BESST : Brno Extended Speech and Stress Test

Autoři

PEŠÁN Jan JUŘÍK Vojtěch

Rok publikování 2022
Druh Článek ve sborníku
Konference KOGNICE A UMĚLÝ ŽIVOT XX : Sborník z 20. ročníku konference
Fakulta / Pracoviště MU

Filozofická fakulta

Citace
www https://kuz2022.ciirc.cvut.cz/KUZ_2022_sbornik.pdf
Doi http://dx.doi.org/10.14311/BK.9788001070079
Klíčová slova machine learning; stress; automatic speech processing; Maastricht Acute Stress Test
Popis Detekce stresu je tradičním tématem v oblasti automatického zpracování řeči. Historicky problematickou oblastí v rámci přístupu tzv. hlubokého učení je nedostatek kvalitních referenčních dat pro trénink umělých systémů. V aktuálním výzkumu jsme aplikovali psychologickou metodologii do oblasti IT, abychom mohli shromáždit potřebná empirická data vhodná pro efektivní trénink hlubokých neuronových sítí v kontextu řečové zátěže. Modely neuronových sítí, poháněné adekvátními datovými vstupy, mohou významně podpořit klasifikaci a detekci stresu při automatickém zpracování řeči. Za tímto účelem byl vyvinut Brněnský rozšířený test řeči a zátěže (BESST), který je rozšířenou adaptací původního protokolu Maastrichtského akutního zátěžového testu (MAST). Upravená metodika BESST má za cíl maximalizovat sběr řečových výstupů od účastníků v různých stresových kontextech. Navrhovaná metodologie představená v tomto článku představuje funkční a škálovatelný nástroj pro sběr klíčových datových sad nezbytných pro detekci stresu pomocí technik hlubokého učení.

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.