Luận văn: Nhận dạng giới tính, cảm xúc người nói tiếng Việt (Phạm Thị Nhung)

Luận văn nghiên cứu nhận dạng giới tính, cảm xúc người nói tiếng Việt. Ứng dụng tiềm năng trong nhiều lĩnh vực, phân tích giọng nói chuyên sâu.

• Tác giả: Phạm Thị Nhung
• Người hướng dẫn: TS. Nguyễn Hồng Quang
• Trường học: Đại học Bách khoa Hà Nội
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Nhận dạng giới tính, cảm xúc của người nói và ứng dụng cho tiếng Việt
• Loại tài liệu: Luận văn thạc sĩ kỹ thuật
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT VÀ THUẬT NGỮ
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
• PHẦN MỞ ĐẦU
• 1. Lý do chọn đề tài
• 2. Mục đích, phạm vi nghiên cứu
• 3. Đối tượng nghiên cứu
• 4. Phương pháp nghiên cứu
• 5. Nhiệm vụ nghiên cứu
• 6. Đóng góp mới của luận văn
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về nhận dạng giới tính, cảm xúc người nói
• 1.2. Giới thiệu chung
• 1.3. Ứng dụng nhận dạng cảm xúc của người nói
• 1.4. Phương pháp nhận dạng giới tính, cảm xúc của người nói
• 1.5. Cơ sở dữ liệu cho nhận dạng cảm xúc
• 1.6. Các giai đoạn xử lý của một hệ thống nhận dạng giới tính, cảm xúc người nói
• 1.7. Các thành phần của hệ thống nhận dạng giới tính, cảm xúc người nói
• 1.8. Tìm hiểu về các kết quả nhận dạng giới tính, cảm xúc người nói đã có trên thế giới
• 1.8.1. Phát hiện các cảm xúc theo thời gian thực tại tổng đài điện thoại [5]
• 1.8.2. Hệ thống nhận dạng cảm xúc phụ thuộc và độc lập giới tính với tiếng Telugu sử dụng mô hình hỗn hợp Gaussian [4]
• 1.8.3. Cải thiện Tự động nhận dạng cảm xúc từ tín hiệu tiếng nói [1]
• 1.8.4. Robot biết an ủi con người [16]
• 1.8.5. Nhận dạng cảm xúc qua điện não (EEG) theo thời gian thực sử dụng mô hình máy vector hỗ trợ (SVM- Support Vector Machine) []
• 1.9. Tìm hiểu về các kết quả nhận dạng cảm xúc tại Việt Nam
• 1.10. Mục tiêu cần phải thực hiện của đề tài
• 2. CHƯƠNG 2: PHƯƠNG PHÁP, THỰC HIỆN VÀ CÔNG CỤ
• 2.1. Phương pháp thực hiện đề tài
• 2.2. Trích chọn đặc trưng MFCC
• 2.3. Mô hình GMM sử dụng trong nhận dạng giới tính, cảm xúc của người nói
• 2.4. Bộ công cụ AIIZE và LIA-RAI
• 2.5. Bộ công cụ SPro
• 2.6. Ngôn ngữ lập trình Python
• 2.7. Sử dụng các bộ công cụ và ngôn ngữ lập trình cho các bước của bài toán nhận dạng giới tính, cảm xúc của người nói
• 2.7.1. Trích chọn và chuẩn hóa đặc trưng
• 2.7.2. Huấn luyện mô hình
• 2.7.3. Nhận dạng
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG THỬ NGHIỆM NHẬN DẠNG GIỚI TÍNH, CẢM XÚC NGƯỜI NÓI VÀ ỨNG DỤNG CHO TIẾNG VIỆT
• 3.1. Tổng quan quá trình xây dựng hệ thống thử nghiệm nhận dạng giới tính, cảm xúc người nói
• 3.2. Cơ sở dữ liệu cảm xúc cho thử nghiệm hệ thống nhận dạng
• 3.2.1. CSDL tiếng Đức - EMO-DB
• 3.2.2. CSDL tiếng Việt VEMO-DB
• 3.3. Các thử nghiệm nhận dạng giới tính, cảm xúc của người nói
• 3.3.1. Thử nghiệm với CSDL EMO-DB
• 3.3.1.1. Thử nghiệm nhận dạng giới tính
• 3.3.1.2. Thử nghiệm nhận dạng cảm xúc
• 3.3.2. Thử nghiệm với CSDL VEMO-DB
• 3.3.2.1. Thử nghiệm nhận dạng giới tính
• 3.3.2.2. Thử nghiệm nhận dạng cảm xúc
• 4. CHƯƠNG 4: KẾT QUẢ THỬ NGHIỆM, KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Phân tích, đánh giá các kết quả thử nghiệm
• 4.1.1. Kết quả thử nghiệm trên CSDL EMO-DB
• 4.1.1.1. Kết quả thử nghiệm nhận dạng giới tính
• 4.1.1.2. Thử nghiệm nhận dạng cảm xúc
• 4.1.2. Kết quả thử nghiệm trên CSDL VHMO-DB
• 4.1.2.1. Thử nghiệm nhận dạng giới tính
• 4.1.2.2. Thử nghiệm nhận dạng cảm xúc
• 4.2. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Nhận Dạng Giới Tính Cảm Xúc Người Nói Tiếng Việt

