Классификация эмоциональных состояний
Дата добавления: 2014-10-24 | Просмотров: 1611
Существует множество классификаций эмоций. В основе одной из них лежат длительность и выраженность эмоций. В зависимости от этого различают:
— аффект — предельно выраженная, но кратковременная эмоция, сопровождающаяся резкими поведенческими и физиологическими проявлениями. Самоконтроль резко снижен;
— страсть — сильное, абсолютно доминирующее чувство;
— собственно эмоции — относительно более длительное и слабее проявляющееся во внешнем поведении переживание. Выражает оценочное отношение личности к воспринятой информации;
— чувства — длительные, устойчивые компоненты психической структуры человека, носят ярко выраженный предметный характер, возникают в результате обобщения эмоций;
— настроения — относительно слабо выраженные переживания, не
таточно долго, определяют общий эмоциональный тон.
Классификации эмоций по качеству более противоречивы. Наи
более полная, на наш взгляд, представлена В.Ф. Матвеевым.
Мы дадим характеристику следующих основных эмоций:
— радость — положительное эмоциональное состояние, связанное
с удовлетворением актуальной потребности;
Этический кодекс медицинской сестры России, ст. 6.
174 -Ф- Раздел I. Обшая психология
| Основные эмоции | ||
| Положительные эмо- | 24. Чувство удовлет- | 17. Неудовлетворен- |
| ции: | воренной мести | ность собой |
| 1. Благодарность | Нейтральные эмоции: | 18. Неудовольствие |
| 2. Блаженство | 1. Безразличие | 19. Обида |
3. Восторг
| 2. Изумление | 20. Огорчение |
| 4. Восхищение | 3. Любопытство | 21. Омерзение |
| 5. Гордость | 4. Спокойно-созерца- | 22. Отвращение |
| 6. Доверие | тельное настроение | 23. Отчаяние |
| 7. Злорадство | 5. Удивление | 24. Печаль (грусть) |
| 8. Ликование | Отрицательные эмо- | 25. Презрение |
| 9. Любовь (половая) | ции: | 26. Разочарование |
| Ю.Любовь (привязан- | 1. Боязнь | 27. Раскаяние |
| ность) | 2. Возмущение (него- | 28. Растерянность |
| 11. Нежность | дование) | 29. Ревность
|
| 12. Предвкушение | 3. Гнев | 30. Скука |
| 13. Радость | 4. Горе (скорбь) | 31. Сожаление |
| 14. Самодовольство | 5. Горечь | 32. Сочувствие (со- |
| 15. Симпатия | б. Досада | страдание) |
| 16. Спокойная совесть | 7. Жалость | 33. Страх |
| 17. Уважение | 8. Зависть | 34. Стыд |
| 18. Уверенность | 9. Злоба | 35. Тоска |
| 19. Удовольствие | 10. Злость | 36. Тревога |
| 20. Умиление | 11. Испуг | 37. Угрызение совести |
| 21. Чувство безопасно- | 12. Недоверие | 38. Ужас
|
| 13. Ненависть | 39. Уныние | |
| 22. Чувство облегчения | 14. Неприязнь | 40. Чувство оскорб- |
| 23. Чувство удовлетво- | 15. Нетерпение | ленности |
| рения собой | 16. Неуверенность (сомнение) | 41. Ярость |
| Матвеев В.Ф. Основы медицинской психологии, | этики и деонтологии. — | |
| М.: Медицина, 1984. - | С. 55. |
— удивление — эмоциональная реакция на неожиданные обстоятельства;
— гнев — отрицательное переживание, часто в форме аффекта, представляющее собой реакцию на неожиданно возникшие препятствия на пути к достижению желаемой цели;
Глава 9.
Эмоциональные процессы и состояния -О* 175
— страх — отрицательное переживание, связанное с прогнозом вероятного неблагополучия;
— стыд — состояние, вызванное осознанием своего несоответствия мнению окружающих и/или собственным принципам.
