تشخيص احساسات از سيگنال هاي گفتار براساس روش هاي فيلتر

گفتار ابزار اوليه ارتباط بين انسان‌‌ مي‌باشد. با افزايش تراكنش ميان انسان و ماشين نياز به محاوره خودكار اين دو و حذف كاربر انساني مورد توجه قرار گرفته است.هدف از انجام اين تحقيق، تعيين يك مجموعه از ويژگي‌هاي تاثير گذار در تشخيص احساسات مبتني بر سيگنال صحبت مي‌باشد. در اين مقاله، سيستمي طراحي گرديد كه شامل سه بخش اصلي، استخراج ويژگي، انتخاب ويژگي و طبقه‌بندي مي‌باشد. پس از استخراج ويژگي‌هاي پركاربردي چون ضرايب كپسترال فركانسي مل (MFCC)، ضرايب پيشگويي خطي (LPC)، ضرايب پيشگويي خطي ادراكي (PLP)، فركانس فرمنت، نرخ عبور از صفر، ضرايب كپسترال، فركانس گام، ميانگين، جيتر، شيمر، انرژي، ضرايب تبديل فوريه، كمترين مقدار در هر پنجره، بيشترين مقدار در هر پنجره، دامنه هر سيگنال و انحراف از معيار، در مرحله بعد به كمك روش‌هاي فيلتر چون معيار همبستگي پيرسون، آزمون t ، رليف و بهره اطلاعاتي به انتخاب و رتبه‌بندي ويژگي‌هاي تاثيرگذار در تشخيص احساسات رسيده‌ .سپس نتايج بصورت زيرمجموعه‌اي از ويژگي‌ها به عنوان ورودي به يك سيستم طبقه‌‌بند داده شده است، كه در اين مرحله از طبقه‌بند ماشين بردار پشتيبان چندگانه براي طبقه‌بندي هفت كلاس احساسي استفاده شده است. براساس نتايج بدست آمده روش انتخاب ويژگي رليف به همراه طبقه‌بند ماشين بردار پشتيبان چندگانه داراي بيشترين ميزان دقت طبقه‌بندي براي تشخيص احساسات مورد نظر با نرخ تشخيص% /9493 مي‌باشد.