Estudio para la clasificación parcialmente supervisada de emociones a partir de voz, utilizando métodos de autoaprendizaje y SVMs

Abstract

[SPA]Las interacciones hombre-máquina hacen uso de muchos canales de comunicación diferentes con el fin de obtener buenos resultados, en términos de comprensión. Los canales de audio y vídeo son los más informativos para los humanos, debido a la gran cantidad de información disponible en ellos. Para las máquinas, sin embargo, existen muchas variables que dependen del contexto que hacen la tarea mucho más complicada, tal y como pueden ser las emociones del hablante en cada instante. Las emociones pueden afectar en gran medida las expresiones y deben, por tanto, ser consideradas como tal. El trabajo realizado para este proyecto tiene como finalidad el estudio de la clasificación automática de emociones a partir de voz, utilizando clasificadores del tipo máquinas de vectores de soporte difusas. Al mismo tiempo, las soluciones tradicionales de clasificación automática dependen de grandes conjuntos de entrenamiento que permiten aprender los patrones que hay detrás de la distribución generatriz de los datos. Puesto que el etiquetado de los datos puede suponer una tarea muy costosa tanto en tiempo como en dinero, distintas técnicas han sido propuestas en la literatura para reducir dichos costes. Este estudio también incorpora una evaluación de diferentes métodos de entrenamiento parcialmente supervisado. Las conclusiones obtenidas al respecto podrán ser extendidas a cualquier otro problema de clasificación, considerando que se trata de procedimientos estándar, aplicables a cualquier campo de estudio. Referencias a los textos y publicaciones originales son proporcionadas en cada sección de este proyecto. Cada una de ellas es recomendada para el lector en caso de que se desee un conocimiento más detallado y en profundidad de los métodos aquí descritos.[ENG]Human-machine interaction relies on many different communication channels in order obtain a good performance in terms of information comprehension. Audio and video channels are most informative for humans due to the large amount of information available. As for machines, however, there exist many contextdependent variants that make the task extremely more complex, as it might be the speaker's current emotion. Emotions can largely affect the speaker's expressions and should, therefore, be considered as such. The work conducted for this thesis is aimed at studying automatic emotion classification from speech data using fuzzy support vector machines. Furthermore, traditional automatic classification approaches rely on large training sets that allow the learning of the patterns behind the generative distribution of the data. Since data labeling can represent an extremely expensive task, different techniques have been proposed in the literature for reducing the cost of it. This study also comprises evaluation of different partially supervised training methods, from which conclusions can be extended to other classification problems, considering that they are standard procedures applicable to any field of study. References to original texts and publications are provided on every section of this thesis, being each of them a recommended way to acquire deeper knowledge on any of the fields of study to which this work is related.