[논문]감정 인식을 위한 Interactive Feature Selection(IFS) 알고리즘

양현창; 김호덕; 박창현; 심귀보

doi:10.5391/jkiis.2006.16.6.647

초록
AI-Helper

본 논문은 일반적으로 많은 특징들을 갖고 있는 패턴 분류 문제인 감정 인식을 위한 새로운 특징 선택 방법을 제안한다. '특징 선택'은 패턴 인식 성능의 향상에 기여하고 '차원의 저주'문제에도 좋은 해결책으로 많이 사용되는 방법이다. 그래서, 본 논문에서는 강화학습의 개념을 사용한 상호 작용에 의한 특징 선택 방법인 IFS(Interactiv Feature Selection)를 고안하였고 이 알고리즘을 사용하여 선택된 특징들을 감정 인식 시스템에 적용하여 성능이 향상됨을 확인하였다. 또한 기존의 특징 선택 방법과의 비교를 통하여 본 알고리즘의 우수성을 확인하였다.

Abstract ▼ AI-Helper

This paper presents the novel feature selection method for Emotion Recognition, which may include a lot of original features. Specially, the emotion recognition in this paper treated speech signal with emotion. The feature selection has some benefits on the pattern recognition performance and 'the c...

This paper presents the novel feature selection method for Emotion Recognition, which may include a lot of original features. Specially, the emotion recognition in this paper treated speech signal with emotion. The feature selection has some benefits on the pattern recognition performance and 'the curse of dimension'. Thus, We implemented a simulator called 'IFS' and those result was applied to a emotion recognition system(ERS), which was also implemented for this research. Our novel feature selection method was basically affected by Reinforcement Learning and since it needs responses from human user, it is called 'Interactive Feature Selection'. From performing the IFS, we could get 3 best features and applied to ERS. Comparing those results with randomly selected feature set, The 3 best features were better than the randomly selected feature set.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 특정 강화학습 방법을 이용하기 보다는 강화학습의 기본 개념인 어떤 State에서 action을 취했을 때 받게 되는 Reward의 값을 이용하여 Feature set을 선택하는 방법을 제안한다. 특히, 단순히 reward만을 합산하는 것이 아니라 천이되는 감정 상태의 발생 빈도 또한 Feature selection을 위한 평가단계에서 가중치로 사용하여 사용자와의 접촉 빈도가 많아질수록 정밀하게 학습해가는 장점을 가진다.
본 논문은 특징점이 많은 패턴인식의 경우 차원의 저주 문제의 해결책으로 제시될 수 있고 인식 성능의 향상에 도움을 줄 수 있는 Feature selection algorithm으로써 강화학습의 개념을 기반으로 제안한 Interactive Feature Selection Method에 관한 논문이다. 본 연구에서 구현한 IFS를 통해 Best Features를 찾아내어 일반적으로 좋은 성능을 보여주고 있는 ANN으로 감성 인식을 한 결과 임의로 선택한 Feature 보다 좋은 결과를 보임을 확인하였다.

가설 설정

이 알고리즘은 감정 인식 시스템이 일반 가정의 로봇이나 가전제품에서 부착되어 사용되어 진다고 가정한다. 그러한 경우라면 사용자가 해당 기기를 사용할 때 가끔 감정적 발화와 그 당시의 감정 상태(교사신호로써)를 이 시스템이 입력하는 일이 많이 불편하진 않을 것이기 때문이다.

제안 방법

더 이상 입력이 없게 되면 feature들 중 점수가 높은 것을 선택하여 목적함수에 의한 평가를 받는다. 두 번 이상의 평가 이후 성능이 저하되는 경우에는 처음에는 일정 순위에 들지 못했던 것들 중 점수가 높은 feature를 입력하여 다시 평가한다. 이 또한 성능이 향상할 때까지 반복한다.
본 논문은 감정 인식의 다양한 매체들 중 음성으로부터 Feature를 추출하여 패턴 인식을 한다. 음성에 의한 감정 인식의 방법에는 크게 Acoustic information을 이용하는 경우오+ Language and Discourse Information을 이용하는 경우로 나눌 수 있다.
비교사 특징 선택 방법은 인지된 소리 외의 다른 것에 대응하는 결과를 보일 확률이 높기 때문에 교사 값을 갖는 방법을 많이 사용하는 것이다[7丄 그러나 실질적으로 Feature selection method를 사용해야 하는 경우는 분명한 교사 값을 갖기 어려운 경우이기 때문에 비교사 값을 사용한 방법이 유용할 것이다. 이러한 두 방법의 문제점을 해결할 수 있는 방법으로 교사와 비교사 학습의 중간지점에 위치한 강화학습을 사용하는 방법을 제안한다.
피험자들의 연령대는 24〜31세이고 4가지 감정(평서, 화, 기쁨, 슬픔)으로 10가지 대사를 연기하도록 요구하였다. 특히 10가지 문장들(대사)은 초기에 준비된 30가지 문장을 모두 연기하도록 한 뒤 피험자 이외의 사람들에게 녹음된 소리를 들려준 뒤 "녹음된 소리가 4가지 감정 중 어떤 감정으로 란느껴집니까?” 란 질문에 대해 90% 이상의 동의로 주어진 감정과 일치된다고 합의된 것들이다.