Nghiên cứu nhận dạng giới tính và cảm xúc người nói là một lĩnh vực quan trọng trong xử lý tiếng nói tiếng Việt. Sự phát triển của trí tuệ nhân tạo và tương tác người máy đòi hỏi khả năng hiểu và phản ứng với biểu cảm giọng nói. Luận văn này tập trung vào việc phân tích giọng nói để xác định giới tính trong giọng nói và cảm xúc trong giọng nói của người nói tiếng Việt. Điều này có ý nghĩa lớn trong nhiều ứng dụng thực tế, từ cải thiện chất lượng tương tác người máy đến hỗ trợ phân tích ngữ cảnh trong các hệ thống tổng đài điện thoại. Theo luận văn, mục tiêu là xây dựng một hệ thống có khả năng phân loại giới tính và phân loại cảm xúc một cách chính xác, tận dụng các kỹ thuật học máy và mạng nơ-ron. Nghiên cứu này cũng đề cập đến tầm quan trọng của việc xây dựng cơ sở dữ liệu giọng nói tiếng Việt phong phú và đa dạng, phục vụ cho việc huấn luyện và đánh giá các mô hình nhận dạng giới tính cảm xúc. Sự thành công của luận văn sẽ đóng góp vào sự phát triển của các ứng dụng nhận dạng giọng nói thông minh hơn, đáp ứng tốt hơn nhu cầu của người dùng.

1.1. Ứng Dụng Nhận Dạng Cảm Xúc Tiềm Năng Vượt Trội Trong AI

Nhận dạng cảm xúc người nói có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực. Trong lĩnh vực tương tác người máy, nó cho phép máy móc phản ứng một cách phù hợp với trạng thái cảm xúc của người dùng, tạo ra trải nghiệm tương tác tự nhiên và hiệu quả hơn. Ví dụ, một robot có thể nhận biết khi người dùng đang buồn và đưa ra những lời an ủi, hoặc một hệ thống tổng đài điện thoại có thể tự động chuyển cuộc gọi đến nhân viên hỗ trợ phù hợp dựa trên cảm xúc của khách hàng. Ngoài ra, nhận dạng cảm xúc còn có thể được sử dụng trong lĩnh vực y tế để theo dõi trạng thái tinh thần của bệnh nhân, hoặc trong lĩnh vực giáo dục để đánh giá mức độ hứng thú của học sinh đối với bài học. Theo luận văn, "ứng dụng nhận dạng cảm xúc của người nói" mở ra một kỷ nguyên mới cho sự phát triển của trí tuệ nhân tạo, nơi máy móc không chỉ hiểu ngôn ngữ mà còn hiểu cả cảm xúc của con người.

1.2. Phương Pháp Nhận Dạng Giới Tính Cảm Xúc Khám Phá Kỹ Thuật

Các phương pháp nhận dạng giới tính và cảm xúc người nói thường dựa trên việc trích xuất các đặc trưng giọng nói quan trọng, sau đó sử dụng các thuật toán học máy để phân loại. Các đặc trưng giọng nói phổ biến bao gồm hệ số cepstral theo thang đo Mel (MFCC), tần số cơ bản (pitch), năng lượng và các thông tin về phổ. Các thuật toán học máy thường được sử dụng bao gồm mạng nơ-ron nhân tạo (ANN), mô hình hỗn hợp Gauss (GMM) và máy vector hỗ trợ (SVM). Luận văn này cũng đề cập đến việc sử dụng các mô hình mạng nơ-ron sâu để cải thiện độ chính xác của nhận dạng. Theo luận văn, việc lựa chọn đặc trưng giọng nói và thuật toán học máy phù hợp là yếu tố then chốt để xây dựng một hệ thống nhận dạng giới tính cảm xúc hiệu quả.