Исследование особенностей эмоциональных состояний школьников и студентов
Библиографическое описание: Фирсова, Т.
А. Исследование особенностей эмоциональных состояний школьников и студентов / Т. А. Фирсова, Е. А. Захарова. — Текст : непосредственный // Молодой ученый. — 2014. — № 6 (65). — С. 829-831. — URL: https://moluch.ru/archive/65/10459/ (дата обращения: 25.07.2023).
Вданной статье рассматриваются особенности эмоциональных состояний школьников и студентов, дается классификация эмоциональных состояний и роли эмоций в жизни человека. В статье опубликованы результаты исследования, проведенные среди старшеклассников и студентов на предмет выявления различных эмоциональных состояний.
Ключевые слова: эмоциональные состояния; чувства; эмоциональная возбудимость; импульсивность; немотивированная тревожность; уровень тревожности; учебная деятельность
Проблема изучения эмоциональных состояний представляется достаточно актуальной в связи с тем, что все люди без исключения в любых ситуациях испытывают определенные эмоции и чувства, которые в свою очередь оказывают влияние на эффективность деятельности и поведения.
К классу эмоциональных состояний относятся настроения, аффекты, страсти, стрессы, фрустрация, тревожность. Они включены в сферу психических процессов и состояний человека [Леонтьев В. О., 2002: 5]. Учение об эмоциях, или чувствах, представляет собой самую неразработанную главу в психологии [Выготский Л. С., 2000: 154]. Проблемой эмоциональных состояний личности занимались такие ученые как П. К. Анохин, П. В. Симонов, А. Н. Леонтьев.
Эмоции и чувства выражают смысл ситуации для человека с точки зрения актуальной в данный момент потребности, а также выражают состояние нашей души. Человеческие эмоции — огромная сила, которой подвластны не только наши мысли, но и наши действия [Улыбина Ю. Н., 2008: 1]. Эмоции могут вызываться как реальными, так и воображаемыми ситуациями. Они, как и чувства, воспринимаются человеком в качестве его собственных внутренних переживаний, передаются другим людям, сопереживаются. Жизнь без эмоций так же невозможна, как и без ощущений. Эмоции, утверждал знаменитый естествоиспытатель Ч.
В рамках изучения особенностей эмоциональных состояний наиболее интересными для нас оказались возрастные категории старшеклассников и студентов, которые, с одной стороны, объединяются единой ведущей учебно-профессиональной деятельностью, с другой стороны, различаются уровнем социальной и эмоциональной зрелости.
Целью исследования явилось изучение эмоциональных состояний старшеклассников и студентов.
Выборку исследования составили 30 старшеклассников (учащихся 10-х классов) и 25 студентов II курса ПГСГА.
Гипотеза исследования заключается в предположении о существовании различий в эмоциональных проявлениях школьников и студентов.
С целью проверки гипотезы и определения степени выраженности отдельных эмоциональных проявлений у школьников и студентов мы провели эмпирическое исследование, включающее в себя три этапа.
На первом этапе исследования с целью определения степени импульсивности испытуемых мы провели Методику выявления склонности демонстрировать неуправляемую эмоциональную возбудимость (В. В. Бойко).
Результаты исследования отражены на Рис. 1.
Старшеклассники Студенты
Рис. 1. Проявления склонности школьников и студентов демонстрировать неуправляемую эмоциональную возбудимость
Результаты исследования показали, что большинство старшеклассников в определенной степени проявляют признаки импульсивности (70 %), лишь 30 % из них не импульсивны. Это связано, на наш взгляд, в первую очередь, с физиологическими и психологическими изменениями, происходящими в подростковом возрасте. Студенты в меньшей степени подвержены импульсивности: не склонны к импульсивности 53 % испытуемых, у 47 % респондентов имеются отдельные признаки импульсивности. Полученные данные объясняются изменением социального статуса студентов, их социальной ситуации, что в большей степени «заставляет» их контролировать эмоции.
