تشخیص احساسات از سیگنال های گفتار براساس روش های فیلتر

گفتار ابزار اولیه ارتباط بین انسان‌‌ می‌باشد. با افزایش تراکنش میان انسان و ماشین نیاز به محاوره خودکار این دو و حذف کاربر انسانی مورد توجه قرار گرفته است.هدف از انجام این تحقیق، تعیین یک مجموعه از ویژگی‌های تاثیر گذار در تشخیص احساسات مبتنی بر سیگنال صحبت می‌باشد. در این مقاله، سیستمی طراحی گردید که شامل سه بخش اصلی، استخراج ویژگی، انتخاب ویژگی و طبقه‌بندی می‌باشد. پس از استخراج ویژگی‌های پرکاربردی چون ضرایب کپسترال فرکانسی مل (MFCC)، ضرایب پیشگویی خطی (LPC)، ضرایب پیشگویی خطی ادراکی (PLP)، فرکانس فرمنت، نرخ عبور از صفر، ضرایب کپسترال، فرکانس گام، میانگین، جیتر، شیمر، انرژی، ضرایب تبدیل فوریه، کمترین مقدار در هر پنجره، بیشترین مقدار در هر پنجره، دامنه هر سیگنال و انحراف از معیار، در مرحله بعد به کمک روش‌های فیلتر چون معیار همبستگی پیرسون، آزمون t ، رلیف و بهره اطلاعاتی به انتخاب و رتبه‌بندی ویژگی‌های تاثیرگذار در تشخیص احساسات رسیده‌ .سپس نتایج بصورت زیرمجموعه‌ای از ویژگی‌ها به عنوان ورودی به یک سیستم طبقه‌‌بند داده شده است، که در این مرحله از طبقه‌بند ماشین بردار پشتیبان چندگانه برای طبقه‌بندی هفت کلاس احساسی استفاده شده است. براساس نتایج بدست آمده روش انتخاب ویژگی رلیف به همراه طبقه‌بند ماشین بردار پشتیبان چندگانه دارای بیشترین میزان دقت طبقه‌بندی برای تشخیص احساسات مورد نظر با نرخ تشخیص% 94/93 می‌باشد.