II. Thách Thức Xây Dựng Cơ Sở Dữ Liệu Tiếng Việt Cho AI Giọng Nói

Một trong những thách thức lớn nhất trong việc phát triển các hệ thống nhận dạng giới tính cảm xúc cho tiếng Việt là sự thiếu hụt cơ sở dữ liệu giọng nói tiếng Việt chất lượng cao. Các cơ sở dữ liệu hiện có thường có quy mô nhỏ, không đa dạng về giới tính, cảm xúc, và phương ngữ. Điều này gây khó khăn cho việc huấn luyện các mô hình học máy có khả năng tổng quát hóa tốt. Luận văn này nhấn mạnh tầm quan trọng của việc xây dựng một cơ sở dữ liệu giọng nói tiếng Việt phong phú và đa dạng, bao gồm nhiều người nói từ các vùng miền khác nhau, thể hiện nhiều cảm xúc khác nhau. Việc thu thập và gán nhãn dữ liệu cảm xúc cũng là một công việc phức tạp, đòi hỏi sự tham gia của các chuyên gia về ngôn ngữ học và tâm lý học. Theo luận văn, việc vượt qua thách thức này là yếu tố then chốt để đưa các ứng dụng nhận dạng giọng nói cho tiếng Việt lên một tầm cao mới.

2.1. Khó Khăn Thu Thập Dữ Liệu Giọng Nói Tìm Nguồn Chất Lượng

Việc thu thập dữ liệu giọng nói cho cơ sở dữ liệu là một quá trình tốn kém và phức tạp. Cần phải đảm bảo chất lượng âm thanh, sự đa dạng về giới tính, tuổi tác và phương ngữ của người nói. Bên cạnh đó, việc thu thập dữ liệu cảm xúc còn khó khăn hơn, vì cần phải tạo ra các tình huống hoặc sử dụng các phương pháp kích thích cảm xúc phù hợp để người nói thể hiện một cách tự nhiên. Theo luận văn, việc xây dựng một cơ sở dữ liệu giọng nói chất lượng cao đòi hỏi sự đầu tư lớn về thời gian, công sức và nguồn lực.

2.2. Gán Nhãn Cảm Xúc Độ Tin Cậy Và Sự Chủ Quan Của Chuyên Gia

Việc gán nhãn cảm xúc cho dữ liệu giọng nói là một công việc mang tính chủ quan cao. Các chuyên gia có thể có những ý kiến khác nhau về cảm xúc mà người nói đang thể hiện. Để đảm bảo độ tin cậy của cơ sở dữ liệu, cần phải sử dụng nhiều chuyên gia để gán nhãn và áp dụng các phương pháp thống kê để đánh giá sự đồng thuận giữa các chuyên gia. Theo luận văn, việc gán nhãn cảm xúc là một bước quan trọng để đảm bảo chất lượng của cơ sở dữ liệu giọng nói, nhưng cũng là một thách thức lớn cần phải vượt qua.

III. Phương Pháp Trích Xuất Đặc Trưng Hiệu Quả Cho Tiếng Việt

Việc lựa chọn và trích xuất các đặc trưng giọng nói phù hợp là một yếu tố quan trọng để xây dựng một hệ thống nhận dạng giới tính cảm xúc hiệu quả. Các đặc trưng này phải có khả năng phân biệt được giữa các giới tính và cảm xúc khác nhau, đồng thời ít bị ảnh hưởng bởi các yếu tố nhiễu như tiếng ồn và sự khác biệt về âm lượng. Luận văn này tập trung vào việc nghiên cứu và so sánh các phương pháp trích xuất đặc trưng khác nhau, bao gồm các đặc trưng truyền thống như MFCC và các đặc trưng dựa trên mạng nơ-ron sâu. Theo luận văn, việc kết hợp các đặc trưng khác nhau có thể mang lại kết quả tốt hơn so với việc sử dụng một loại đặc trưng duy nhất.

3.1. Tìm Hiểu MFCC Đặc Trưng Phổ Biến Trong Xử Lý Âm Thanh

MFCC là một trong những đặc trưng giọng nói được sử dụng rộng rãi nhất trong lĩnh vực xử lý âm thanh. Nó mô tả hình dạng của phổ âm thanh dựa trên thang đo Mel, một thang đo tần số dựa trên cảm nhận của con người. MFCC có khả năng phân biệt tốt giữa các âm vị khác nhau, và đã được chứng minh là hiệu quả trong nhiều ứng dụng nhận dạng giọng nói. Theo luận văn, MFCC là một lựa chọn tốt để bắt đầu khi xây dựng một hệ thống nhận dạng giới tính cảm xúc.

