Verbesserungen in der Sofort-Spracherkennung von Emotionen: Nutzung prosodischer und spektraler Merkmale

Sprache ist essenziell für die menschliche Kommunikation, um Gefühle auszudrücken und zu verstehen. Die Verarbeitung emotionaler Sprache steht vor Herausforderungen wie Expertendatenerhebung, Datenorganisation und der rechnerischen Komplexität bei groß angelegten Analysen. Diese Studie zielt darauf ab, Datenredundanz und hohe Dimensionalität zu verringern, indem ein neues System zur Spracherkennung von Emotionen eingeführt wird. Das System verwendet Diffusion Map zur Dimensionsreduktion und beinhaltet Ensemble-Klassifikatoren wie Entscheidungsbäume und K-Nearest Neighbors (KNN). Diese Verfahren sollen die Genauigkeit der Spracherkennung von Emotionen erhöhen. Die Spracherkennung von Emotionen gewinnt in der affektiven Informatik an Bedeutung für den Einsatz in Medizin, Industrie und Wissenschaft. Dieses Projekt strebt einen effizienten und robusten Rahmen für die Echtzeit-Emotionserkennung an. Zur Identifikation von Emotionen mittels überwachter maschineller Lernmodelle nutzt diese Arbeit paralinguistische Faktoren wie Intensität, Tonhöhe und MFCC. Zur Klassifikation der Daten integriert die experimentelle Analyse prosodische und spektrale Informationen unter Verwendung von Methoden wie Random Forest, Multilayer Perceptron, SVM, KNN und Gaussian Naïve Bayes. Kurze Trainingszeiten machen diese Modelle hervorragend für Echtzeitanwendungen geeignet. SVM und MLP erreichen dabei die höchste Genauigkeit von jeweils 70,86 % und 79,52 %. Vergleiche mit Benchmarks zeigen signifikante Verbesserungen gegenüber früheren Modellen.