Recognition of emotion is an important part of communication. Also, emotional speech recognition is important for the efficient human-computer interactions. For those reasons, the importance of automatic emotional speech recognition has been emphasized and the research on this area has been increased in these days. In this study, we use AIBO feature set with non-negative matrix factorization (NMF) and support vector machine (SVM) as a classifier. With NMF, we make efficient feature set to recognize emotions. Moreover, though the speech expression of emotion is affected by language and culture area of the speaker, until now, most of researches on this area have concentrated on feature extraction and emotion recognition for one language or database. We examine the characteristics of emotional speech according to the speaker’s language and culture area. By this means, we expect the improvement of emotion recognition rate in speech, and compare the characteristics of emotional expressions in several languages and cultures.
사람과 사람, 사람과 기계 간의 커뮤니케이션이 강조됨에 따라, 음성 발화에 있어서 감 정을 판별하는 음성 감정 인식 연구의 중요성이 커지게 되었다. 자동 음성 감정 인식을 통해 사람과 기계 간의 커뮤티케이션을 원활히 수행할 수 있고, 이에 따라 기계는 사용자인 사람에 대해 더욱 효과적인 반응을 할 수 있게 된다.
그러나 현재까지 감정 인식에 유용한 특성이 무엇인지 잘 알려지지 않았고, 이에 따라 예상되는 여러 가지 특성들을 놓고 그 특성들 중에서 좋은 결과를 보이는 특성을 선택하는 방식의 연구가 주를 이루었다. 또한 감정 인식에 있어서 시간에 따른 특성의 변화가 매우 중요하나, 문장 하나가 감정 하나에 대응하는 특성 상, 시간 정보를 유지하면서도 간결한 특성 집합을 얻는 데 어려움이 있었다.
본 연구에서는 음성에서 감정을 추출하는 데 있어 이용될 수 있는 feature set에 대하 여 Non-negative Matrix Factorizaiton (NMF) 로 특성 추출을 하여 그 효용성을 Mutual information을 척도로 한 특성 선택 방식과 비교하였다. 기본 feature set으로 사용된 것은 AIBO 방식에서 사용된 200개의 특성으로, AIBO 방식은 감정 인식에 영향을 줄 수 있는 특성 후보군을 선발하고, 시간에 따른 정보를 추출하기 위해 10개의 통계량을 사용한 데에 그 특징이 있다. 제안된 방법은 단순히 실험을 통하여 높은 인식률을 보이는 특성을 선택 한 것이 아니라, NMF 또는 Mutual information을 통해 이론적으로 특성을 선택했다는 데에 그 의의가 있다.
본 연구에서는 음성 감정 인식에서의 특성 선택을 위한 효율적인 알고리즘을 제안하였다. 이를 통해 향상된 성능의 효과적인 감정 인식 방법을 얻을 수 있다.
