Définition des émotions

Table des matières

CHAPITRE 1 INTRODUCTION
1.1 Problématique
1.1.1 Incertitudes relatives à la définition de l’émotion en psychologie
1.1.2 Nature dynamique de l’émotion
1.1.3 Bruit au niveau des corpus des émotions
1. Erreurs induites par l’opération d’annotation :
2. Conditions d’enregistrement et de transmission du signal :
1.1.4 Chevauchement entre classes d’émotions dans l’espace des traits acoustiques
1.1.5 Propriétés statistiques des corpus de données
1.2 Objectif
1.3 Applications
1.4 Organisation de cette thèse
CHAPITRE 2 THÉORIES DES ÉMOTIONS
2.1 Définition des émotions
2.2 Expressions émotionnelles entre les effets pousser et tirer
2.3 Modèles psychologiques des émotions
2.3.1 Théorie de l’émotion discrète
2.3.2 Théorie dimensionnelle
2.3.3 Théorie de l’évaluation cognitive
2.3.4 Modèle d’émotion à composantes
2.4 Corpus de parole émotionnelle
2.4.1 Type de corpus des émotions
2.4.1.1 Émotions naturelles
2.4.1.2 Émotions simulées
2.4.1.3 Émotions induites
2.4.2 Constitution d’un corpus de parole émotionnelle
2.4.2.1 Collection des enregistrements
2.4.2.2 Annotation du corpus
2.4.2.3 Validation du corpus
2.4.3 Corpus de données d’émotion dans la revue de littérature
2.5 Conclusion
CHAPITRE 3 REVUE DE LITTÉRATURE SUR LES SYSTÈMES DE RECONNAISSANCE AUTOMATIQUE DES ÉMOTIONS
3.1 Introduction
3.2 Travaux basés sur des classificateurs simples
3.2.1 Travaux selon le type d’unité d’analyse
3.2.2 Travaux selon le type des traits caractéristiques
3.2.2.1 Prosodie
3.2.2.2 Traits spectraux
3.2.2.3 Traits de la qualité de la voix
3.2.2.4 Éclats affectifs
3.2.2.5 Information linguistique
3.2.2.6 Sélection des traits caractéristiques
3.2.3 Travaux selon la portée des traits caractéristiques
3.2.3.1 Information à court terme
3.2.3.2 Information à long terme
3.2.4 Travaux selon l’approche de classification
3.2.4.1 Approche dynamique
3.2.4.2 Approche statique
3.2.4.3 Approche logique floue
3.2.4.4 Approche basée sur la similarité
3.3 Combinaison de classificateurs
3.3.1 Combinaison en cascade
3.3.2 Combinaison hiérarchique
3.3.3 Combinaison parallèle
3.3.3.1 Diversification dans les types de traits
3.3.3.2 Diversification dans la portée temporelle de l’information acoustique
3.3.3.3 Diversification des unités d’analyse
3.3.3.4 Diversification des unités d’analyses et des types de descripteurs
3.3.3.5 Diversification des modèles de classification
3.3.3.6 Diversification des types et portées de traits, d’unités d’analyse et de modèles de classification
3.3.4 Combinaison série
3.4 Techniques d’amélioration des performances des systèmes de RAE
3.4.1 Techniques basées sur l’exploitation de l’information sur le mode opératoire
3.4.1.1 Mode dépendant- versus indépendant du locuteur
3.4.1.2 Mode dépendant versus indépendant du genre
3.4.2 Techniques basées sur le traitement du problème de rareté des données d’apprentissage
3.4.2.1 Combinaison de plusieurs corpus
3.4.2.2 Co-apprentissage
3.4.2.3 Étiquetage actif
3.5 Conclusion
CHAPITRE 4 MÉTHODOLOGIE ET APPROCHE BASÉE SUR LA SIMILARITÉ POUR LA CLASSIFICATION DES ÉMOTIONS
4.1 Introduction
4.2 Approche basée sur la similarité
4.2.1 Motivation
4.2.2 Traits basés sur la similarité
4.2.3 Méthodes de classification
4.3 Corpus de parole émotionnelle FAU AIBO Emotion
4.4 Protocole d’expérimentation
4.5 Choix des descripteurs de haut niveau
4.5.1 Super vecteurs et dérivées
4.5.1.1 Modélisation par mélange de gaussiennes
4.5.1.2 Méthode d’estimation du maximum de vraisemblance
4.5.1.3 Adaptation MAP
4.5.1.4 Adaptation MLLR
