Evaluation of emotion recognition from speech

Abstract

Over the last few years, interest on paralinguistic information classification has grown considerably. However, in comparison to related speech processing tasks such as Automatic Speech and Speaker Recognition, practically no standardised corpora and test-conditions exist to compare performances under exactly the same conditions. The successive challenges proposed at the world's largest conference on automatic speech processing, namely the INTERSPEECH conferences, are important for comparing performance of statistical classifiers. In this paper, we summarize results, commonly used methods of challenge participants and results of Koç University, Multimedia, Vision and Graphics Laboratory on the same tasks. Our main contributions include Formant Position-based weighted Spectral features that emphasize emotion in speech and RANSAC-based (Random Sampling Consensus) Training data selection for pruning possible outliers in the training set. Öz: Son yıllarda otomatik sözsüz iletişim üzerine araştırmalar yoğunluk kazandı; ancak, otomatik konuşma ve konuşmacı tanıma sistemlerine kıyasla sözsüz iletişim araştırmaları için oluşturulmuş¸ standart, genel bir veri tabanı ya da aynı koşullar altında başarım değerlendirmesi ölçütü tanımlanmış¸ değil. Bu nedenle konuşma işleme alanında en kapsamlı ve önemli konferans olan INTERSPEECH konferansı kap- samında son yıllarda düzenlenen sözsüz iletişimle ilgili yarışmalar bu güncel problemlere farklı bakış¸ açılarının değerlendirilmesi ve karşılaştırılması bakımından önem taşıyor. Bu bildiride, konuşma işleme ve sözsüz iletişimle ilgili düzen- lenen yarışmaları, en başarılı sonuçları, yöntemleri ve Koç¸ Üniversitesi, Multimedya, Görü ve Grafik Laboratuvarı’nın bu yarışmalarda kullandığı yöntemleri özetliyoruz. Başlıca katkılarımız olan konuşmadaki duygu durumunu öne çıkaran birleştirici konumu ağırlıklı spektral öznitelikler ve veri ta- banında bulunan aykırı, etiketlenmesi guç¸ ya da belirsiz olan kayıtların temizlenmesi için önerdiğimiz RANSAC (Ran- dom Sampling Consensus) temelli sınıflandırma yontemlerini değerlendiriyoruz.