На втором этапе исследования с целью выявления уровня тревожности испытуемых мы использовали Методику выявления склонности к немотивированной тревожности (В. В. Бойко).
Результаты исследования отражены на Рис. 2.
СтаршеклассникиСтуденты
Рис. 2. Проявления склонности школьников и студентов к немотивированной тревожности
Результаты исследования выявили, что 3 % школьников проявляют ярко выраженную тревожность, а у 60 % старшеклассников присутствует некоторая склонность к тревожности, что может объясняться предстоящими экзаменами, выбором ВУЗа и будущей профессии. Студенты в меньшей степени проявляют признаки тревожности (47 %), что связано с более определенной, стабильной ситуацией, складывающейся на данном возрастном этапе. Это подтверждается еще и тем, что у студентов не наблюдаются показатели высокого уровня тревожности, а отсутствие тревожности вообще отмечается у 60 % студентов по сравнению с 37 % школьников.
На третьем этапе исследования с целью выявления основных причин выявленных эмоциональных состояний школьников и студентов мы применили метод опроса (анкетирование). Было определено, что для большинства школьников наиболее значимыми причиной проявления эмоциональных состояний (80 %) являются проблемы в отношениях со сверстниками, в частности, с противоположным полом. Для студентов же наиболее тревожными оказались проблемы, связанные с учебной деятельностью, что отметили 90 % респондентов.
Выводы исследования:
Подводя итоги и обобщая результаты проведенной работы, следует отметить, что гипотеза исследования подтверждена, и нами выявлены определенные различия между эмоциональными состояниями школьников и студентов. Вышеизложенное исследование показало, что
— старшеклассники более импульсивны и эмоционально неустойчивы по сравнению со студентами, что связано с их возрастными, психофизиологическими особенностями и профессиональной неопределенностью;
— студенты в отличие от старшеклассников в меньшей степени проявляют склонность к тревожному состоянию, что объясняется более стабильной социальной ситуацией и изменившимся социальным статусом;
— эмоциональные проявления старшеклассников связаны в первую очередь с взаимоотношениями со сверстниками, для студентов же наиболее проблемными являются ситуации, связанные с учебной деятельностью.
Литература:
1. Выготский, Л. С. Психология / Л. С. Выготский. — М.: Изд-во ЭКСМО — Пресс, 2000. — 108 с.
2. Леонтьев, В. О. Классификация эмоций / В. О. Леонтьев. — Одесса: Изд-во Инновационного ипотечного центра, 2002. — 150 с.
3. Улыбина, Ю. Н. Как контролировать свои эмоции / Ю. Н. Улыбина. — М.: Изд-во «Весь год», 2008. — 232 с.
Основные термины (генерируются автоматически): студент, немотивированная тревожность, учебная деятельность, эмоциональное состояние школьников, эмоция, Методика выявления склонности, неуправляемая эмоциональная возбудимость, проявление склонности школьников, старшеклассник, чувство.
Классификация эмоций на основе электроэнцефалограммы | Энциклопедия MDPI
Быстрые достижения в области медицины привлекли большое внимание к автоматической классификации эмоций по данным ЭЭГ. Эмоциональные состояния людей являются решающими факторами в том, как они ведут себя и взаимодействуют физиологически.
Диагностика психических расстройств пациентов является одним из возможных медицинских применений. Когда люди чувствуют себя хорошо, они работают и общаются более эффективно. Отрицательные эмоции могут нанести вред как физическому, так и психическому здоровью. Многие более ранние исследования, в которых изучалось использование электроэнцефалограммы (ЭЭГ) для классификации эмоций, были сосредоточены на сборе данных всего мозга из-за быстро развивающейся науки о машинном обучении.
1. Введение
Физиологическая и поведенческая реакция на внутренние и внешние раздражители, эмоция представляет собой сложное физиологическое поведение человека [1] . Целью распознавания человеческих эмоций является идентификация человеческих эмоций по различным модальностям, включая язык тела, физиологические признаки и аудиовизуальные проявления. В общении и контакте между людьми эмоции имеют решающее значение. Эмоция является результатом психических процессов, в которые вовлечены люди, и может быть выражена как отражение их психофизиологических состояний [2] .
