بهبود کارایی یک سیستم تشخیص احساس از گفتار به کمک شبکه مولد متخاصمی جهت کاربرد در روانشناسی بالینی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: فناوری تشخیص احساس از گفتار، می تواند به محققان کمک کند تا دریابند چه عواملی باعث می شود برخی از روان درمانگران درمان مؤثرتری نسبت به دیگران ارائه دهند، اطلاعاتی که می تواند برای بهبود تشخیص روش درمان استفاده شود. اگر بدانیم چه کسی می خواهد اقدام به خودکشی کند یا حداقل ریسک بالایی برای این کار دارد می توانیم پیشگیری کنیم و این دقیقاً همان چیزی است که علم روانشناسی سال هاست به آن نیاز دارد تا هزینه های درمان را کاهش دهد. ازاین رو، نیاز به تشخیص احساس از گفتار و پایگاه داده احساسی به شدت احساس می شود؛ ولی جمع آوری پایگاه داده با نمونه های زیاد نیازمند صرف چندین دهه است. افزایش داده و انتخاب ویژگی، از مفاهیم کلیدی در یادگیری ماشین هستند. روش: هنگامی که داده های آموزشی در پایگاه داده متنوع نیستند و تعداد و تنوع آن ها در هر کلاس آموزشی محدود است، آموزش یک شبکه عصبی عمیق بدون آنکه پدیده اور فیتینگ اتفاق بیفتد، بیش از حد چالش برانگیز است. برای غلبه بر این چالش، این مقاله یک شبکه افزایش داده جدید، یعنی شبکه افزایش داده متخاصمانه و مبتنی بر شبکه های مولد متخاصمی را پیشنهاد می کند. این شبکه افزایش داده پیشنهادی، از یک شبکه مولد متخاصمی، یک رمزگذار خودکار و یک طبقه بند تشکیل شده است. این شبکه ها به طور خصمانه آموزش داده می شوند تا بردارهای ویژگی وابسته به هر کلاس را در فضای ویژگی ها ترکیب کنند، و سپس آن ها را به داده های موجود در پایگاه داده بیفزایند. برای داده های هر کلاس به صورت جداگانه یک شبکه مولد متخاصمی پیشنهاد شده است که از یک سو شباهت بین نمونه های واقعی و تولید شده را تضمین کند و از طرف دیگر باعث ایجاد تمایز عاطفی در بین نمونه های تولید شده بین کلاس های مختلف شود. برای رفع مشکل کوچک شدن بیش از حد گرادیان در فرایند آموزش شبکه افزایش داده متخاصمی که منجر به عدم آموزش کافی شبکه های مولد و تشخیص دهنده و متوقف شدن فرایند آموزش پیش از یادگیری کامل توزیع داده ها در فضای ویژگی ها می شود، به جای استفاده از خطای متداول آنتروپی متقابل برای آموزش شبکه مولد متخاصمی، واگرایی و اسراستین برای تولید نمونه های مصنوعی باکیفیت بالا استفاده شده است. یافته ها: عملکرد این مدل با استفاده از پایگاه داده احساسی برلین به عنوان مجموعه داده های آموزش، تست و ارزیابی شبکه مورد آزمایش قرار گرفته و مشخص شد که با ترکیب نمودن بردارهای ویژگی مصنوعی و بردارهای ویژگی واقعی، می توان مشکل کوچک شدن بیش از حد گرادیان و متعاقباً متوقف شدن ادامه روند آموزش شبکه را تا حد زیادی کاهش داد. نتایج به دست آمده نشان می دهد که داده های تولید شده توسط شبکه پیشنهادی می توانند در یک شبکه تشخیص احساس از سیگنال گفتار استفاده شوند و به این شبکه کمک کنند تا کلاسه بندی احساسی بهتری را انجام دهد.متن
Improving the Efficiency of Speech Emotion Recognition System by Generative Adversarial Network in Clinical Psychology
Introduction: In the realm of psychotherapy, the utilization of speech emotion recognition technology holds promise in unraveling the factors that contribute to the varying effectiveness of psychotherapists. This valuable insight can significantly enhance the diagnosis and treatment methods employed. By identifying individuals at a heightened risk of suicide or displaying suicidal tendencies, we can take preventive measures, addressing a long-standing need within the field of psychology and ultimately reducing treatment expenses. Consequently, there is a pressing demand for the recognition of emotions through speech and the development of an extensive emotional database. However, amassing a substantial database with an ample number of samples would traditionally require several decades. To address this challenge, machine learning techniques such as data augmentation and feature selection play a pivotal role. Methods: This paper introduces an innovative solution to address the challenge of training deep neural networks when the training data lacks diversity and is limited in each class. The proposed approach is an adversarial data augmentation network based on adversarial generative networks. This network consists of an adversarial generator network, an autoencoder, and a classifier. Through adversarial training, these networks combine feature vectors from each class in the feature space and integrate them into the database. Additionally, separate adversarial generative networks are proposed for each class, ensuring similarity between real and generated samples while creating emotional differentiation among different classes. To overcome the problem of excessive gradient reduction, which hinders proper training and halts the learning process before fully understanding the data distribution, the paper suggests using divergence and capture instead of mutual entropy error to generate high-quality synthetic samples. Results: The model's performance was evaluated on the Berlin Emotional Database, serving as training, testing and evaluation datasets. Combining artificial and real feature vectors effectively addressed the issue of excessive gradient shrinkage, resulting in a significant reduction in the network training process. The results demonstrated that the generated data from the proposed network can enhance speech signal emotion recognition, leading to improved emotional classification capabilities.
تبلیغات