대상 데이터

감정적인 음성은 10명의 남성 대학원생들로부터 획득되었다. 피험자들의 연령대는 24〜31세이고 4가지 감정(평서, 화, 기쁨, 슬픔)으로 10가지 대사를 연기하도록 요구하였다.

데이터처리

한편 제안한 알고리즘의 유효성을 검증하기 위해서 순차전향 선택(SFS: Sequential Forward Selection) 방법, 유전자 알고리즘 기반 특징 선택 (GAFS: Genetic Algorithm Feature Selection) 방법 [1이 , RS (Random Selection) 방법 과 비교 평가하였다. 다음의 그림 7은 이들의 방법을 이용해서 Feature 개수(표 1 참조)를 변화시켰을 때 감정 분류 비율을 그래프로 나타낸 것이다.

이론/모형

본 절에서는 제안한 Interactive Feature Selection(IFS) 알고리즘을 다음의 함수에 적용하여 성능을 평가한다.
이러한 선택의 문제에서 고민을 다소 해소 시켜 줄 수 있는 방법으로 GA/를 이용한 방법, Floating search 방법들이 있다[4]. 특히 floating search 방법에는 sequential forward selection 혹은 sequential backward selection method가 자주 사용되고 있는데, Chui Min 고} Shrinkanth는 forward selection(FS) method를 사용하였고[2], Din血trios와 Constantine은 Sequential floating forwai'd selection algorithm을 사용하여 87 개의 feature set으로부터 10개의 best features를 선택하여 실험하였다. Yi-Lin과 Gang 또한 Sequential forward selection 을 사용하여 39개의 후보 Feature set에서 최적의 Feature subset을 선택하였고[5] Fabian et al.
패턴 인식 방법은 일반적으로 좋은 인식율을 보여주고 잡음이 낀 신호에도 강인한 성능을 보여주는 인공 신경망을 사용하였다. 1990년 이후로 감성 인식 분야에서 가장 많이 사용된 패턴 인식 방법이기도 한 신경망 알고리즘은 실수, 이산값, 벡터 값 등의 입력에 대해서도 사용이 용이한 매우 실용적인 방법이고 보통 Back Propagation Algorithm을 사용하여 네트워크 파라미터를 조정한다.

성능/효과

IFS는 알고리즘의 특성상 사용자가 목표로 하는 Feature의 개수를 미리 정할 수 있기 때문에 그림에서 나타난 세대별 Feature의 개수는 사용자가 미리 결정한 것이고, 위의 선은 그때의 적합도를 나타낸 것이다. 1개에서 2개로 늘렸을 때는 성능이 선형적으로 증가했으나 3개로 늘렸을 때는 3세대 동안 다른 Feature set을 선정하는 작업을 거쳐서 좋은 적합도를 보이는 결과를 찾을 수 있었고 4개로 증가시켰을 때도 3세대 동안 다른 Feature set 을 선정하는 작업을 거쳐서 47에 가까운 값으로 증가하였다.
준비되었던 문장들은 모두 6~10 음절로 제한된 것들이다. 녹음된 포맷은 1.1kHz, 16bit, mono 이고, 녹음 시 피험자들은 마이크로폰과의 거리를 10cm로 일정하게 유지토록 하였다. 마이크로폰과의 거리는 녹음된 음성의 Loudness 혹은 intensity에 영향을 미치므로 거리 유지가 매우 중요하다.
예상한 바와 같이 RS 방법은 다른 방법들에 비해서 그 성능이 떨어짐을 알 수 있다. 반면, IFS, SFS, GAFS 등은 미묘한 차이를 나타내지만, 본 논문에서 제안한 IFS 방법이 적은 수의 Feature의 개수로서도 우수한 감정 인식 결과를 얻을 수 있음을 알 수 있다.
관한 논문이다. 본 연구에서 구현한 IFS를 통해 Best Features를 찾아내어 일반적으로 좋은 성능을 보여주고 있는 ANN으로 감성 인식을 한 결과 임의로 선택한 Feature 보다 좋은 결과를 보임을 확인하였다. 차후에는 더욱 다양한 경우에 대한 결과를 보여 알고리즘의 우수성을 확인하도록 할 것이다.
왔다. 음성, 영상, 생체신호, 몸짓이 그 4가지 매체이고 1990년부터 2005년까지 IEEE 논문으로 출간된 감정 인식 연구 결과로부터 통계를 내본 결과, 음성에 대한 연구가 가장 많았고, 그다음으로 음성과 영상을 조합한 연구, 그리고 생체 신호와 몸짓에 대한 연구가 소수 보여 짐을 확인할 수 있다. 이러한 분위기는 음성과 영상에 대한 신호의 추출이 생체신호나 몸짓의 추출보다 용이하고 신호의 분류 가능성도 더 좋기 때문인 것으로 추정된다.

