تشخیص احساس به کمک پردازش چند بعدی گفتار

تشخیص احساس از روی گفتار موضوعی میان رشته ای در حوزه ی روانشناسی، بازشناسی الگو و پردازش سیگنال می باشد که در دهه ی اخیر توجه بسیاری از پژوهشگران را به خود جلب نموده است. در این رساله با آنالیز تصویر طیف نگاره ی گفتار ویژگی های مبتنی بر الگوهای طیفی و انرژی هارمونیک ها را استخراج نمودیم. ویژگی های دینامیکی غیر خطی نیز با استفاده از بازسازی فضای فاز سه بعدی سیگنال گفتار استخراج شدند. سپس، از معیار فیشر برای فیلتر کردن ویژگی های نویزی استفاده گردید. الگوریتم های انتخاب متوالی رو به جلو و الگوریتم ژنتیک نیز بعنوان یک مرحله مکمل، برای انتخاب بردار ویژگی بهینه بکار گرفته شدند. به منظور طبقه بندی احساس های گسسته و پیوسته در پایگاه داده ی برلین و vam از طبقه بند و رگرسیون مبتنی بر ماشین بردارهای پشتیبان استفاده شده است. بر اساس نتایج آزمایش ها، ویژگی های دینامیکی غیرخطی در کاهش تداخل احساس های خشم و خوشحالی و به تبع آن در افزایش نرخ بازشناسی بسیار موثر می باشند. با استفاده از ویژگی های متداول عروضی و طیفی، بهترین نرخ تشخیص بدست آمده برای طبقه بندی احساس های خشم و خوشحالی برای زنان 78/83% و برای مردان 95/91% می باشد. با استفاده از ویژگی های دینامیکی غیرخطی این مقادیر بترتیب به 1/99% و 85/98% افزایش می یابند. برای طبقه بندی 7 احساس اولیه نیز بالاترین نرخ تشخیص بدست آمده با استفاده از سیستم پیشنهادی 34/92% (35/96% برای زنان و 18/87% برای مردان) می باشد. در بازشناسی احساس های پیوسته نیز با استفاده از ویژگی های متداول عروضی و طیفی بالاترین ضریب همبستگی برانگیختگی، جاذبه و سلطه بترتیب 99/83% و 53% و 4/83% بدست آمدند. با افزودن ویژگی های دینامیکی غیرخطی به این ویژگی ها، ضریب همبستگی برای برانگیختگی، جاذبه و سلطه بترتیب 06/85% و 39/53% و 68/84% محاسبه گردید.