За последние несколько лет были проведены многочисленные исследования инженерных стратегий автоматической идентификации эмоций. Для них можно выделить три широкие категории. Первая категория исследует речь, язык тела и выражение лица [3] [4] [5] [6] . Эти аудиовизуальные методы позволяют бесконтактно обнаруживать эмоции. Вторая группа в основном фокусируется на физиологических сигналах на периферии. Исследования показали, что различные эмоциональные состояния изменяют периферические физиологические сигналы. Третья группа методов фокусируется главным образом на сигналах мозга, полученных от центральной нервной системы с помощью устройства, которое записывает сигналы мозга, известного как электроэнцефалография (ЭЭГ) или электрокортикография (ЭКоГ). Показано, что сигналы ЭЭГ обладают информативными характеристиками в ответ на эмоциональные состояния [7] [8] среди этих сигналов мозга. Согласно Дэвидсону и соавт.
[9] , переживание двух эмоций коррелировало с электрической активностью лобного мозга; они были положительными и отрицательными. Согласно исследованиям, было много дискуссий о связи между асимметрией ЭЭГ и эмоциями.
Сигнал ЭКГ предоставляет полезную информацию для выявления эмоционального стресса у людей. В течение многих лет проводились исследования эмоционального стресса, в основном в психологической сфере. Эмоциональный стресс является основной причиной психических заболеваний, таких как депрессия, тревога и биполярные расстройства. Положительные эмоции (такие как счастье и удивление) и отрицательные эмоции — две основные категории эмоций (грусть, гнев, страх и отвращение). ЭЭГ обеспечивает хорошее временное разрешение при измерении электрической активности мозга. Исследователи классифицируют три состояния человеческих эмоций; они бывают положительными, отрицательными и нейтральными. Понимание того, что мозговая активность зависит от предмета и что эмоциональная активность мозга людей в различных областях мозга различается для данного субъекта, имеет решающее значение для понимания того, как распознавать эмоции по активности мозга.
В этом исследовании обсуждается лучший способ классификации человеческих эмоций по данным ЭЭГ.
Определение того, как мимолетные мыслительные переживания преобразуются в определенный паттерн мозговой активности, представляет собой значительную трудность в приложениях интерфейса мозг-машина. Количество информации, необходимой для точного представления многих состояний сигналов ЭЭГ, которые являются сложными, нелинейными и непредсказуемыми, является одной из критических проблем при классификации сигналов ЭЭГ. В этом исследовании предлагается новая модель ансамбля, разработанная с использованием случайного леса, машины повышения градиента света и модели ансамбля стекирования на основе повышения градиента (RLGB-SE) для классификации различных эмоциональных состояний. 2549исходные атрибуты создали меньший набор данных посредством выбора объектов. Методы выбора оценивали качества в зависимости от того, насколько хорошо они показали себя в классификации, и точка отсечки вручную настраивалась, когда оценка начинала снижаться, оставляя только самые сильные черты.
Классификатор ансамбля суммирования объединяет различные модели классификации для повышения точности модели. Для построения модели в качестве базовых моделей использовались три классификатора: случайный лес, машина повышения градиента света и классификатор повышения градиента. Выходные данные этих трех классификаторов служат мета-входными данными. Парадигма разделяет психические состояния на три категории: положительные, отрицательные и нейтральные. Предлагаемый RLGB-SE работает лучше, чем передовые методы для выявления интеллектуальных эмоций в сигналах ЭЭГ.
2. Классификация эмоций на основе электроэнцефалограммы
Распознавание эмоций человека по данным сигнала ЭЭГ в последние годы стало предметом обширных исследований. В более ранних исследованиях для идентификации эмоций использовались различные методы извлечения признаков, стратегии выбора каналов и методы классификации. Методы машинного обучения и статистические переменные, полученные из данных ЭЭГ, часто сочетаются с категоризацией психических состояний [10] [11] .