3.2. Mạng Nơ Ron Sâu Giải Pháp Trích Xuất Đặc Trưng Tự Động

Mạng nơ-ron sâu có khả năng học các đặc trưng phức tạp từ dữ liệu một cách tự động, mà không cần sự can thiệp của con người. Trong lĩnh vực nhận dạng giọng nói, mạng nơ-ron sâu có thể được sử dụng để trích xuất các đặc trưng có khả năng phân biệt tốt giữa các giới tính và cảm xúc khác nhau. Theo luận văn, việc sử dụng mạng nơ-ron sâu có thể mang lại kết quả vượt trội so với các phương pháp trích xuất đặc trưng truyền thống.

IV. Ứng Dụng Mạng Nơ Ron Trong Nhận Dạng Giới Tính Cảm Xúc

Mạng nơ-ron là một công cụ mạnh mẽ trong lĩnh vực học máy, và đã được chứng minh là hiệu quả trong nhiều ứng dụng nhận dạng giọng nói. Luận văn này tập trung vào việc sử dụng các mô hình mạng nơ-ron khác nhau, như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN), để xây dựng một hệ thống nhận dạng giới tính cảm xúc cho tiếng Việt. Theo luận văn, việc lựa chọn kiến trúc mạng nơ-ron phù hợp và huấn luyện mô hình một cách cẩn thận là yếu tố quan trọng để đạt được độ chính xác cao.

4.1. CNN Xử Lý Dữ Liệu Âm Thanh Như Hình Ảnh

CNN là một loại mạng nơ-ron được thiết kế đặc biệt để xử lý dữ liệu có cấu trúc không gian, như hình ảnh. Trong lĩnh vực nhận dạng giọng nói, CNN có thể được sử dụng để xử lý các spectrogram, một biểu diễn hình ảnh của tín hiệu âm thanh. CNN có khả năng học các đặc trưng cục bộ quan trọng từ spectrogram, và đã được chứng minh là hiệu quả trong nhiều ứng dụng nhận dạng giọng nói. Theo luận văn, CNN là một lựa chọn tiềm năng để xây dựng một hệ thống nhận dạng giới tính cảm xúc cho tiếng Việt.

4.2. RNN Ghi Nhớ Thông Tin Theo Chuỗi Thời Gian

RNN là một loại mạng nơ-ron được thiết kế đặc biệt để xử lý dữ liệu theo chuỗi thời gian, như tín hiệu âm thanh. RNN có khả năng ghi nhớ thông tin từ các thời điểm trước đó, và sử dụng thông tin này để đưa ra dự đoán ở thời điểm hiện tại. RNN đã được chứng minh là hiệu quả trong nhiều ứng dụng nhận dạng giọng nói, đặc biệt là trong các tác vụ liên quan đến phân tích ngữ cảnh. Theo luận văn, RNN là một lựa chọn tiềm năng để xây dựng một hệ thống nhận dạng giới tính cảm xúc cho tiếng Việt, đặc biệt là khi cần phân tích các biểu cảm diễn ra trong một khoảng thời gian dài.

V. Kết Quả Thử Nghiệm Đánh Giá Hệ Thống Tiếng Việt

Luận văn trình bày kết quả thử nghiệm của hệ thống nhận dạng giới tính cảm xúc trên cơ sở dữ liệu tiếng Việt VEMO-DB. Kết quả cho thấy hệ thống đạt được độ chính xác khá cao trong việc phân loại giới tính và cảm xúc, tuy nhiên vẫn còn một số hạn chế cần khắc phục. Luận văn cũng so sánh kết quả với các hệ thống nhận dạng khác trên thế giới, và cho thấy hệ thống tiếng Việt có tiềm năng cạnh tranh. Theo luận văn, việc tiếp tục cải thiện cơ sở dữ liệu, phương pháp trích xuất đặc trưng và mô hình học máy sẽ giúp nâng cao hiệu quả của hệ thống.

5.1. Phân Tích Độ Chính Xác Thách Thức Với Cảm Xúc Phức Tạp

Việc phân tích độ chính xác của hệ thống nhận dạng là rất quan trọng để đánh giá hiệu quả của hệ thống. Luận văn này tập trung vào việc phân tích các trường hợp mà hệ thống dự đoán sai, và tìm hiểu nguyên nhân gây ra sai sót. Theo luận văn, các cảm xúc phức tạp như thất vọng và chán nản thường khó nhận dạng hơn so với các cảm xúc cơ bản như vui, buồn, giận. Điều này cho thấy cần phải tiếp tục nghiên cứu và phát triển các phương pháp nhận dạng cảm xúc phức tạp hiệu quả hơn.

