En este trabajo se propone el diseño y desarrollo de una red neuronal de una sola capa oculta capaz de reconocer emociones a partir de la voz. El clasificador es entrenado y evaluado con espectogramas mel de dimensiones 90×98 generados a partir de los archivos de audio de la base de datos pública RAVDESS. Dicho conjunto esta formado por 8 emociones (neutralidad, calma, felicidad, tristeza, enojo, miedo, disgusto y sorpresa). La red neuronal es capaz de clasificarlos con un 68,81% de precisión sin la necesidad utilizar otros algoritmos complementarios como aumento de datos. Además, se ha comprobado que seleccionando los 4000 pixels más importantes con Gradient Boosting, la precisión del modelo puede mejorar al 71,09%. Estos resultados, aunque no superiores a los de otros trabajos anteriores similares, permiten medir y ratificar el alcance y potencial de este tipo de redes neuronales en el ámbito del aprendizaje automático.
ABSTRACT
In this work, the design and development of a single hidden layer neural network capable of recognizing emotions from speech is proposed. The classifier is trained and evaluated using Mel spectrograms of dimensions 90×98 generated from audio files from the public RAVDESS database. This dataset consists of 8 emotions (neutral, calm, happy, sad, angry, fearful, disgusted, and surprised). The neural network is able to classify them with a precision of 68,81% without the need to use other complementary algorithms such as data augmentation. Additionally, it has been found that by selecting the 4000 most important pixels with Gradient Boosting, the model’s precision can improve up to 71,09%. These results, although not higher than those of some similar previous works, allow for measure and confirmation of the scope and potential of this type of neural network in the field of machine learning.
En este trabajo se propone el diseño y desarrollo de una red neuronal de una sola capa oculta capaz de reconocer emociones a partir de la voz. El clasificador es entrenado y evaluado con espectogramas mel de dimensiones 90×98 generados a partir de los archivos de audio de la base de datos pública RAVDESS. Dicho conjunto esta formado por 8 emociones (neutralidad, calma, felicidad, tristeza, enojo, miedo, disgusto y sorpresa). La red neuronal es capaz de clasificarlos con un 68,81% de precisión sin la necesidad utilizar otros algoritmos complementarios como aumento de datos. Además, se ha comprobado que seleccionando los 4000 pixels más importantes con Gradient Boosting, la precisión del modelo puede mejorar al 71,09%. Estos resultados, aunque no superiores a los de otros trabajos anteriores similares, permiten medir y ratificar el alcance y potencial de este tipo de redes neuronales en el ámbito del aprendizaje automático.
ABSTRACT
In this work, the design and development of a single hidden layer neural network capable of recognizing emotions from speech is proposed. The classifier is trained and evaluated using Mel spectrograms of dimensions 90×98 generated from audio files from the public RAVDESS database. This dataset consists of 8 emotions (neutral, calm, happy, sad, angry, fearful, disgusted, and surprised). The neural network is able to classify them with a precision of 68,81% without the need to use other complementary algorithms such as data augmentation. Additionally, it has been found that by selecting the 4000 most important pixels with Gradient Boosting, the model’s precision can improve up to 71,09%. These results, although not higher than those of some similar previous works, allow for measure and confirmation of the scope and potential of this type of neural network in the field of machine learning. Read More
Related posts:
Reconocimiento de emociones en la voz para hablantes desconocidos con transformers de audio
Aproximación de respuestas farmacocinéticas empleando modelos de aprendizaje automático
Transformer DPD for non-linear power amplifiers in multi carrier signals
Self-Organizing Mapping Neural Network Implementation Based on 3-D NAND Flash for Competitive Learning
Diseño e implementación de una solución de estimación de mapas de profundidad a partir de vídeo monocular basada en aprendizaje profundo
Escalado y reconstrucción de imágenes