Optimization techniques for speech emotion recognition

Hay tres aspectos innovadores. Primero, un algoritmo novedoso para calcular el contenido emocional de un enunciado, con un diseño mixto que emplea aprendizaje estadístico e información sintáctica. Segundo, una extensión para selección de rasgos que permite adaptar los pesos y así aumentar la flexibi...

ver descrição completa

Detalhes bibliográficos
Autor: Sidorova, Julia
Tipo de documento: tese
Estado:Versão publicada
Data de publicação:2009
País:España
Recursos:CBUC, CESCA
Repositório:TDR. Tesis Doctorales en Red
OAI Identifier:oai:www.tdx.cat:10803/7575
Acesso em linha:http://www.tdx.cat/TDX-0113110-133822
http://hdl.handle.net/10803/7575
Access Level:Acceso aberto
Palavra-chave:autómata de arboles
calificadores
reconocimiento de emociones vía voz
emoción
tree automata
classification
pattern recognition
constructed features
speech emotion recognition
emotion
81
id ES_faa4792d0a315bebb9946a5c23a245b6
oai_identifier_str oai:www.tdx.cat:10803/7575
network_acronym_str ES
network_name_str España
repository_id_str
spelling Optimization techniques for speech emotion recognitionSidorova, Juliaautómata de arbolescalificadoresreconocimiento de emociones vía vozemocióntree automataclassificationpattern recognitionconstructed featuresspeech emotion recognitionemotion81Hay tres aspectos innovadores. Primero, un algoritmo novedoso para calcular el contenido emocional de un enunciado, con un diseño mixto que emplea aprendizaje estadístico e información sintáctica. Segundo, una extensión para selección de rasgos que permite adaptar los pesos y así aumentar la flexibilidad del sistema. Tercero, una propuesta para incorporar rasgos de alto nivel al sistema. Dichos rasgos, combinados con los rasgos de bajo nivel, permiten mejorar el rendimiento del sistema.The first contribution of this thesis is a speech emotion recognition system called the ESEDA capable of recognizing emotions in di®erent languages. The second contribution is the classifier TGI+. First objects are modeled by means of a syntactic method and then, with a statistical method the mappings of samples are classified, not their feature vectors. The TGI+ outperforms the state of the art top performer on a benchmark data set of acted emotions. The third contribution is high-level features, which are distances from a feature vector to the tree automata accepting class i, for all i in the set of class labels. The set of low-level features and the set of high-level features are concatenated and the resulting set is submitted to the feature selection procedure. Then the classification step is done in the usual way. Testing on a benchmark dataset of authentic emotions showed that this classification strategy outperforms the state of the art top performer.Programa de doctorat en Traducció i Ciències del LlenguatgeUniversitat Pompeu FabraBadia i Cardús, AntoniUniversitat Pompeu Fabra. Departament de Traducció i Ciències del llenguatge2011201020092010info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfapplication/pdfhttp://www.tdx.cat/TDX-0113110-133822http://hdl.handle.net/10803/7575TDX (Tesis Doctorals en Xarxa)reponame:TDR. Tesis Doctorales en Redinstname:CBUC, CESCAInglésADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.info:eu-repo/semantics/openAccessoai:www.tdx.cat:10803/75752026-06-14T12:46:07Z
dc.title.none.fl_str_mv Optimization techniques for speech emotion recognition
title Optimization techniques for speech emotion recognition
spellingShingle Optimization techniques for speech emotion recognition
Sidorova, Julia
autómata de arboles
calificadores
reconocimiento de emociones vía voz
emoción
tree automata
classification
pattern recognition
constructed features
speech emotion recognition
emotion
81
title_short Optimization techniques for speech emotion recognition
title_full Optimization techniques for speech emotion recognition
title_fullStr Optimization techniques for speech emotion recognition
title_full_unstemmed Optimization techniques for speech emotion recognition
title_sort Optimization techniques for speech emotion recognition
dc.creator.none.fl_str_mv Sidorova, Julia
author Sidorova, Julia
author_facet Sidorova, Julia
author_role author
dc.contributor.none.fl_str_mv Badia i Cardús, Antoni
Universitat Pompeu Fabra. Departament de Traducció i Ciències del llenguatge
dc.subject.none.fl_str_mv autómata de arboles
calificadores
reconocimiento de emociones vía voz
emoción
tree automata
classification
pattern recognition
constructed features
speech emotion recognition
emotion
81
topic autómata de arboles
calificadores
reconocimiento de emociones vía voz
emoción
tree automata
classification
pattern recognition
constructed features
speech emotion recognition
emotion
81
description Hay tres aspectos innovadores. Primero, un algoritmo novedoso para calcular el contenido emocional de un enunciado, con un diseño mixto que emplea aprendizaje estadístico e información sintáctica. Segundo, una extensión para selección de rasgos que permite adaptar los pesos y así aumentar la flexibilidad del sistema. Tercero, una propuesta para incorporar rasgos de alto nivel al sistema. Dichos rasgos, combinados con los rasgos de bajo nivel, permiten mejorar el rendimiento del sistema.
publishDate 2009
dc.date.none.fl_str_mv 2009
2010
2010
2011
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://www.tdx.cat/TDX-0113110-133822
http://hdl.handle.net/10803/7575
url http://www.tdx.cat/TDX-0113110-133822
http://hdl.handle.net/10803/7575
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Pompeu Fabra
publisher.none.fl_str_mv Universitat Pompeu Fabra
dc.source.none.fl_str_mv TDX (Tesis Doctorals en Xarxa)
reponame:TDR. Tesis Doctorales en Red
instname:CBUC, CESCA
instname_str CBUC, CESCA
reponame_str TDR. Tesis Doctorales en Red
collection TDR. Tesis Doctorales en Red
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869425229805125632
score 15.301603

Registros relacionados