5.2. So Sánh Với Hệ Thống Khác Vị Trí Của Nghiên Cứu Việt Nam

Việc so sánh hệ thống nhận dạng tiếng Việt với các hệ thống nhận dạng khác trên thế giới giúp đánh giá vị trí của nghiên cứu Việt Nam trong lĩnh vực này. Luận văn này so sánh kết quả thử nghiệm với các kết quả được công bố trong các bài báo khoa học quốc tế, và cho thấy hệ thống tiếng Việt có tiềm năng cạnh tranh, đặc biệt là trong việc nhận dạng giới tính. Theo luận văn, việc tiếp tục hợp tác với các nhà nghiên cứu trên thế giới sẽ giúp nâng cao trình độ nghiên cứu nhận dạng giọng nói tại Việt Nam.

VI. Hướng Phát Triển Tương Lai Ứng Dụng Thực Tế và Trí Tuệ Nhân Tạo

Luận văn kết luận bằng việc đề xuất các hướng phát triển tương lai cho nghiên cứu nhận dạng giới tính cảm xúc cho tiếng Việt. Các hướng này bao gồm việc xây dựng một cơ sở dữ liệu lớn hơn và đa dạng hơn, nghiên cứu các phương pháp trích xuất đặc trưng mới, và phát triển các mô hình học máy tiên tiến hơn. Luận văn cũng nhấn mạnh tầm quan trọng của việc ứng dụng kết quả nghiên cứu vào các ứng dụng thực tế, như tương tác người máy, tổng đài điện thoại, và y tế. Theo luận văn, nhận dạng giới tính cảm xúc có tiềm năng đóng góp quan trọng vào sự phát triển của trí tuệ nhân tạo tại Việt Nam.

6.1. Ứng Dụng Trong Tương Tác Người Máy Tạo Ra AI Thân Thiện

Trong tương lai, nhận dạng giới tính cảm xúc sẽ đóng vai trò quan trọng trong việc tạo ra các hệ thống tương tác người máy thân thiện và hiệu quả hơn. Các robot và trợ lý ảo có khả năng hiểu và phản ứng với cảm xúc của con người sẽ tạo ra trải nghiệm tương tác tự nhiên và dễ chịu hơn. Theo luận văn, nhận dạng giới tính cảm xúc là một bước quan trọng để đưa trí tuệ nhân tạo đến gần hơn với con người.

6.2. Nghiên Cứu Đa Dạng Cảm Xúc Hướng Tới Phân Tích Ngữ Cảnh

Nghiên cứu về nhận dạng đa dạng cảm xúc sẽ mở ra cơ hội phân tích ngữ cảnh sâu sắc hơn trong giao tiếp. Điều này không chỉ giới hạn ở việc nhận biết cảm xúc cơ bản mà còn mở rộng sang các sắc thái tinh tế, giúp hệ thống hiểu rõ hơn ý định và thái độ của người nói. Phân tích ngữ cảnh có thể được áp dụng trong nhiều lĩnh vực, từ tổng đài điện thoại đến giáo dục trực tuyến, cải thiện đáng kể chất lượng tương tác và hỗ trợ. Theo luận văn, việc tập trung vào phân tích các sắc thái cảm xúc phức tạp sẽ là chìa khóa cho sự phát triển của các ứng dụng trí tuệ nhân tạo thông minh và nhạy bén hơn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TÔNG QUAN. Tổng quan về nhận đạng giới tính, cãm xúc người nói.1, Giới thuệu chung. Ứng dụng nhận dạng câm xúc của nguời nói 6 1. Phuong pháp nhận dạng giới lính, cảm xúc của người nói 7 1.

Cơ sẻ đữ liệu cho nhận đạng cảm xúc. Các giai đoạn xử lý của một hệ thống nhận đạng giới tinh, cắm xúc người tôi 10 1. Các thành phân của hệ thông nhận dạng giới tỉnh, cảm xúc người nói 12 1,4. Tim biểu về các kết quả nhận dạng giới tính, cảm xúc ngời nói đã có trên thể giới 13 1.

Phát hiện các cảm xúc theo thời gian thực tại tổng đài điện thoại [5] 13 1.2, Hệ thông nhận dạng cắm xúc phụ thuộc và độc lập giới tỉnh với tiếng Telugu siz dung mé hinh hén hep Gaussian [4] 15 1. Cñi thiện Lự động nhận đạng cả xúc từ tín hiệu tiếng nói [1] 17 1. Tìm hiểu về các kết quả nhận đạng cảm xúc tại Việt Mam. Kết quả thử nghiệm trên CSDL EMO-DB.

