Reconhecimento de emoções na fala a partir de gravações telefônicas: comparação entre algoritmos de extração de características acústicas e métodos de classificação

Abstract

Emoções humanas são uma condição complexa e momentânea que surge em experiências de caráter afetivo e provocam alterações em várias áreas do funcionamento psicológico e fisiológico, preparando o indivíduo para a ação. O reconhecimento de emoções na fala depende da eficiência e eficácia dos métodos utilizados. Essa dissertação propõe comparar os métodos de extração de característica acústicas Mel-Frequency Cepstral Coefficients (MFCC) e Perceptual Linear Predictive (PLP), para identificação dos atributos relevantes da fala e, dos métodos de classificação Gaussian Mixture Model (GMM) e Support Vector Machine (SVM), para o agrupamento de enunciados em categorias de emoção. Para execução, uma base de dados de gravações telefônicas de call center será rotulada em categorias de emoções (alegria, calma, raiva, surpresa e tristeza) e os algoritmos serão aplicados, em busca de informações que representem estados emocionais dos áudios.

Human emotions are a complex and instantaneous condition that arises in experiences of an affective character and can be the cause of several psychological and physiological changes in functioning, and leaves the individual ready for action. The recognition of emotions in speech depends on the efficiency and effectiveness of the methods used. This dissertation proposes to compare the methods of extraction of acoustic characteristics Mel-Frequency Cepstral Coefficients (MFCC) and Perceptual Linear Predictive (PLP), to identify the relevant speech attributes and the methods of classification Gaussian Mixture Model (GMM) and Support Vector Machine (SVM), for grouping statements into categories of emotion. For this realization, a database of call center telephone recordings will be labeled in categories of emotions (joy, calm, anger, surprise and sadness) and the algorithms will be applied looking for information who can represent the human emotions states in audios.