DOI: https://doi.org/10.17725/j.rensit.2026.18.061
تاريخ النشر: 2026-02-15
المؤلف: Денис КРАВЧУК وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تبحث ورقة البحث في الحالة النفسية والعاطفية للمشغلين من خلال تحليل إشارات الكلام، باستخدام تحويلات الموجات لاستخراج ميزات السعة والتردد. شملت الدراسة عشرين تسجيلًا صوتيًا من مواضيع تعاني من حالات عاطفية مختلفة، إلى جانب تسجيلات من متحدث محترف يحاكي مشاعر مثل الفرح والغضب والخوف والحزن. حدد التحليل علامات معلوماتية مميزة تميز بين هذه الحالات العاطفية، مما يظهر الإمكانية لاستخدام إشارات الكلام لتقييم الحالات النفسية والعاطفية.
تكشف النتائج أن كل واحدة من الحالات العاطفية الأربعة الرئيسية – الغضب، والهدوء، والفرح، والحزن – تظهر أنماطًا فريدة في خصائص السعة والتردد. على وجه الخصوص، يتميز الغضب بزيادة الطاقة في نطاق التردد العالي (2-4 كيلوهرتز)، بينما يظهر الهدوء والحزن تركيز الطاقة في نطاق التردد المنخفض (300-800 هرتز)، مع انعكاس الحزن أيضًا لانخفاض في الطاقة الطيفية الكلية. يتميز الفرح بطيف متوازن وواسع. تسلط الدراسة الضوء على أن العلامات الزمنية للعواطف يمكن تحديدها من خلال معاملات تفاصيل تحويل الموجات، حيث يظهر الغضب انفجارات حادة، بينما يظهر الحزن رتابة، ويظهر الفرح تعديلًا ديناميكيًا. تختتم الدراسة بأن الجمع بين الميزات الزمنية والطيفية ومميزات الموجات يخلق مساحة خصائص متعددة الأبعاد، مما يمكّن من التمييز الموثوق بين العواطف الأساسية، والتي يمكن أن تُفيد في تطوير خوارزميات التعرف التلقائي على العواطف في التفاعلات بين الإنسان والآلة والتقييمات النفسية. ستستكشف الأعمال المستقبلية طرقًا هولوجرافية لتحسين معالجة إشارات الكلام لتحديد الحالات العاطفية بشكل أفضل.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الأهمية المتزايدة للاعتراف بالحالات العاطفية من خلال تحليل إشارات الصوت الكلامية، لا سيما في سياق تطبيقات الرعاية الصحية. تتطلب الطرق التقليدية لتقييم الاضطرابات النفسية غالبًا مراقبة شاملة لسلوك المريض، بينما يوفر تحليل الصوت بديلاً أكثر كفاءة وأقل تدخلاً. تركز الدراسة على تحديد أربع عواطف رئيسية – الغضب، والخوف، والفرح، والحزن – باستخدام نهج موحد يسهل البحث المقارن.
تشمل المنهجية استخراج ميزات صوتية مثل الشدة، وخصائص الشكل، والنغمة من إشارات الصوت، باستخدام MATLAB R2017a لحساب الميزات. ثم يتم إدخال هذه الميزات في مصنفات مصممة لتصنيف أجزاء الكلام إلى فئات عاطفية بناءً على الخصائص الطيفية والنغمية. تشير النتائج التجريبية إلى أن دمج المعلومات السابقة حول جنس المتحدث يمكن أن يعزز دقة التعرف على العواطف. بالإضافة إلى ذلك، يبرز التحليل أهمية أصوات الحروف المتحركة، التي تظهر خصائص طيفية مستقرة وتنقل بشكل فعال التغيرات في النطق والنغمة المرتبطة بمشاعر مختلفة.
طرق
في هذه الدراسة، تم استخدام طريقة تحويل الموجات لتحليل إشارات الكلام، مما يسمح باستخراج معلمات وبيانات هامة مع تقليل فقدان المعلومات. استخدم الباحثون موجة دابيش من الدرجة الرابعة لتحليل أكثر دقة، مما أدى إلى رسومات بيانية للإشارات توضح أربع حالات عاطفية مميزة. أشار التحليل الطيفي إلى اختلافات ملحوظة في توزيع طاقة التردد تتوافق مع الحالة العاطفية للمتحدث. على وجه الخصوص، ارتبط كل من الغضب والفرح بزيادة الطاقة الكلية؛ ومع ذلك، ركز الغضب الطاقة في نطاق التردد العالي، بينما أظهر الفرح توزيعًا أكثر توازنًا للطاقة. بالمقابل، تم تمييز الهدوء والحزن بانخفاض الطاقة في التردد العالي، حيث أظهر الحزن نمطًا مميزًا في توزيع الطاقة.
تم إجراء التحليل بمعدل أخذ عينات قدره 16 كيلوهرتز، متسقًا مع مجموعة الكلام المستخدمة، وشمل إطارات من 25 مللي ثانية (تتكون من 400 عينة) مع تداخل قدره 10 مللي ثانية. تؤكد النتائج على فعالية تحويل الموجات في تمييز الحالات العاطفية من خلال الخصائص الطيفية لإشارات الكلام.