Для конечных контрольных точек эти ментальные состояния могут служить интерфейсом мозг-компьютер. Повязка на голову Muse завоевала уважение нейробиологов за ее эффективность, доступность и точность классификации.
Альхагри и др. [12] классифицировал набор данных DEAP на классы высокого/низкого возбуждения, высокой/низкой валентности и высокой/низкой симпатии со средней точностью 85,65%, 85,45% и 87,99% с использованием нейронной сети с долговременной кратковременной памятью и всех данных ЭЭГ. Используя многоканальное распознавание эмоций на основе ЭЭГ с глубоким лесом, Cheng et al. [13] классифицированных эмоций с использованием данных ЭЭГ из наборов данных DEAP и DREAMER. Они использовали глубокий лес, чтобы классифицировать данные всех каналов по высокой/низкой валентности, высокому/низкому возбуждению и высокому/низкому доминированию. Затем они сопоставили данные всех каналов с последовательностями 2D-кадров. Другое исследование [14] классифицировало эмоции, используя весь набор данных DEAP и стратегию трансферного обучения.
Модели идентификации эмоций на основе ЭЭГ для трех положительных, нейтральных и отрицательных эмоций были построены с использованием сетей глубоких убеждений (DBN). Он достиг наилучшего результата по сравнению с моделями машинного обучения SVM, LR и KNN с точностью 86,5% 9.0007 [15] . Другой метод распознавания эмоций на основе ЭЭГ фокусируется на том, как по-разному ведет себя ЭЭГ субъектов при просмотре фильмов, призванных вызвать положительные или отрицательные эмоции [16] . Модели SVM и KNN обеспечивают наилучшую точность классификации. Точность и эффективность классификаторов эмоций на основе ЭЭГ также повышаются за счет подхода к сглаживанию признаков, известного как линейная динамическая система (LDS), и алгоритма выбора признаков, известного как алгоритм минимальной избыточности и максимальной релевантности (MRMR). Чтобы сделать первый шаг к потенциальному основанному на ЭЭГ интерфейсу мозг-компьютер (BCI) для поддержки вмешательства при аутизме, Fan et al. [17] исследовали возможность определения уровня вовлеченности, эмоциональных состояний и умственных усилий во время вождения в виртуальной реальности с использованием ЭЭГ.
Использовались и сравнивались методы байесовской сети, наивного байесовского метода, метода опорных векторов (SVM), многослойного персептрона, K-ближайших соседей (KNN), случайного леса и методов классификации J48. Результаты классификации были обнадеживающими: точность более 80% при оценке вовлеченности и умственной нагрузки и более 75% при классификации эмоциональных состояний.
В дополнение к использованию асимметрии ЭЭГ для изучения эмоций исследователи также изучили взаимосвязь между ЭЭГ и эмоциями, используя связанные с событиями потенциалы, которые индексируют небольшой процент средней активности ЭЭГ [18] [19] [20] . Однако эти методы все же имеют два недостатка. Во-первых, в современных методах необходимо усреднение характеристик ЭЭГ. В результате им требуются более значительные периоды для выявления эмоционального состояния по сигналам ЭЭГ. Способность записывать только небольшое количество активности ЭЭГ — это другое. Из-за этих недостатков современные подходы к оценке эмоциональных состояний либо неуместны, либо недостаточны для использования в практических контекстах.
