为了提高情感识别的分类准确率，提出一种将栈式自编码神经网络（SAE）和长短周期记忆单元循环神经网络（LSTM RNN）融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩，随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证，得到情感分类准确率达到0.792 6。实验结果表明，SAE对多模态生理特征进行了有效融合，LSTM RNN能够有效地对长时间周期中的关键特征进行识别。
2021-11-03 15:23:21
825KB
1
helloword，pyrcharm，语音情感识别helloword，pyrcharm，语音情感识别helloword，pyrcharm，语音情感识别helloword，pyrcharm，语音情感识别helloword，pyrcharm，语音情感识别
2021-11-02 15:29:14
1.25MB
1
Vokaturi-Android库Vokaturi情绪识别API的Android端口。
概述Vokaturi是一种情绪识别软件，可以理解说话者语音中的情绪。
当前Vokaturi是Vokaturi-Android库Vokaturi情绪识别API的Android端口。
概述Vokaturi是一种情绪识别软件，可以理解说话者语音中的情绪。
目前，Vokaturi可用于iOS，Windows，MacOS。
这个项目加起来也支持Android平台。
Vokaturi维护其软件库的三个独立版本，用于识别情绪。
本项目中提供的android库是使用JNI框架实现并构建的
2021-10-18 12:45:42
2.05MB
1
多模式语音情感识别和歧义解决
总览
从语音中识别情感是一项与情感本身含糊不清的定义有关的艰巨任务。 在这项工作中，我们建立了轻量级的多模式机器学习模型，并将其与较重且难以解释的深度学习对应模型进行了比较。 对于这两种类型的模型，我们都使用来自给定音频信号的手工制作的功能。 我们的实验表明，轻量级模型可以与深度学习基准媲美，甚至在某些情况下甚至可以胜过深度学习基准，从而在IEMOCAP数据集上实现了最先进的性能。
获得的手工特征向量用于训练两种类型的模型：
基于ML：逻辑回归，SVM，随机森林，极限梯度增强和多项朴素贝叶斯。
基于DL：多层感知器，LSTM分类器
该项目是滑铁卢大学CS 698-计算音频课程的一个课程项目。 有关详细说明，请查看。
数据集
数据集用于这项工作中的所有实验。 请参阅该，以获取对应用于数据集的预处理步骤的详细说明。
要求
所有实验均使用以下库进行了测试：
xgboost == 0.82
火炬== 1.0.1.post2
scikit学习== 0.20.3
numpy == 1.16.2
jupyter == 1.0.0
熊猫== 0.24.1
2021-10-14 18:55:34
1.24MB
1