Kết quả thử nghiệm nhận đạng giới tính 54 4. Thử nghiệm nhận đạng căm xúc $6 4. Kết quả thứ nghiệm trên CSDL VHMO-DB. Thử nghiệm nhận dạng giới tính.

Thit nghiém nhan dang cim xue 64 4. Hưởng phát triển của đề tài. sexy sexy 72 'TẢI LIỆU AM KHẢO. Kết quả thử nghiệm trên CSDL EMO-DB.

Kết quả thử nghiệm nhận đạng giới tính 54 4. Thử nghiệm nhận đạng căm xúc $6 4. Kết quả thứ nghiệm trên CSDL VHMO-DB. Thử nghiệm nhận dạng giới tính.

Thit nghiém nhan dang cim xue 64 4. Hưởng phát triển của đề tài. sexy sexy 72 'TẢI LIỆU AM KHẢO. PHỤ LỊ DANH MUC CAC BANG Bang 1.1 Đặc điểm của cơ sở đứt liệu Bang 1.2: Kết quả nhận dạng (%) theo số đặc trưng được lựa chọn.3: Kết quả thử nghiệm (tý lệ %2) Bằng 3.1 Rang tổng hợp CSDI, RMO-DB Bang 3.2: Bang tang hop CSDL VEMO-DB Rang 3.3 Bảng tổng hợp các thữ nghiệm nhận dạng giới tính Bang 3.4: Bảng tổng hợp các thứ nghiệm nhận dụng cấm xúc Bang 3.5 Băng tổng hợp các thứ nhận dạng cảm xúc khi cỏ nhận dạng giới tỉnh.6 Bang tổng hợp các thử nhận dang câm xúc khi có nhận dang giới tính và có sự nhâm lẫn.7: Bang téng hợp các thứ nghiệm nhận dạng giới tính.8 Rang tổng hợp các thữ nghiệm rhận dạng cắm xúc Bang 3.9: Băng tổng hợp các thứ nhận dang cảm xúc khi có nhận dạng giới tính.10: Bang téng hop các thử nhận đạng cảm xúc khi có nhận dạng giới tính và có sự nham lẫn Bang 4.1: ‘Téng hợp tỷ lệ (%4) của các thử nghiệm nhận dạng giới tính Bang 4.2: Ma trận nhằm lẫn của thủ nghiệm H01 DĨ theo tiêu chí L Rang 4.3: Tỷ lệ (3%) nhận đạng cảm xúc của các thử nghiệm rhhận dạng cẫm xúc trên trên CS.

huấn luyện cảm xúc cả giọng nam vả giọng nữ.4: Tỷ lệ (%) nhận đạng cảm xúc của cáo thử nghiệm nhận đang cảm xúc trên CSDI, câm xúc huấn luyện ofa giong nam Bang 4.5: Tỷ lệ (%) nhận dạng cảm xúc của các thứ nghiệm nhận dạng cản xúc trên CSDL câm xúc huấn luyện của giọng nữ Ring 4.6: Bồng tổng hợp tỷ lệ (M4) nhận đạng căm xúc của 3 thử nghiệm Bang 4.7: ‘Téng hợp tỷ lệ (%) cúa các thử nghiệm nhận dạng giới tính Rang 4.8 Ma trận nhằm lần của thử nghiệm BÙI _DT theo tiêu chí 1 văn 1.1, Robot biết an ủi con người |16|. TH ngheườn lB 1. Nhân đạng câm xúc qua điện não (EEG) theo thai gian thue sir an mô hình máy vector hồ trợ (SVM- Support Vector Machine) []. Mục tiếu cần phải thực hiện của dé tai.

CHƯƠNG2: PHƯƠNG PHÁP. 'THỰC HIỆN VÀ CÔNG CỤ 3. Phương pháp thục hiện đề tải 2. Trích chọn đặc trưng MƯỢC.

MS hinh GMM sit dung trong nhan dang gic)i tinh, täïh XÚC CÚA ïIBỜI Hi. Bộ công cụ AIIZE và LIA-RAI, 3. Bộ công cụ SPro 26 3. Ngôn ngữ lập trình Python.

Sử dụng, các bộ công cụ vả ngôn ngữ lạ trình cho các bước của bài toản. nhận dạng giới tỉnh, câm xúc của người nỗi 31 2. Trích chọn và chuẩn hóa đặc trưng 28 3. Huấn luyện mô hình.

sexy sexy sexy se. Nhân đựng 38 CHƯƠNG 3: XAY DUNG HE THONG THU NGHIEM NHAN DẠNG GIỚI TỈNH, CẢM XÚC NGƯỜI NÓI VÀ ỨNG DUNG CHO TIENG VIET. Tổng quan quá trinh xây dụng hệ thống thủ nghiệm nhận dạng giới tính, cảm xúc người nói. Cơ sở dữ liệu cảm xúc cho ther nghiệm hệ thống nhan dang.

