Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Rozpoznání emočního stavu v reálném čase

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F08%3APU75434" target="_blank" >RIV/00216305:26220/08:PU75434 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Real-Time Model for Automatic Vocal Emotion Recognition

  • Popis výsledku v původním jazyce

    this paper deals with the task of vocal emotion recognition in real-time. For this aim, we introduced a simple model in the simulink environment based on the usage of mel bank coefficients as features and the GMM as a classifier. We made a comparison ofperformance of several preprocessing methods: MFCC, PLP, PCBF and MELB to find out which feature gives best classification results for four considered emotions: anger, happiness, sadness and neutral. We also made a comparison between two kinds of classifiers: Bayesian classifier based on Gaussian mixture models and artificial feed forward back propagation neural network.

  • Název v anglickém jazyce

    Real-Time Model for Automatic Vocal Emotion Recognition

  • Popis výsledku anglicky

    this paper deals with the task of vocal emotion recognition in real-time. For this aim, we introduced a simple model in the simulink environment based on the usage of mel bank coefficients as features and the GMM as a classifier. We made a comparison ofperformance of several preprocessing methods: MFCC, PLP, PCBF and MELB to find out which feature gives best classification results for four considered emotions: anger, happiness, sadness and neutral. We also made a comparison between two kinds of classifiers: Bayesian classifier based on Gaussian mixture models and artificial feed forward back propagation neural network.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JA - Elektronika a optoelektronika, elektrotechnika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA102%2F07%2F1303" target="_blank" >GA102/07/1303: Nelineární metody zvýrazňování řeči</a><br>

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2008

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of 31th International Conference on Telecommunications and Signal Processing - TSP 2008

  • ISBN

    978-963-06-5487-6

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

  • Název nakladatele

    Neuveden

  • Místo vydání

    Neuveden

  • Místo konání akce

    Parádfürdő

  • Datum konání akce

    3. 9. 2008

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku