Sistema de Reconhecimento de Emoções de Falantes Usando o Método de Classificação de Rede Neural Artificial para Aplicações Inspiradas no Cérebro

Novos avanços em questões de aprendizado profundo, motivados por casos de uso do mundo real, frequentemente contribuem para esse crescimento. Ainda assim, não é fácil reconhecer as emoções do falante a partir do que ele deseja dizer. A técnica proposta combina uma rede neural artificial (ANN) baseada em aprendizado profundo, inspirada no cérebro, através de técnicas de otimização por ski-driver social (SSD). Ao avaliar o reconhecimento de emoções de falantes (SER), os resultados de reconhecimento são comparados com os métodos existentes de reconhecimento de emoções baseados em rede neural convolucional (CNN) e memória de longo e curto prazo (LSTM). O método proposto para classificação baseado em ANN diminui os custos computacionais. O algoritmo SER permite uma classificação mais profunda de diferentes emoções devido à sua relação com ANN e LSTM. O modelo SER é baseado em ANN e no impacto do reconhecimento da redução de características. O SER neste trabalho de pesquisa proposto é baseado no sistema de classificação de emoções da ANN. Valores de precisão de reconhecimento de falantes de 96,46%, valores de recall de 95,39%, valores de precisão de 95,21% e valores de F-Score de 96,10% são obtidos neste resultado proposto, que é superior ao resultado existente. Os resultados de precisão média usando a técnica de classificação ANN proposta são 4,38% e 2,89%, melhores do que as técnicas existentes de CNN e LSTM, respectivamente. Os resultados de precisão média usando a técnica de classificação ANN proposta são 4,67% e 2,49%, melhores do que as técnicas existentes de CNN e LSTM, respectivamente. Os resultados de recall médio usando a técnica de classificação ANN proposta são 2,90% e 1,42%, melhores do que as técnicas existentes de CNN e LSTM, respectivamente. Os resultados de precisão média usando a técnica de classificação ANN proposta são 3,80% e 3,10%, melhores do que as técnicas existentes de CNN e LSTM, respectivamente.