CSDL tiếng, Đức - EMO-DH. HH HH sen 43 3. CSDI, tiếng Viél VEMO-DRB. Các thử nghiệm nhận đạng giới tính, cảm xúc của người nói 45 3.

Thử nghiệm với CSDL LMO-DH. HH HH sen °Ö46 3. Thữ nghiệm nhận đạng giới tính 46 3. Thữ nghiệm nhận đạng căm xúc.

Thủ nghiệm với CSDL VEMO-DB 50 3. Thử nghiệm nhận đạng giới tỉnh. TH TH cesses SO 3. Thữ nghiêm nhân đạng cắm xÚc.

icon „5i CHƯƠNG 4: KÉT QUẢ THỦ NGHIỆM, KẾT LUẬN VÀ À HƯỚNG PHÁT TRIEN. Phân tích, dánh giá các kết quả thủ nghiệm. HHu re seo.9: Tÿ lẻ (%9) nhân đang cảm xúc của các thử nghiệm nhận đang cảm xúc trên CSDL căm xúc huấn luyện của gong nam va giọng nữ Bang 4.16 Ty 1é (%) nha dang cain xúc của 0 c thử nghiệm nhận dang cảm xúc trên CSDL, cảm xúc huấn luyện của gong nam Bảng 4.11: Tỷ lệ (%) nhận đạng cảm xúc của các thử nghiệm nhận đạng cảm xúc trên CSDL câm xúc huấn luyện của gọng nữ Bảng 4.12: Bảng tổng hợp tý lệ (%4) nhận dạng cám xúc của 3 thử nghiệm 4. Kết quả thử nghiệm trên CSDL EMO-DB.

Kết quả thử nghiệm nhận đạng giới tính 54 4. Thử nghiệm nhận đạng căm xúc $6 4. Kết quả thứ nghiệm trên CSDL VHMO-DB. Thử nghiệm nhận dạng giới tính.

Thit nghiém nhan dang cim xue 64 4. Hưởng phát triển của đề tài. sexy sexy 72 'TẢI LIỆU AM KHẢO. PHỤ LỊ EFM Emotion Fernale Male BMO-DB Emotion Data Base Co sở dữ liệu tiếng Đức 'VEMO-DB 'Vielnamtese Ermmolion TData Base Co sé dit lau tiếng Việt Danh mục các chữ viết tắt tiếng Việt Chữ viết tất Chữ viết đây đủ tiếng anh GSDL Cơ sở dữ liệu TB 'Trung binh Bang 4.9: Tÿ lẻ (%9) nhân đang cảm xúc của các thử nghiệm nhận đang cảm xúc trên CSDL căm xúc huấn luyện của gong nam va giọng nữ Bang 4.16 Ty 1é (%) nha dang cain xúc của 0 c thử nghiệm nhận dang cảm xúc trên CSDL, cảm xúc huấn luyện của gong nam Bảng 4.11: Tỷ lệ (%) nhận đạng cảm xúc của các thử nghiệm nhận đạng cảm xúc trên CSDL câm xúc huấn luyện của gọng nữ Bảng 4.12: Bảng tổng hợp tý lệ (%4) nhận dạng cám xúc của 3 thử nghiệm DANH MUC CAC BANG Bang 1.1 Đặc điểm của cơ sở đứt liệu Bang 1.2: Kết quả nhận dạng (%) theo số đặc trưng được lựa chọn.3: Kết quả thử nghiệm (tý lệ %2) Bằng 3.1 Rang tổng hợp CSDI, RMO-DB Bang 3.2: Bang tang hop CSDL VEMO-DB Rang 3.3 Bảng tổng hợp các thữ nghiệm nhận dạng giới tính Bang 3.4: Bảng tổng hợp các thứ nghiệm nhận dụng cấm xúc Bang 3.5 Băng tổng hợp các thứ nhận dạng cảm xúc khi cỏ nhận dạng giới tỉnh.6 Bang tổng hợp các thử nhận dang câm xúc khi có nhận dang giới tính và có sự nhâm lẫn.7: Bang téng hợp các thứ nghiệm nhận dạng giới tính.8 Rang tổng hợp các thữ nghiệm rhận dạng cắm xúc Bang 3.9: Băng tổng hợp các thứ nhận dang cảm xúc khi có nhận dạng giới tính.10: Bang téng hop các thử nhận đạng cảm xúc khi có nhận dạng giới tính và có sự nham lẫn Bang 4.1: ‘Téng hợp tỷ lệ (%4) của các thử nghiệm nhận dạng giới tính Bang 4.2: Ma trận nhằm lẫn của thủ nghiệm H01 DĨ theo tiêu chí L Rang 4.3: Tỷ lệ (3%) nhận đạng cảm xúc của các thử nghiệm rhhận dạng cẫm xúc trên trên CS.

