BESST : Brno Extended Speech and Stress Test
| Autoři | |
|---|---|
| Rok publikování | 2022 |
| Druh | Článek ve sborníku |
| Konference | KOGNICE A UMĚLÝ ŽIVOT XX : Sborník z 20. ročníku konference |
| Fakulta / Pracoviště MU | |
| 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. |