مقاله ترجمه شده تشخیص دروغگویی از سیگنال گفتار با استفاده از ویژگی های ماشین بردار ارتباط و دینامیک غیر خطی

روش نوین تشخیص دروغگویی بر اساس سیگنال گفتار، در این مطالعه ارائه شده است. استخراج مجموعه ی ویژگی دینامیک عروضی و غیر خطی (NLD) از سیگنال گفتار و اعمال روش طبقه بندی ماشین بردار ارتباطی (RVM)، هدف ابتدایی این مقاله است. در این مقاله، نمونه های آوایی مربوط به سخنرانی مداوم فریبکارانه و غیر فریبکارانه به کار گرفته شد. در این مقاله، 30 ویژگی عروضی و 18 ویژگی NLD که ارتباط معنی داری با حالت دروغگویی نشان می دهند، انتخاب شدند. علاوه بر این، مدل طبقه بندی RVM مبتنی بر یادگیری پراکنده بیزین (SBL)، معرفی شد که فرمت بیزین ماشین بردار پشتیبان (SVM) بوده و توسط شرایط مرکر محدود نمی شود. در آزمایشات، نوشتجات مربوط به درغگویی دانشگاه سوچو برای سنجیدن رویکردمان استفاده شد. در مرحله ی اول، آزمایش سنجیدن عملکرد ویژگی انجام شد. نشان داده شد که ترکیبی از ویژگی های عروضی و NLD، مؤثرترین روش برای تشخیص گفتار دروغین است. در مرحله ی دوم، خصوصیت مدل طبقه بندی RVM اندازه گیری شد. نتایج آزمایش نشان می دهد که فن آوری RVM به توابع پایه ی بسیار کمتر نیاز دارد و نسبت به الگوریتم SVM، زمان تصمیم بسیار کمتری می خواهد. علاوه بر این، در طول سنجیدن دقت طبقه بندی صحیح RVM، نشان داده شد که RVM، نسبت به مدل کلاسیک SVM و شبکه ی عصبی تابع پایه ای شعاعی (RBFNN)، بسیار بالاتر می باشد. در نهایت، سنجیدن استحکام RVM بررسی شد و زمانی که نسبت سیگنال به نویز (SNR) افت کرد، عملکرد بهتری نسبت به روش SVM و RBFNN گرفته شد. به طور کلی، روش تشخیص دروغگویی پیشنهادی مبتنی بر ویژگی های ترکیبی و طبقه بندی کننده RVM نوین، مناسب و عملی است، علاوه بر این، به دقت طبقه بندی بالاتر ، زمان تشخیص کمتر، خصوصیت تعمیم دادن، و توانمندی زیاد می رسد.

The novelmethodofdeceptiondetectingbasedonspeechsignalisproposedinthisstudy.Extracting
prosodic andnon-lineardynamics(NLD)featuresetsfromspeechsignalandapplyingrelevancevector
machine (RVM)classification methodistheprimarytargetofthispaper.Here,thesustainedspeaker-
depended phonationsamplesofdeceptionandnon-deceptionwereapplied.Inthispaper,30prosodic
features and18NLDfeatureswereselectedwhichshowsignificant correlationstodeceptionstate.
Moreover,theRVMclassification modelbasedonsparsebayesianlearning(SBL)wasintroducedwhichis
a bayesianextensionofthesupportvectormachine(SVM)andnotberestrictedbytheMercer's
condition. Intheexperiments,thedeceptioncorpusofSoochowUniversityisexploitedtotestour
approach. Firstly,theexperimentoffeatureperformancetestwascarriedout.Itisdemonstratedthatthe
combination ofprosodicandNLDfeaturesisthemosteffectivelymethodfordetectingdeceptivespeech.
Secondly,thepropertyofRVMclassification modelismeasured.TheexperimentresultsshowthatRVM
technology requiresmuchfewerbasicfunctionsanddemandsmuchlessdecisiontimethantheSVM
algorithm. Furthermore,duringthetestofcorrectclassification accuracyofRVM,itshowsthatRVMis
much higherthantheclassicalmodelofSVMandradialbasisfunctionneuralnetwork(RBFNN).Finally,
the robustnesstestofRVMisprocessedandreceivedbetterperformancethanSVMandRBFNNmethods
when thesignaltonoiseratio(SNR)falls.Ingeneral,theproposeddeceptiondetectingmethodbasedon
the combinedfeaturesandRVMclassifier isnovel,convenientandpractical,moreover,itachieveshigher
classification accuracy,lessdetectiontime,propertyofgeneralization,andthestrongrobustness.

تعداد صفحات فارسی:26
تعداد صفحات انگلیسی:11
سال انتشار:2014

• مشخصات محصول
• دسته‌بندی محصول
• برچسب‌ها
• دیدگاه‌ها