후속연구

그러한 경우라면 사용자가 해당 기기를 사용할 때 가끔 감정적 발화와 그 당시의 감정 상태(교사신호로써)를 이 시스템이 입력하는 일이 많이 불편하진 않을 것이기 때문이다. 이러한 점을 감안한다면 본 알고리즘은 사용자별로 감성의 특징점이다를 수 있다는 점을 훌륭히 해결할 수 있는 사용자 적응형 시스템이며 사용자에 대해 학습을 하면 할수록 좋은 성능을 보일 수 있는 장점을 갖고 있다.
본 연구에서 구현한 IFS를 통해 Best Features를 찾아내어 일반적으로 좋은 성능을 보여주고 있는 ANN으로 감성 인식을 한 결과 임의로 선택한 Feature 보다 좋은 결과를 보임을 확인하였다. 차후에는 더욱 다양한 경우에 대한 결과를 보여 알고리즘의 우수성을 확인하도록 할 것이다.

참고문헌 (10)

D. Ververidis and C. Kotropoulos, 'Emotional speech classification using Gaussian mixture models,' Proceedings of ISCAS, vol. 3, pp. 2871-2874, May, 2005
C. M. Lee and S. S. Narayanan, 'Toward detecting emotions in spoken dialogs,' IEEE Transactions on Speech and Audio Processing, vol, 13, pp. 293-303, March, 2005

상세보기
J. Wagner, J. H. Kim and E. Andre, 'From Physiological Signals to Emotions: Implementing and Comparing Selected Methods for Feature Extraction and Classification,' Proceedings of ICME, pp. 940-943, July, 2005
P. Pudil and J. Novovicova, 'Novel Methods for Subset Selection with Respect to Problem knowledge,' IEEE Intelligent Systems, pp. 66-74, March, 1998

상세보기
Y. L. Lin and W. Gang, 'Speech Emotion Recognition based on HMM and SVM,' Proceedings of Machine Learning and Cybernetics, vol. 8, pp. 4898-4901, Aug., 2005
F. Morchen, A. Ultsch, M. Thies and I. Lohken, 'Modeling Timbre Distance With Temporal Statistics From Polyphonic Music,' IEEE transaction on Audio, Speech and Language Processing, vol. 14, issue 1, pp. 81-90, Jan., 2006

상세보기
E. F. Combarro, E. Montanes, I. Diaz, J. Ranilla, and R.Mones, 'Introducing a Family of Linear Measures for Feature Selection in Text Categorization,' IEEE transactions on Knowledge and Data Engineering, vol. 17, no. 9, pp. 1223-1232, Sept., 2005

상세보기
R. S. Sutton and A. G.Barto, Reinforcement Learning : An Introduction, A bradford bock, London, 1998
C. H. Park and K. B. Sim 'The Implementation of the Emotion Recognition from Speech and Facial Expression System,' Lecture Notes in Computer Science(LNCS), vol. 3611, pp. 85-88, 2005

상세보기
박창현, 김호덕, 영현창, 심귀보, '패턴 인식문제를 위한 유전자 알고리즘 기반 특징 선택 방법 개발', 한국 퍼지 및 지능시스템학회 논문지, 제16권, 제4호, pp. 466-471, 2006

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

감정 인식을 위한 Interactive Feature Selection(IFS) 알고리즘
Interactive Feature selection Algorithm for Emotion recognition 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

감정 인식을 위한 Interactive Feature Selection(IFS) 알고리즘 Interactive Feature selection Algorithm for Emotion recognition 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

양현창 (14) 김호덕 (12) 박창현 (12) 심귀보 (214)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

감정 인식을 위한 Interactive Feature Selection(IFS) 알고리즘
Interactive Feature selection Algorithm for Emotion recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper