بازشناسی هیجان مبتنی بر همجوشی اطلاعات چندوجهی با استفاده از مدل ترکیبی یادگیری هیجانی مغز

مقدمه: بازشناسی هیجان چندوجهی به واسطه دریافت اطلاعات از منابع حسی (وجه ‌های) مختلف از یک ویدیو دارای چالش ‌های فراوانی است و به عنوان روش جدیدی برای تعامل طبیعی انسان با رایانه مورد توجه محققان زیادی قرار گرفته است. هدف از این پژوهش، بازشناسی هیجان به طور خودکار از روی گفتار هیجانی و حالات چهره، مبتنی بر ساز و کارهای عصبی مغز بود. بنابراین، با توجه به مطالعات صورت گرفته در زمینه مدل ‌های الهام گرفته از مغز، یک چارچوب کلی برای بازشناسی هیجان دومدالیتی با الهام از عملکرد کورتکس شنوایی و بینایی و سیستم لیمبیک مغز ارائه شود. روش کار: مدل ترکیبی و سلسله مراتبی پیشنهادی از دو مرحله یادگیری تشکیل شده بود. مرحله اول: مدل ‌های یادگیری عمیق برای بازنمایی ویژگی ‌های بینایی و شنوایی و مرحله دوم: مدل ترکیبی یادگیری هیجانی مغز (mobel) بدست آمده از مرحله قبل برای همجوشی اطلاعات شنیداری_دیداری. برای بازنمایی ویژگی ‌های بینایی به منظور یادگیری ارتباط مکانی بین پیکسل ‌ها و ارتباط زمانی بین فریم ‌های ویدئو از مدل شبکه عصبی یادگیری عمیق 3dcnn استفاده شد. همچنین به منظور بازنمایی ویژگی ‌های شنوایی، ابتدا سیگنال گفتار به تصویر لگاریتم مل_اسپکتروگرام تبدیل شده سپس به مدل یادگیری عمیق cnn برای استخراج ویژگی ‌های مکانی_زمانی داده شد. در نهایت، اطلاعات به دست آمده از دو جریان فوق به شبکه عصبی ترکیبی mobel داده شد تا با در نظر گرفتن همبستگی بین وجه ‌های بینایی و شنوایی و همجوشی اطلاعات در سطح ویژگی، کارایی سیستم بازشناسی هیجان را بهبود بخشد.یافته ‌ها: نرخ بازشناسی هیجان در ویدیو با استفاده از مدل ارائه شده بر روی پایگاه داده enterface rsquo;05 به طور میانگین 82 درصد شد. نتیجه ‌گیری: نتایج تجربی در پایگاه داده مذکور نشان می ‌دهد که کارکرد روش پیشنهادی بهتر از روش ‌های استخراج ویژگی های دستی و سایر مدل ‌های همجوشی در بازشناسی هیجان است.

Emotion recognition based on multimodal fusion using mixture of brain emotional learning

Introduction: Multimodal emotion recognition due to receiving information from different sensory resources (modalities) from a video has a lot of challenges and has attracted many researchers as a new method of human computer interaction. The purpose of this paper was to automatically recognize emotion from emotional speech and facial expression based on the neural mechanisms of the brain. Therefore, based on studies on braininspired models, a general framework for bimodal emotion recognition inspired by the functionality of the auditory and visual cortics and brain limbic system is presented.Methods: The hybrid and hierarchical proposed model consisted of two learning phases. The first step: the deep learning models for the representation of visual and auditory features, and the second step: a Mixture of Brain Emotional Learning (MoBEL) model, obtained from the previous stage, for fusion of audiovisual information. For visual feature representation, 3Dconvolutional neural network (3DCNN) was used to learn the spatial relationship between pixels and the temporal relationship between the video frames. Also, for audio feature representation, the speech signal was first converted to the log Melspectrogram image and then fed to the CNN. Finally, the information obtained from the two above streams was given to the MoBEL neural network model to improve the efficiency of the emotional recognition system by considering the correlation between visual and auditory and fusion of information at the feature level.Results: The accuracy rate of emotion recognition in video in the eNterface'05 database using the proposed method was on average of 82%.Conclusion: The experimental results in the database show that the performance of the proposed method is better than the handcrafted feature extraction methods and other fusion models in the emotion recognition.