dc.contributor	Boháč Marek, Ing. : 61118
dc.contributor.advisor	Matějů Lukáš, Ing. Ph.D. : 64645
dc.contributor.author	Petříček, Tomáš
dc.date.accessioned	2021-08-20T07:40:06Z
dc.date.available	2021-08-20T07:40:06Z
dc.date.committed	2021-5-17
dc.date.defense	2021-06-16
dc.date.issued	2020-10-19
dc.date.submitted	2020-10-19
dc.date.updated	2021-6-16
dc.degree.level	Bc.
dc.description.abstract	Bakalářská práce se věnuje rozpoznávání emocí v audio nahrávkách s využitím hlubokých neuronových sítí. V úvodní části je čtenář seznámen s motivací a využitím systému pro rozpoznávání emocí. Na začátku první kapitoly jsou definovány pojmy emoce a rozpoznávání emocí. Navazující podkapitoly jsou zaměřeny na vývoj systému pro rozpoznávání emocí. Další kapitola je věnována seznámení se základy neuronových sítí. Je uveden model používaný v experimentální části práce, vysvětleno trénování a vyhodnocení modelu. V následující části je popsán návrh a práce s balíčkem pro rozpoznávání emocí napsaném v jazyce Python. Poslední kapitola představuje experimenty provedené na datové sadě získané sjednocením datových sad RAVDESS, TESS, SAVEE a EMOVO. Pro klasifikaci byla použita neuronová síť typu MLP. Byla implementována a natrénována pomocí frameworku PyTorch. MFCC příznaky byly zvoleny pro učení modelu. Provedené experimenty byly zdokumentovány a rozebrány. V závěru práce jsou shrnuty výsledky a navrženy metody pro dosažení lepších výsledků. Při klasifikaci sedmi emocí bylo dosaženo přesnosti pro nahrávky 92,3 %.	cs
dc.description.abstract	Bachelor's thesis deals with emotion recognition in audio recordings using deep neural networks. In the introductory part, the reader is familiarised with the motivation and application of speech emotion recognition system. At the beginning of the first chapter, the concepts of emotion and emotion recognition are defined. Subsequent sections are focused on the development of a speech emotion recognition system. Next chapter is devoted to acquaintance with the basics of neural networks. Model used in the experimental part of the work is presented, training and evaluation of the model are explained. The following section describes the design and workflow of emotion recognition package written in Python. The last chapter presents experiments performed on a dataset obtained by unifying the RAVDESS, TESS, SAVEE and EMOVO datasets. An MLP neural network was used for classification. It was implemented and trained using the PyTorch framework. MFCC features were selected for model learning. Performed experiments were documented and analyzed. At the end of the work, the results are summarized and methods for achieving better results are proposed. An accuracy of 92,3 % per recording has been achieved while classifying seven emotions.	en
dc.description.mark
dc.format	58
dc.format.extent	Ilustrace, Schémata, Grafy, Tabulky Žádné.
dc.identifier.signature	V 202102950
dc.identifier.uri	https://dspace.tul.cz/handle/15240/160450
dc.language.iso	cs
dc.relation.isbasedon	par[1] BISHOP, Christopher M. Pattern recognition and machine learning. [New York]: Springer, c2006. Information science and statistics. ISBN 978-0-387-31073-2par par[2] GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Cambridge, MA: MIT press, [2016]. Adaptive computation and machine learning series. ISBN 978-0-262-03561-3par par[3] KONAR, Amit a Aruna CHAKRABORTY. Emotion recognition: a pattern analysis approach. Hoboken, New Jersey: John Wiley & Sons, [2015]. ISBN 978-1-118-13066-7par par[4] AKÇAY, Mehmet Berkehan a Kaya O&
dc.relation.isbasedon	x11e;UZ. Speech emotion recognition: Emotional models, databases, features, preprocessing methods, supporting modalities, and classifiers. Speech Communication. 2020, 116, 56-76par
dc.rights	Vysokoškolská závěrečná práce je autorské dílo chráněné dle zákona č. 121/2000 Sb., autorský zákon, ve znění pozdějších předpisů. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou https://knihovna.tul.cz/document/26	cs
dc.rights	A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act. https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics https://knihovna.tul.cz/document/26	en
dc.rights.uri	https://knihovna.tul.cz/document/26
dc.rights.uri	https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf
dc.subject	rozpoznávání emocí z řeči	cs
dc.subject	strojové učení	cs
dc.subject	neuronové sítě	cs
dc.subject	PyTorch	cs
dc.subject	MFCC	cs
dc.subject	speech emotion recognition	en
dc.subject	machine learning	en
dc.subject	neural networks	en
dc.subject	PyTorch	en
dc.subject	MFCC	en
dc.title	Rozpoznávání emocí v audio nahrávkách s využitím hlubokých neuronových sítí	cs
dc.title	Emotion Recognition in Audio Recordings Using Deep Neural Networks	en
dc.type	bakalářská práce	cs
local.degree.abbreviation	Bakalářský
local.degree.discipline	IT
local.degree.programme	Informační technologie
local.degree.programmeabbreviation	B2646
local.department.abbreviation	ITE
local.faculty	Fakulta mechatroniky, informatiky a mezioborových studií	cs
local.faculty.abbreviation	FM
local.identifier.author	M18000092
local.identifier.stag	41347
local.identifier.verbis
local.identifier.verbis	706fe23a-d993-4d47-a7e1-9eb1ed974059
local.note.administrators	automat
local.note.secrecy	Povoleno ZverejnitPraci Povoleno ZverejnitPosudky
local.poradovecislo	2950

Rozpoznávání emocí v audio nahrávkách s využitím hlubokých neuronových sítí

Files

Original bundle

Collections