Αναγνώριση άγχους σε σήματα φωνής

Πανταζόπουλος, Γεώργιος Μιχαήλ; Pantazopoulos, Georgios Michail

dc.contributor.author	Πανταζόπουλος, Γεώργιος Μιχαήλ	el
dc.contributor.author	Pantazopoulos, Georgios Michail	en
dc.date.accessioned	2018-07-20T08:41:13Z
dc.date.available	2018-07-20T08:41:13Z
dc.date.issued	2018-07-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47363
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15473
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αναγνώριση συναισθήματος	el
dc.subject	Αναγνώριση άγχους	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Ομιλία	el
dc.subject	Emotion recognition	en
dc.subject	Stress detection	el
dc.subject	Recurrent neural networks	el
dc.subject	Speech	el
dc.title	Αναγνώριση άγχους σε σήματα φωνής	el
heal.type	bachelorThesis
heal.generalDescription	Αναγνώριση άγχους μέσω σημάτων ανθρώπινης φωνής	el
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	25-06
heal.abstract	Το συναίσθημα θεωρείται αναπόσπαστο κομμάτι της ανθρώπινης επικοινωνίας καθώς καθορίζει σε μεγάλο βαθμό την αντίληψη της μεταδιδόμενης πληροφορίας από τον πομπό στον δέκτη. Μέχρι σήμερα έχει σημειωθεί σημαντική πρόοδος στον τομέα της αλληλεπίδρασης μεταξύ ανθρώπου - μηχανής, προσομοιώνοντας την διεπαφή μεταξύ των ανθρώπων. Έτσι δεδομένου της σημαντικότητας του συναισθήματος στην ανθρώπινη επικοινωνία, κρίνεται αναγκαία η έρευνα για την υπολογιστική Αναγνώριση Συναισθήματος. Στην εργασία αυτή εξετάζεται η Αναγνώριση Άγχους μέσω Σημάτων Φωνής με σκοπό την δημιουργία αναπαραστάσεων ικανών να περιγράψουν ένα σήμα φωνής και στη συνέχεια η μοντελοποίηση συστημάτων για την ορθή ταξινόμησή τους. Στον ευρύτερο κλάδο της Αναγνώρισης Συναισθήματος εξάγονται ακουστικά χαρακτηριστικά από το σήμα φωνής με στόχο την κατηγοριοποίησή του σε μία δυνατή κλάση. Με την πάροδο του χρόνου έχει αναπτυχθεί πληθώρα υπολογιστικών μοντέλων για την κατηγοριοποίηση των σημάτων. Σε παλαιότερες μελέτες θεωρείται πως το συναίσθημα εκφράζεται μονοσήμαντα σε ολόκληρο το μήκος του σήματος. Ωστόσο συχνά στην ανθρώπινη επικοινωνία το συναίσθημα εντοπίζεται σε μεμονωμένα τμήματα του σήματος φωνής. Κατά συνέπεια ενδέχεται η Αναγνώριση Συναισθήματος να επωφελείται από την ανάλυση των σημάτων μέσω μικρότερων τμημάτων. Επιπλέον το σύνολο των εξαγόμενων χαρακτηριστικών συμπυκνώνει την εμπειρική γνώση του ανθρώπου για την μοντελοποίηση των χρήσιμων ιδιοτήτων του σήματος προς κατηγοριοποίηση. Δεδομένου της απουσίας του μαθηματικού φορμαλισμού των γνώσεων του ανθρώπου για το συναίσθημα, υπάρχει έμφυτη αμφιβολία στην επίδοση μιας υπολογιστικής μηχανής. Στο πρώτο σκέλος της εργασίας εξετάζεται η κατηγοριοποίηση των σημάτων μέσω κατακερματισμού σε μικρότερα τμήματα. Αρχικά ακολουθείται η παλαιότερη προσέγγιση εξάγοντας ακουστικά χαρακτηριστικά σε ολόκληρο το σήμα φωνής και έπειτα κατασκευάζεται ένα αρχικό μοντέλο ταξινόμησης. Εμπνεόμενοι από πιο πρόσφατες μελέτες, ο κατακερματισμός των σημάτων γίνεται σε τμήματα διαφορετικής διάρκειας με σκοπό την ανάλυση της επίδρασης της διάρκειας των τμημάτων στις επιδόσεις των υπολογιστικών μοντέλων. Παράλληλα εξετάζονται δίαφορα μοντέλα μίας ή πολλαπλών διεργασιών. Τα αποτελέσματα της εργασίας δείχνουν την υπεροχή της μεθόδου κατακερματισμού των σημάτων σε σχέση με τις κλασικές μεθόδους ταξινόμησης, όπως επίσης και συγκεκριμένων πολυδιεργασικών μοντέλων ως προς τα κλασικά μονοδιεργασικά. Στη συνέχεια γίνεται η προσπάθεια εξαγωγής αναπαραστάσεων των σημάτων. Ξεκινώντας από ένα σύνολο ακουστικών χαρακτηριστικών προερχόμενα από τον ευρύτερο κλάδο Αναγώρισης Συναισθήματος συγκρίνονται δίκτυα εξαγωγής αναπαραστάσεων με κλάσικους αλγόριθμους επιλογής