقیاس BARK که برای آموزش در نظر گرفته شده است ، انجام میشود. ویژگیهای پیشنهادشده برای گفتار تست ثبت شده و سپس بر روی مدلهای VQ/Fuzzy/MHMM/SVM اعمال میشوند. این الگوریتم %96، %79 و%95,3 را به عنوان بازیابی صحت وزندار برای سیستم شناسایی تنش نسبت به طبقه بندی انجامشده در گروه های خاص احساسی با مدلهای VQ/Fuzzy/MHMM/SVM برای ویژگیهای انرژی GFT با فیلترهای گاما قرارگرفته به ترتیب بر روی مقیاس های ERB ، MEL و BARK ارائه میکند که برای سیستمی به دست آمده که با دیتابیس EMO-DB ارزیابی شده است.