4.5.1.5 Combinaison de MLLR et MAP
4.5.1.6 Expérimentations
4.5.1.7 Analyse discriminante linéaire probabiliste (PLDA)
4.5.2 Scores de vraisemblance comme traits de haut niveau
4.5.2.1 Motivation
4.5.2.2 Scores de vraisemblance et mesure de similarité
4.5.2.3 Vecteur de traits VCE et l’analyse des émotions
4.6 Conclusion
CHAPITRE 5 MÉTHODE DU PLUS PROCHE PATRON DE SIMILARITÉ PONDÉRÉ
5.1 Introduction
5.2 Vue d’ensemble du système WOC-NN
5.3 Patron de proximité
5.4 Métrique de mesure de similarité
5.4.1 Pondération des rangs de classe
5.4.2 Modèle de régression logistique
5.4.3 Génération des données d’entrainement
5.4.4 Réduction de la dimensionnalité
5.4.5 Normalisation de la pondération
5.5 Interaction entre les classes dans un patron de proximité
5.6 Résultats expérimentaux
5.6.1 Patrons de proximité des classes d’émotion du corpus FAU AIBO Emotion
5.6.2 Résultats de la classification
5.6.3 Résultats du modèle non linéaire
5.7 Conclusion
CHAPITRE 6 MODÈLES D’ANCRAGE POUR LA RECONNAISSANCE MUTICLASSES D’ÉMOTION
6.1 Introduction
6.2 Modèles d’ancrage
6.2.1 Construction de l’espace d’ancrage
6.2.2 Mappage dans l’espace d’ancrage
6.2.3 Classification des énoncés émotionnels
6.3 Configuration expérimentale
6.4 Problème des données bruitées avec la métrique euclidienne
6.5 Normalisation des scores
6.5.1 Normalisation de la covariance intraclasse
6.5.2 Résultats et discussion
6.6 Vecteurs représentative des classes
6.6.1 Représentant unique versus représentants multiples
6.6.2 Résultats expérimentaux
6.7 Comparaison avec des systèmes dorsaux plus complexes
6.7.1 Traitement du problème de distribution biaisée des classes de données
6.7.2 Résultats expérimentaux
6.8 Conclusion
CHAPITRE 7 MODÈLES D’ANCRAGE : PROPRIÉTÉS ET APPLICATION À UNE CLASSIFICATION BINAIRE
7.1 Introduction
7.2 Analyse géométrique des modèles d’ancrage dans espace bidimensionnel
7.2.1 Métrique euclidienne
7.2.2 Similarité cosinus
7.2.3 Relation entre les vecteurs représentatifs de classe et la métrique de similarité
7.2.4 Propriétés des vecteurs représentatifs de classe
7.3 Comparaison entre des règles décision Bayes et modèles d’ancrage
7.4 Expérimentation des modelés à ancrage à espace bidimensionnel
7.4.1 Configuration expérimentale
7.4.2 Résultats avant la normalisation WCCN
7.4.3 Effet géométrique de la normalisation WCCN
7.5 Espace d’ancrage multidimensionnel
7.5.1 La distance euclidienne
7.5.2 La mesure cosinus
7.5.3 Résultats expérimentaux dans un espace d’ancrage à cinq dimensions
7.6 Comparaison de la complexité algorithmique et optimisation
7.7 Conclusion
CHAPITRE 8 LES MODÈLES D’ANCRAGE POUR LA COMBINAISON DE CLASSIFICATEURS
8.1 Introduction
8.2 Nouveaux traits spectraux pour la reconnaissance des émotions
8.2.1 Estimation du Spectrum multitaper
8.2.2 Extraction des MFCC et PLP multitaper
8.2.3 Extraction des traits AMCC
8.2.4 Évaluation des performances individuelles des traits proposés
8.2.4.1 Résultats des traits multitaper et des traits AMCC
8.3 Complémentarité des traits
8.3.1 Analyse des matrices de confusion
8.3.2 Combinaison des traits
8.4 Fusion avec les modèles d’ancrage
8.4.1 Définition de l’espace d’ancrage de fusion
8.4.2 Normalisation des scores
8.4.3 Résultats expérimentaux des modèles d’ancrage de fusion
8.4.4 Modèles d’ancrage versus autres méthodes de combinaison
8.5 Conclusion
CONCLUSION GÉNÉRALE
RECOMMANDATIONS
ANNEXE I CORPUS DE PAROLE ÉMOTIONNELLE
ANNEXE II LE CORPUS FAU AIBO EMOTION
ANNEXE III MÉTHODES D’ESTIMATION DES PARAMÈTRES
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES