Speech Emotion Detection Using Mel-Frequency Cepstral Coefficient and Hidden Markov Model

Aim: The study aims to extract features from EEG signals and classify emotion using Support Vector Machine (SVM) and Hidden Markov Model (HMM) classifier. Materials and methods: The study was conducted using the Support Vector Machine (SVM) and Hidden Markov Model (HMM) programs to analyze and compare the recognition of emotions classified under EEG signals. The results were computed using the MATLAB algorithm. For each group, ten samples were used to compare the efficiency of SVM and HMM classifiers. Result: The study’s performance exhibits the HMM classifier’s accuracy over the SVM classifier and the emotion detection from EEG signals computed. The mean value of the HMM classifier is 52.2, and the SVM classifier is 22.4. The accuracy rate of 35% with the data features is found in HMM classifier. Conclusion: This study shows a higher accuracy level of 35% for the HMM classifier when compared with the SVM classifier. In the detection of emotions using the EEG signal. This result shows that the HMM classifier has a higher significant value of P=.001 < P=.005 than the SVM classifier.

Download Full-text

Hidden MARKOV Model Approach Towards Emotion Detection From Speech Signal

Computer Science & Information Technology ( CS & IT ) ◽

10.5121/csit.2015.50802 ◽

2015 ◽

Author(s):

Sathiyamurthy K ◽

Pavidhra T ◽

Monisha B ◽

VishnuPriya K

Keyword(s):

Markov Model ◽

Hidden Markov Model ◽

Speech Signal ◽

Hidden Markov ◽

Emotion Detection ◽

Model Approach

Download Full-text

A High-Order Hidden Markov Model for Emotion Detection from Textual Data

Knowledge Management and Acquisition for Intelligent Systems - Lecture Notes in Computer Science ◽

10.1007/978-3-642-32541-0_8 ◽

2012 ◽

pp. 94-105 ◽

Cited By ~ 12

Author(s):

Dung T. Ho ◽

Tru H. Cao

Keyword(s):

Markov Model ◽

Hidden Markov Model ◽

Hidden Markov ◽

High Order ◽

Emotion Detection ◽

Textual Data

Download Full-text

Aplikasi Pengenalan Suara untuk Pengamanan Software Komputer Menggunakan Metode MFCC(Mel Frequency Cepstrum Coefficients) dan HMM (Hidden Markov Model)

Jurnal Teknologi Elektro ◽

10.22441/jte.2020.v11i1.006 ◽

2020 ◽

Vol 11 (1) ◽

pp. 39

Author(s):

Ichbal Septian El Bashart ◽

Triyanto Pangaribowo

Keyword(s):

Signal Processing ◽

Digital Signal Processing ◽

Markov Model ◽

Hidden Markov Model ◽

Hidden Markov ◽

Digital Signal ◽

Mel Frequency Cepstral Coefficient

Proses pengolahan sinyal suara dapat menggunakan digital signal processing dan algoritma tertentu yang dapat mengolah baik itu dengan fungsi matematis ataupun persamaan sehingga dapat dikenali. Suara sendiri memiliki sinyal informasi yang tidak terbatas dan memiliki banyak kegunaan penerapan sehari – hari termasuk diantaranya adalah untuk proses kontrol dan identifikasi aplikasi komputer misalnya. Perancangan aplikasi pengenalan suara untuk membuka aplikasi komputer berdasar pengguna nya dilakukan dengan 2 proses utama yaitu dengan menggunakan algoritma untuk ekstraksi pencocokan ciri. Ekstraksi ciri merupakan fitur untuk mendapatkan ciri atau elemen suara yang bisa membeda bedakan masing-masing suara manusia. Metode yang digunakan dalam tugas akhir ini untuk ekkstraksi suara adalah MFCC (Mel Frequency Cepstral Coefficient). Proses selanjutnya adalah pencocokan fitur ciri dengan menggunakan HMM (Hidden Markov Model). Hasil pengujian dari penelitian ini dapat diketahui apabila semakin adanya kemiripan suara saat pengujian dengan saat pelatihan maka aplikasi yang terbuka akan sesuai dengan aplikasi yang disuarakan. Hasil pengujian suara untuk mengenali suara yang ada pada database suara yang tertinggi 80% dan untuk suara diluar database hanya 0-40%, dengan kondisi aplikasi yang terbuka masih ada perbedaan antara aplikasi yang diinginkan dengan hasil keputusan sistem

Download Full-text