Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/79165
Type of publication: master thesis
Field of Science: Informatika / Informatics (N009)
Author(s): Juodytė, Monika
Supervisor: Saudargienė, Aušra
Title: Emocijų atpažinimas panaudojant mašininio mokymo algoritmus
Other Title: Emotion recognition using machine learning algorithms
Extent: 66 p.
Date: 21-May-2019
Keywords: Emocijų atpažinimas;Emotion recognition;Mašininis mokymas;Machine learning;Akustiniai požymiai;Acoustical features;Neuroniniai tinklai;Neural networks
Abstract: Emocijų atpažinimas yra svarbus tiesioginiam bendravimui. Tobulėjant informacinėms technologijoms ir kalbos atpažinimo technologijoms, būtina išmokyti kompiuterines sistemas atpažinti emocijas. Šiame darbe buvo kuriamas metodas 7 pagrindinėms emocijoms (baimės, liūdesio, džiaugsmo, bjaurėjimosi, pykčio, nuostabos, neutralios) atpažinti iš lietuvių kalbos garso įrašų naudojant akustinius požymius. Tarpusavyje palyginti 7 mašininio mokymo algoritmai - multinominė logistinė regresija, sprendimų medis, artimiausio kaimyno metodas, paprastasis Bajeso klasifikatorius, atraminių vektorių metodas, daugiasluoksnis perceptronas ir konvoliuciniai neuroniniai tinklai. Geriausi rezultatai gauti naudojant daugiasluoksnį perceptroną.
It is widely accepted that emotion recognition is a vitally important factor for communication. Despite the constant improvement of speech recognition, emotion detection is a field that remains certainly underdeveloped. In this study a set of seven emotions will be attempted to recognize: fear, sadness, happiness, disgust, angriness, surprise and neutral. Acoustic features were extracted from Lithuanian voice signals and seven machine learning methods were applied for the emotion recognition: Multinomial Logistic Regression, Decision Tree, K- Nearest Neighbor Classifier, Naïve Bayess Classifier, Support Vector Machine, Multilayer Perceptron and Convolutional Neural Network. The best recognition accuracy was obtained using Multilayer Perceptron.
Internet: https://hdl.handle.net/20.500.12259/79165
Appears in Collections:2019 m. (IF mag.)

Files in This Item:
monika_juodyte_2018.pdf2.01 MBAdobe PDF   Until 2024-05-21View/Open

Show full item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats


CORE Recommender

Page view(s)

75
checked on Jun 6, 2021

Download(s)

204
checked on Jun 6, 2021

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.