χαρακτηριστικών. Οι εξαγόμενες αναπαραστάσεις δείχνουν να υπερτερούν των ακουστικών χαρακτηριστικών. Μάλιστα, τα δίκτυα εξαγωγής αναπαραστάσεων σημειώνουν καλύτερες επιδόσεις από τους αλγόριθμους επιλογής χαρακτηριστικών. Τέλος δίνεται περισσότερη εκφραστικότητα στα δίκτυα, εξετάζοντας την ικανότητά εξαγωγής χρήσιμων αναπαραστάσεων όχι από τον χώρο των ακουστικών χαρακτηριστικών αλλά από μια πίο αυτούσια μορφή του σήματος φωνής. Η παρούσα έρευνα δείχνει πως αυτή η μέθοδος δεν υστερεί σε τίποτα από τις υπόλοιπες μεθόδους εξαγωγής αναπαραστάσεων από τον χώρο των ακουστικών χαρακτηριστικών, ενώ μάλιστα σε συγκεκριμένες περιπτώσεις παρουσιάζει βελτίωση.	el
heal.abstract	Emotion is considered as a major factor in human communications, since it defines, to a great degree, the concept of propagated information from a transmitter to a receiver. Until now there has been considerable progress in the field of human - computer interactions. Thus, given the importance of emotion in human communications, it is essential to investigate computational Emotion Recognition. This work focuses on Stress Detection via Speech Signals, aiming to construct decent speech representations and develop an automated system for emotion classification. In the broader field of Speech Emotion Recognition, a speech signal is described by extracting acoustic features, which are used for classification. Over the past years, different models have been suggested to perform speech signal emotion classification. In previous work, a speech signal is thought to contain emotional information throughout its duration. However, in human communications, emotion is contained to a few number of parts of the speech signal. Consequently, it may be beneficial for Speech Emotion Recognition to divide the signal into parts. Moreover, the acoustic features extracted from the signal reflect the empirical knowledge of humans modeling useful properties of the signal for classification. Since there is no mathematical formulation of human's knowledge in terms of emotion, there is an imminent doubt in the performance of a computational machine. The first part of this work, examines the classification of speech signals by dividing them to smaller parts. Primarily a baseline model is implemented by extracting acoustic features from the whole signal. Inspired by more recent studies, signals are divided to a variable length illustrating the impact of the duration of each part in the performances of single or multi - tasking models. The results of this work support predominance of speech fragmentation, over traditional classification methods, and multi tasking over single tasking models. The next step is to construct signal representations. Starting from a set of acoustic features originated from Emotion Recognition, the traditional feature selection algorithms are compared to representation learning networks. These representations are used for classification outperforming the original acoustic feature set. In particular, the representation learning networks achieved a higher score than the feature selection algorithms. Finally, the networks are allowed more expressiveness, by examining their ability in the extraction of useful representations, not from the space of acoustic features, but from the raw speech signal. This work illustrates that the raw speech signal approach is equal to the traditional extracting representation approaches while, in some cases, it shows improvement.	en
heal.advisorName	Ποταμιάνος, Αλέξανδρος	el
heal.committeeMemberName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.
heal.fullTextAvailability	true