論文の概要: Speech Emotion Recognition Using CNN and Its Use Case in Digital Healthcare

• arxiv url: http://arxiv.org/abs/2406.10741v1
• Date: Sat, 15 Jun 2024 21:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 21:01:13.388187
• Title: Speech Emotion Recognition Using CNN and Its Use Case in Digital Healthcare
• Title（参考訳）: デジタル医療におけるCNNを用いた音声感情認識とその活用例
• Authors: Nishargo Nigar,
• Abstract要約: 人間の感情と感情状態を音声から識別するプロセスは、音声感情認識(SER)として知られている。 私の研究は、畳み込みニューラルネットワーク(CNN)を使って、音声録音と感情を区別し、異なる感情の範囲に応じてラベル付けすることを目指しています。 私は、機械学習手法を用いて、供給された音声ファイルから感情を識別する機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The process of identifying human emotion and affective states from speech is known as speech emotion recognition (SER). This is based on the observation that tone and pitch in the voice frequently convey underlying emotion. Speech recognition includes the ability to recognize emotions, which is becoming increasingly popular and in high demand. With the help of appropriate factors (such modalities, emotions, intensities, repetitions, etc.) found in the data, my research seeks to use the Convolutional Neural Network (CNN) to distinguish emotions from audio recordings and label them in accordance with the range of different emotions. I have developed a machine learning model to identify emotions from supplied audio files with the aid of machine learning methods. The evaluation is mostly focused on precision, recall, and F1 score, which are common machine learning metrics. To properly set up and train the machine learning framework, the main objective is to investigate the influence and cross-relation of all input and output parameters. To improve the ability to recognize intentions, a key condition for communication, I have evaluated emotions using my specialized machine learning algorithm via voice that would address the emotional state from voice with the help of digital healthcare, bridging the gap between human and artificial intelligence (AI).
• Abstract（参考訳）: 人間の感情と感情状態を音声から識別するプロセスは、音声感情認識(SER)として知られている。 これは、声のトーンとピッチが、下層の感情を頻繁に伝達する、という観察に基づいている。 音声認識には感情を認識する能力が含まれており、それはますます人気を増し、需要も高まっている。 データにある適切な要因(モダリティ、感情、強度、繰り返しなど)の助けを借りて、私の研究は、畳み込みニューラルネットワーク(CNN)を用いて、音声録音と感情を区別し、異なる感情の範囲に応じてラベル付けすることを目指している。 私は、機械学習手法を用いて、供給された音声ファイルから感情を識別する機械学習モデルを開発した。 評価は主に、一般的な機械学習メトリクスである精度、リコール、F1スコアに焦点を当てている。 機械学習フレームワークを適切にセットアップし、トレーニングするために、主な目的は、全ての入力パラメータと出力パラメータの影響と相互関係を調べることである。 コミュニケーションのキー条件である意図を認識する能力を向上させるために、私は、音声による特殊な機械学習アルゴリズムを用いて、人間と人工知能(AI)のギャップを埋め、デジタルヘルスケアの助けを借りて、音声からの感情状態に対処する感情を評価しました。

関連論文リスト

• Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT [0.0]
  本研究では, 自己教師型トランスフォーマーモデルであるWav2Vec2とHuBERTを用いて, 話者の感情を音声から判断する。 提案手法は、RAVDESS、SHEMO、SAVEE、AESDD、Emo-DBを含む計算可能なデータセットに基づいて評価される。
  論文  参考訳（メタデータ） (2024-11-05T10:06:40Z)
• Attention-based Interactive Disentangling Network for Instance-level Emotional Voice Conversion [81.1492897350032]
  感情音声変換(Emotional Voice Conversion)は、非感情成分を保存しながら、与えられた感情に応じて音声を操作することを目的とする。 本稿では,音声変換にインスタンスワイドな感情知識を活用する,意図に基づく対話型ディスタングネットワーク(AINN)を提案する。
  論文  参考訳（メタデータ） (2023-12-29T08:06:45Z)
• Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on Data-Driven Deep Learning [70.30713251031052]
  本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。 実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-15T01:25:32Z)
• AHD ConvNet for Speech Emotion Classification [0.0]
  本稿では,一般的なCREMA-Dデータセットにおいて,与えられたwav形式の音声ノートから感情を学習するためのデータポイントを用いた新しいメルスペクトル学習手法を提案する。 感情音声認識の課題に対処するために用いられた他のアプローチと比較して、トレーニング時間が短縮された。
  論文  参考訳（メタデータ） (2022-06-10T11:57:28Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
  感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。 本稿では,感情の強さを明示的に表現し,制御することを目的とする。 本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
  論文  参考訳（メタデータ） (2022-01-10T02:11:25Z)
• Emotion Recognition in Audio and Video Using Deep Neural Networks [9.694548197876868]
  ディープラーニング技術の進歩により、音声認識が大幅に向上した。 音声から感情を認識することは重要な側面であり、ディープラーニング技術により、感情認識は精度とレイテンシが向上した。 本研究では、感情認識の精度を向上させるために、異なるニューラルネットワークを探索する。
  論文  参考訳（メタデータ） (2020-06-15T04:50:18Z)
• Emotion Recognition From Gait Analyses: Current Research and Future Directions [48.93172413752614]
  歩行はウォーカーの感情に関する情報を伝える 様々な感情と歩行パターンのマッピングは、感情の自動認識のための新しい情報源を提供する。 歩行は遠隔観察可能で 模倣が困難で 被験者との協力も少ない
  論文  参考訳（メタデータ） (2020-03-13T08:22:33Z)
• Emotion Recognition System from Speech and Visual Information based on Convolutional Neural Networks [6.676572642463495]
  本研究では,感情を高精度かつリアルタイムに認識できるシステムを提案する。 音声認識システムの精度を高めるため、音声データも分析し、両情報源から得られる情報を融合する。
  論文  参考訳（メタデータ） (2020-02-29T22:09:46Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)
• Detecting Emotion Primitives from Speech and their use in discerning Categorical Emotions [16.886826928295203]
  感情は人間同士のコミュニケーションにおいて重要な役割を担い、幸福やフラストレーション、誠実さといった感情を伝えることができる。 この研究は、感情プリミティブが、幸福、嫌悪、軽蔑、怒り、驚きといったカテゴリー的感情を中性的なスピーチから検出する方法について研究した。 以上の結果から, 覚醒と支配は, 感情のより優れた検出方法であった。
  論文  参考訳（メタデータ） (2020-01-31T03:11:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。