Поскольку ЭЭГ отражает различные типы когнитивной активности мозга и эмоциональные состояния, учитывая вариабельность ЭЭГ и расположения электродов, не всегда ясно, какие независимые переменные использовать для дифференциации настроения. Таким образом, в последние годы ученые пытались использовать более сложные методы, чтобы обнаружить связь между эмоциональными сдвигами и данными ЭЭГ. Шанель и др. [21] предложил систему обнаружения эмоций, которая классифицирует два эмоциональных состояния с помощью ЭЭГ. Их исследование имело 72% точность наивной байесовской классификации для компонента возбуждения эмоций и 70% точность классификации дискриминантного анализа Фишера. Ли и др. [22] классифицировали чувства счастья и печали по данным ЭЭГ. Они использовали линейный SVM и общие пространственные шаблоны (CSP) в экспериментальной установке. Их анализ показал, что два эмоциональных состояния имели благоприятный уровень распознавания 93,5%. Используя функции ЭЭГ, Zhang et al.
[23] классифицировал состояние субъекта на два эмоциональных состояния, положительное и отрицательное, со средней точностью 73,0%. В исследовании изучались и классифицировались эмоциональные состояния, вызванные естественной обстановкой, с использованием электроэнцефалографии (ЭЭГ) и функциональной магнитно-резонансной томографии (фМРТ). Метод фильтрации Лапласа использовался для предварительной обработки необработанных данных ЭЭГ, а методы KNN и линейного дискриминантного анализа (LDA) использовались для классификации эмоциональных состояний. Затем с помощью дискретного вейвлет-преобразования необработанные сигналы ЭЭГ были разделены на три различных частотных диапазона. Метод распознавания эмоций с использованием нескольких каналов ЭЭГ был продемонстрирован Murugappan et al. [24] , который достиг 83,26% точности для пяти эмоциональных состояний. Система для независимой от пользователя идентификации эмоций была представлена Петрантонакисом и соавт. [25] .
Классификатор SVM имел коэффициент распознавания 83,33% для шести различных категорий эмоций. Предложенный классификатор достиг точности 87 % при использовании набора данных ЭЭГ с головной повязкой Muse в сочетании с перекрестной проверкой и несколькими методами выбора признаков [26] . В более поздней работе, предложенной Jordan et al. [27] , три состояния классификации эмоций были изучены с использованием ансамблевого подхода, и предложенная модель получила точность 97,89%. Была представлена ансамблевая стратегия [28] для классификации болезни Паркинсона (БП), включая выбор признаков и классификатор, зависящий от выборки. Работа мозга меняется от человека к человеку и от одного эмоционального состояния к другому. Используя данные ЭЭГ, связанные с посттравматическим стрессовым расстройством, была создана гибридная модель глубокого обучения, сочетающая модели CNN-LSTM и ResNet-152 для классификации эмоций 9.0007 [29] . Производительность прогнозирования модели классификации была улучшена за счет ансамблевого обучения.
Стратегия полуконтролируемого обучения с множественным выбором (SemiMCL) использовалась в исследовании для улучшения распределения помеченных данных среди составляющих сетей и использования немаркированных данных для сбора информации, специфичной для предметной области [30] .
[PDF] Автоматическая классификация состояний пользователя, связанных с эмоциями, в спонтанной детской речи
- Идентификатор корпуса: 27397944
@inproceedings{Steidl2009AutomaticCO,
title={Автоматическая классификация состояний пользователя, связанных с эмоциями, в спонтанной детской речи},
автор={Стефан Штайдл},
год = {2009}
} - S. Steidl
- Опубликовано в 2009 г.
- Информатика
Распознавание состояния, связанного с эмоциями пользователя, является важным шагом на пути к более естественному общению человека с машиной. В этой работе основное внимание уделяется мономодальным системам с речью в качестве единственного входного канала.
Текущие исследования должны перейти от изображения эмоций к тем состояниям, которые действительно проявляются в сценариях, ориентированных на приложения. Эти состояния в основном представляют собой состояния, связанные со слабыми эмоциями, и смеси различных состояний. Представленный FAU Aibo Emotion Corpus является важным вкладом в это…
View Paper
www5.informatik.uni-erlangen.de
Классификация эмоций в детской речи с использованием слияния акустических и лингвистических признаков
- Tim Polzehl, Shiva Sundaram, Hamed Ketabdar, M. Wagner, Florian Metze
- 2009
Информатика 900 03
INTERSPEECH
Распознавание эмоций по речи: инструменты и задачи
- Абдулбасит К. Аль-Талабани, Х. Селлахева, С.
