view in publisher's site

Meta-heuristic approach in neural network for stress detection in Marathi speech

Stress is defined as a form of psychalgia. Owing to the current day lifestyle of Homo-sapiens, the most recurring pain is psychogenic; and the most damaging form of psychalgia. Stress in its most severe form, has led to the death of many individuals of this species. In accordance to a study conducted by WHO in 2015, around 800,000 individuals commit suicide each year (one individual per 40 s). The only solution to this conundrum is to bring in efficient mechanized stress detection technique which utilize proven measures and are unbiased, is called “speech emotion recognition” (SER). Stress, by itself, is not an emotion, but gives rise to specific emotions. This paper proposes SER using neural network classifier with weight optimization using fusion of optimization algorithms viz. BAT, genetic algorithm, particle swarm organization and simulated annealing. Classifier is trained using multi-model feature set. Gammatone Wavelet Cepstral coefficient, Mel Frequency Cepstral coefficient, pitch, vocal tract frequency and energy are the features used to identify different emotions. Detect the stress level being main objective SUSAS benchmark database and Marathi language database is used for performance analysis. Performance parameters like cost function for evaluating meta-heuristic optimization algorithm and accuracy of emotion detection is calculated. The overall accuracy of 84.2% of stress related emotions is achieved.

روش فرا ابتکاری در شبکه عصبی برای تشخیص تنش در گفتار Marathi

استرس به شکل of تعریف می‌شود. به خاطر سبک زندگی امروزی انسان‌های امروزی، the درد، psychogenic و the شکل psychalgia است. استرس به شدیدترین شکل خود منجر به مرگ بسیاری از افراد این گونه شده‌است. براساس مطالعه‌ای که توسط سازمان بهداشت جهانی در سال ۲۰۱۵ انجام شد، حدود ۸۰۰۰۰۰ نفر هر سال خودکشی می‌کنند (یک فرد در ۴۰ ثانیه). تنها راه‌حل این مشکل، آوردن روشی کارآمد برای تشخیص تنش مکانیزه است که از معیارهای اثبات‌شده استفاده می‌کند و بدون تعصب، "تشخیص احساسات گفتار" نامیده می‌شود. استرس به خودی خود یک احساس نیست، بلکه احساسات خاص را افزایش می‌دهد. این مقاله، SER را با استفاده از طبقه‌بندی کننده‌های شبکه عصبی با بهینه‌سازی وزن با استفاده از ترکیب الگوریتم های بهینه‌سازی، پیشنهاد می‌کند. BAT، الگوریتم ژنتیک، سازمان گروه ذرات و تابکاری شبیه‌سازی شده. Classifier با استفاده از مجموعه ویژگی‌های چند مدل آموزش‌دیده است. ضرایب Cepstral Wavelet coefficient، ضریب Cepstral بسامد Mel، گام، فرکانس دستگاه صوتی و انرژی ویژگی‌هایی هستند که برای شناسایی احساسات مختلف مورد استفاده قرار می‌گیرند. برای تحلیل عملکرد از پایگاه‌داده main و پایگاه‌داده زبان Marathi استفاده شده‌است. پارامترهای عملکرد مانند تابع هزینه برای ارزیابی الگوریتم بهینه‌سازی فراابتکاری و دقت تشخیص احساسات محاسبه می‌شوند. دقت کلی ۸۴.۲ درصد از احساسات مربوط به استرس به دست می‌آید.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Language and Linguistics
  • ترجمه مقاله Language and Linguistics
  • مقاله زبان و زبان‌شناسی
  • ترجمه مقاله زبان و زبان‌شناسی
  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Human-Computer Interaction
  • ترجمه مقاله Human-Computer Interaction
  • مقاله تعامل انسان - کامپیوتر
  • ترجمه مقاله تعامل انسان - کامپیوتر
  • مقاله Linguistics and Language
  • ترجمه مقاله Linguistics and Language
  • مقاله زبان‌شناسی و زبان
  • ترجمه مقاله زبان‌شناسی و زبان
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.