Full text
Preview |
PDF
- Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB) | Preview |
Vargas Sandoval, Vanessa (2019). Reconocimiento de emociones por medio de voz. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).
Title: | Reconocimiento de emociones por medio de voz |
---|---|
Author/s: |
|
Contributor/s: |
|
Item Type: | Thesis (Master thesis) |
Masters title: | Inteligencia Artificial |
Date: | July 2019 |
Subjects: | |
Freetext Keywords: | Clasificación de emociones por medio de voz; Mfcc; SVM; KNN; RF; MPL; Speech emotion classification |
Faculty: | E.T.S. de Ingenieros Informáticos (UPM) |
Department: | Inteligencia Artificial |
Creative Commons Licenses: | Recognition - No derivative works - Non commercial |
Preview |
PDF
- Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB) | Preview |
En el presente trabajo se realiza un análisis de la precisión en la clasificación de las emociones utilizando archivos de audio. Para ello se utiliza el extractor de características Mfcc (Mel-frequency cepstral coefficients), analizando los resultados con 13, 20, 27 Mfccs también conocidos como vectores acústicos. Los audios de entrada de los modelos propuestos son archivos de la base de datos RAVDESS, la cual tiene lecturas de audio de 8 diferentes tipos de emociones: neutral, calma, felicidad, tristeza, enojo, miedo, disgusto, sorpresa. Se testean modelos utilizando 8, 6 y 4 emociones, seleccionadas bajo diferentes criterios. Los clasificadores utilizados son SVM, KNN, RF y MPL. Obteniendo resultados de hasta 82% de precisión.---ABSTRACT---In this work an analysis of the accuracy in the classification of emotions is carried out using audio files. For this, the Mfcc (Mel-frequency cepstral coefficients) feature extractor is used, analyzing the results with 13, 20, 27 Mfccs, also known as acoustic vectors. The input audios of the proposed models are files of the RAVDESS database, which has audios of 8 different types of emotions: neutral, calm, happiness, sadness, anger, fear, disgust, surprise. Models are tested using 8, 6 and 4 emotions, selected under different criteria. The classifiers used are SVM, KNN, RF and MPL. Obtaining results of up to 82% accuracy.
Item ID: | 56027 |
---|---|
DC Identifier: | https://oa.upm.es/56027/ |
OAI Identifier: | oai:oa.upm.es:56027 |
Deposited by: | Biblioteca Facultad de Informatica |
Deposited on: | 30 Jul 2019 06:45 |
Last Modified: | 30 Jul 2019 06:45 |