آشكارسازي وجود استرس در گفتار با استفاده از ويژگي هاي مبتني بر مدل غيرخطي توليد گفتار

Detection of Stress in Speech Using Features Derived from Nonlinear Model of Speech Production

مطالعات نشان مي دهند كه استرس رواني گوينده در نحوه ي توليد گفتار او اثر مي گذارد. آشكارسازي وجود استرس در گفتار داراي كاربردهاي متعدد مي‌باشد. در كارهاي اخير، ويژگي هاي صوتي مختلف، به صورت جداگانه، توسط طبقه بندي كننده ي HMM مورد ارزيابي قرار گرفته اند و از ميان آن ها، ويژگي غيرخطي TEO-CB-Auto-Env كارآمدترين پارامتر بوده است. در اين مقاله، يك ويژگي جديد كه آن را (TEO-Pch-LFPC) مي ناميم، پيشنهاد شده است. دادگان گفتار استرسي (حالات خنثي، عصباني، بلند و لمبارد) از پايگاه داده ي SUSAS برداشته شده و نقطه ي قوّت كار حاضر اين است كه در آن، از طبقه بند هاي ساده تري نسبت به HMM استفاده شده است، يعني طبقه‌بندهاي استاتيك (KNN، LDA و SVM)، و روش ارزيابي نيز RRM مي باشد. با استفاده از ويژگي TEO-Pch-LFPC و طبقه بند SVM، در تفكيك دو حالته، درصد صحت 93.78% و در طبقه بندي چندحالته 70.22% مي باشد.

It is well known that speech signal is affected by speakerʹs psychological stress. Some of the recent works have evaluated different acoustic features individually, for detecting stress in speech and among these parameters, the nonlinear feature of TEO-CB-Auto-Env is known as the best one. In this work, a new mixed feature (TEO-Pch-LFPC) is proposed and investigated for the task of stress classification, using simulated domain of SUSAS database (styles of Neutral, Angry, Loud and Lombard). The precedence of this work is that it uses more simple classifiers rather than HMM (i.e. static classifiers of KNN, LDA and SVM), and the Round Robin Method is exerted. For pair-wise classification, the proposed approach reaches 93.78% and in multi-style case the accuracy of 70.22% is obtained.