- 2015
ДжассимИнформатика
Коммерческие и научные исследования и визуализация
Распознавание эмоций по детской речи
- Ясмин Максимос, Дэвид Суендерманн-Оефт
- 2013
Информатика
Эта статья посвящена распознаванию эмоций в речи посредством классификации FAU Aibo Corpus для двухклассной задачи (отрицательное или простое), ранее представленное на Speaker Emotion…
Распознавание эмоций в режиме онлайн в трехмерном континууме времени активации и валентности с использованием акустических и лингвистических сигналов
- F.
- 2009
Eyben, M. Wöllmer, Alex Graves, Björn Schuller, E. Douglas-Cowie, R. CowieComputer Science
Journal on Multimodal User Interfaces
Автоматическое распознавание голосовых эмоций при разговоре между детьми и родителями в естественных условиях
- Э. Лоу, Саманэ Солеймани, Д. Уоткинс, Дж. Барвик
- 2021
Информатика
Поведение. Инф. Технол.
Идентификация эмоций по спонтанному общению
- Фекаде Гетахун Таддессе, Микияс Кебеде
- 2016
Информатика
12th International Conference on Signal-Image…
Обнаружение негативных эмоций в речевых сигналах с помощью набора звуковых слов
- Флориан Б. Покорны, Ф. Граф, Ф. Пернкопф, Бьорн Шуллер
- 2015
Информатика
Международная конференция по аффективным вычислениям…
Объединение акустических и лингвистических характеристик для обнаружения эмоций
- Флориан Метце, Тим Полцель, М. Вагнер
- 2009
- 2011
- 2004
- 2005
- 2001
- 2005
- 2003
- 2011
- 2003
Физика
Международная конференция IEEE по семантическим… в зависимости от степени эмоциональной значимости слов.
Объединение акустических и лингвистических характеристик речи для обнаружения эмоций
- Флориан Метце, Тим Полцель, М. Вагнер
Информатика
Распознавание спонтанных детских эмоций с помощью категориальной классификации акустических признаков
- С. Планета, И. Ириондо
Психология
6-я Иберийская конференция по информационным системам и…
Распознавание эмоций на основе классов фонем
- C. Lee, S. Yıldırım, Shrikanth S. Narayanan
Информатика
INTERSPEECH
Обнаружение эмоций в разговорных диалогах
- К. Ли, Шрикант С. Нараянан
Информатика
IEEE Transactions on Speech and Audio Processing
Распознавание речевых эмоций с использованием скрытых марковских моделей
- А. Ногейрас, А. Морено, А. Бонафонте, Х. Мариньо
Информатика
INTERSPEECH
В этом документе представлен первый подход к распознаванию эмоций с использованием RAMSES, системы распознавания речи UPC. Подход основан на стандартной технологии распознавания речи с использованием скрытых…
Сравнение классификаторов для выделения эмоций из речи
- И. Шафран, М. Мори
Информатика
Труды. (ИКАССП ’05). IEEE International…
Распознавание эмоций речи на основе скрытой марковской модели
- Бьорн Шуллер, Г. Риголл, М. Ланг
Информатика
Международная конференция по мультимедиа и выставкам…
Whodunnit — поиск наиболее важных типов функций, сигнализирующих о состояниях пользователя, связанных с эмоциями, в речи
- А. Батлинер, С. Стейдл, Н. Амир
Информатика
Вычисл. Речь Ланг.
Эмоциональная речь: к новому поколению баз данных
- Э. Дуглас-Коуи, Н. Кэмпбелл, Р. Коуи, П. Роуч
Компьютерные науки
Speech Commun.
Распознавание речевых эмоций, сочетающее акустические признаки и лингвистическую информацию в гибридной сетевой архитектуре опорных векторов, основанной на автоматическом доверии
- Бьорн Шуллер, Г.
