Підвищення точності розпізнавання аудіо-емоцій людини на базі ансамблевої класифікації з адаптивною нечіткою агрегацією на основі функції Гомперца

Анотація

У роботі розглянуто задачу розпізнавання аудіо-емоцій людини та досліджено підхід до підвищення ефективності ансамблевої класифікації на основі адаптивної нечіткої агрегації. Запропоновано метод агрегації прогнозів класифікаторів машинного та глибокого навчання із використанням функції Гомперца, у якому кількість найбільш інформативних класів визначається адаптивно для кожного об’єкту  на основі нормалізованої ентропії розподілу ймовірностей. На відміну від стандартного підходу з фіксованою кількістю найбільш інформативних класів, запропонований метод враховує рівень невизначеності конкретного прогнозу, що дає змогу динамічно змінювати кількість класів, які беруть участь у подальшій агрегації. Експериментальне дослідження проведено на наборі даних Ryerson Audio-Visual Database of Emotional Speech and Song. Для побудови гетерогенного ансамблю використано вісім базових класифікаторів, які працюють із різними представленнями аудіо-даних. Для табличних спектральних ознак додатково застосовано процедуру Backward Feature Elimination, що дозволило сформувати індивідуальні простори ознак для базових класифікаторів. У межах експерименту для кожного способу агрегації сформовано та оцінено двісті дев’ятнадцять ансамблевих класифікаторів. Стандартна нечітка агрегація на основі функції Гомперца з фіксованою кількістю найбільш інформативних класів забезпечила Accuracy вісімдесят одна ціла тридцять дев’ять сотих та F1-score вісімдесят одна ціла двадцять сотих відсотків, тоді як запропонований адаптивний метод досяг Accuracy вісімдесят п’ять цілих п’ятдесят шість сотих відсотків та F1-score вісімдесят п’ять цілих п’ятдесят п’ять сотихвідсотків. Таким чином, адаптивний метод забезпечує підвищення Accuracy на чотири цілих сімнадцять сотих відсотків та F1-score на чотири цілих тридцять п’ять сотих відсотків порівняно зі стандартною нечіткою агрегацією.