huấn luyện cảm xúc cả giọng nam vả giọng nữ.4: Tỷ lệ (%) nhận đạng cảm xúc của cáo thử nghiệm nhận đang cảm xúc trên CSDI, câm xúc huấn luyện ofa giong nam Bang 4.5: Tỷ lệ (%) nhận dạng cảm xúc của các thứ nghiệm nhận dạng cản xúc trên CSDL câm xúc huấn luyện của giọng nữ Ring 4.6: Bồng tổng hợp tỷ lệ (M4) nhận đạng căm xúc của 3 thử nghiệm Bang 4.7: ‘Téng hợp tỷ lệ (%) cúa các thử nghiệm nhận dạng giới tính Rang 4.8 Ma trận nhằm lần của thử nghiệm BÙI _DT theo tiêu chí 1 văn 4. Kết quả thử nghiệm trên CSDL EMO-DB. Kết quả thử nghiệm nhận đạng giới tính 54 4. Thử nghiệm nhận đạng căm xúc $6 4.

Kết quả thứ nghiệm trên CSDL VHMO-DB. Thử nghiệm nhận dạng giới tính. Thit nghiém nhan dang cim xue 64 4. Hưởng phát triển của đề tài.

sexy sexy 72 'TẢI LIỆU AM KHẢO. PHỤ LỊ Bang 4.9: Tÿ lẻ (%9) nhân đang cảm xúc của các thử nghiệm nhận đang cảm xúc trên CSDL căm xúc huấn luyện của gong nam va giọng nữ Bang 4.16 Ty 1é (%) nha dang cain xúc của 0 c thử nghiệm nhận dang cảm xúc trên CSDL, cảm xúc huấn luyện của gong nam Bảng 4.11: Tỷ lệ (%) nhận đạng cảm xúc của các thử nghiệm nhận đạng cảm xúc trên CSDL câm xúc huấn luyện của gọng nữ Bảng 4.12: Bảng tổng hợp tý lệ (%4) nhận dạng cám xúc của 3 thử nghiệm DANH MỤC CÁC TỪ VIẾT TẮT VÀ THUẬT NGỮ Danh mục các chữ viết tắt tiếng anh Chữ viết tắt Chữ viết đây đủ tiếng anh Tiếng Việt GMM Gaussian Mixture Model Mô hình hỗn hợp Gauss MFCC Mcl- Frequency Cepstral Hệ số Cepstral theo thang do Coeficients tan sé Mel LMM. Lidden Markov Models M6 hinh Markov an LM Lixpectation Maximization 'Thuật toán cực đại hóa kỳ vọng SVM Support Veelor Machines May Vector hỗ tơ ERG Electracncephalography Điện não HED Higuchi Fractal Dimension DET Discrete Fourier Transform Biển doi Fourier roi rac FFT Fast Fourier Transfonn Biển doi Fourier nhanh vo Vector Quantization Lượng tứ hỏa vector LPC Linear Predictive Coding ‘Ma boa du doan tuyén tinh Lsr Line Spectral Frequency ANN Astificial Neural Network Mạng Neuron nhân tạo LMT Logistic Model Tree Mô hình cây phân loại UML Unified Modeling Language Ngôn ngữ mô hình hóa thẻng Ề Der Discrele Cousine Transform Biéu dor Cousine rin rac G Gonder Giới tỉnh E Emotion Câm xúc LGM Emotion Gender Male HGF Emotion Gender Female ME Emotion Male Female vì 1.1, Robot biết an ủi con người |16|. TH ngheườn lB 1.

Nhân đạng câm xúc qua điện não (EEG) theo thai gian thue sir an mô hình máy vector hồ trợ (SVM- Support Vector Machine) []. Mục tiếu cần phải thực hiện của dé tai. CHƯƠNG2: PHƯƠNG PHÁP. 'THỰC HIỆN VÀ CÔNG CỤ 3.

Phương pháp thục hiện đề tải 2. Trích chọn đặc trưng MƯỢC. MS hinh GMM sit dung trong nhan dang gic)i tinh, täïh XÚC CÚA ïIBỜI Hi. Bộ công cụ AIIZE và LIA-RAI, 3.

Bộ công cụ SPro 26 3. Ngôn ngữ lập trình Python.