مناقشة
في هذا القسم، يوضح المؤلفون منهجيتهم لتحديد الحالات العاطفية من خلال تحليل إشارات الكلام، باستخدام قاعدة بيانات من ملفات صوتية مسجلة مسبقًا تلتقط نغمات عاطفية مختلفة. شمل العملية تسجيل أصوات ذكور وإناث تتراوح أعمارهم بين 20-24 تعبر عن مشاعر مثل الهدوء والغضب والخوف والحزن أثناء نطق نفس العبارة. استخدم التحليل أدوات برمجية مثل Adobe Audition وMatlab لاستخراج الميزات من إشارات الكلام باستخدام موجة دابيش من الدرجة الرابعة (Db4). يتم تبرير اختيار Db4 بدعمه المضغوط، والعمودية، والمقاومة للاتجاهات متعددة الحدود من الدرجة المنخفضة، والفعالية التجريبية في مهام التعرف على عواطف الكلام (SER)، مما يجعله مناسبًا لالتقاط التغيرات العاطفية قصيرة الأجل في الكلام.
تشير النتائج إلى أن الحالات العاطفية المميزة تظهر في خصائص السعة والتردد المحددة للكلام. على سبيل المثال، يرتبط الغضب بانفجارات طاقة عالية التردد، بينما يتميز الهدوء والحزن بتركيزات طاقة منخفضة التردد. تكشف معاملات الموجات المعاد بناؤها أن الغضب يظهر ديناميات طاقة عالية وغير مستقرة، بينما يظهر الهدوء تقلبات مستقرة ومتوسطة. تختتم الدراسة بأن خصائص السعة والتردد لإشارات الكلام يمكن أن تميز بشكل موثوق بين العواطف الأساسية، مما يشير إلى تطبيقات محتملة في أنظمة التعرف التلقائي على العواطف. يُقترح البحث المستقبلي لاستكشاف طرق هولوجرافية لتحسين معالجة إشارات الكلام، بهدف تحسين دقة تحديد الحالة العاطفية.
DOI: https://doi.org/10.17725/j.rensit.2026.18.061
Publication Date: 2026-02-15
Author(s): Денис КРАВЧУК et al.
Primary Topic: Emotion and Mood Recognition
Overview
The research paper investigates the psychoemotional state of operators through the analysis of speech signals, employing wavelet transforms to extract amplitude-frequency features. The study involved twenty speech recordings from subjects experiencing various emotional states, alongside recordings from a professional speaker simulating emotions such as joy, anger, fear, and sadness. The analysis identified distinct informative signs that differentiate these emotional states, demonstrating the potential for using speech signals to assess psychoemotional conditions.
The findings reveal that each of the four primary emotional states—anger, calmness, joy, and sadness—exhibits unique patterns in amplitude-frequency characteristics. Specifically, anger is marked by heightened energy in the high-frequency range (2-4 kHz), while calmness and sadness show power concentration in the low-frequency range (300-800 Hz), with sadness also reflecting a decrease in overall spectral energy. Joy is characterized by a balanced and expansive spectrum. The study highlights that temporal markers of emotions can be localized through wavelet transform detail coefficients, with anger displaying sharp bursts, sadness showing monotony, and joy exhibiting dynamic modulation. The research concludes that the combination of temporal, spectral, and wavelet features creates a multidimensional characteristic space, enabling reliable differentiation of basic emotions, which can inform the development of automatic emotion recognition algorithms in human-machine interactions and psychological assessments. Future work will explore holographic methods for enhanced speech signal processing to further identify emotional states.
Introduction
The introduction of this research paper highlights the growing importance of recognizing emotional states through the analysis of speech audio signals, particularly in the context of healthcare applications. Traditional methods for assessing psychological disorders often require extensive monitoring of patient behavior, whereas audio analysis offers a more efficient and less intrusive alternative. The study focuses on identifying four primary emotions—anger, fear, joy, and sadness—using a standardized approach that facilitates comparative research.
The methodology involves extracting acoustic features such as intensity, formant characteristics, and pitch from the audio signals, utilizing MATLAB R2017a for feature calculation. These features are then input into classifiers designed to categorize speech fragments into emotional classes based on spectral and prosodic attributes. The experimental results indicate that incorporating a priori information about the speaker’s gender can enhance the accuracy of emotion recognition. Additionally, the analysis underscores the significance of vowel sounds, which exhibit stable spectral characteristics and effectively convey variations in articulation and prosody associated with different emotions.
Methods
In this study, the wavelet transform method was employed to analyze speech signals, allowing for the extraction of significant parameters and data while minimizing information loss. The researchers utilized a 4th-order Daubechies wavelet for a more precise analysis, resulting in signal graphs that illustrate four distinct emotional states. The spectral analysis indicated notable variations in frequency energy distribution correlating with the speaker’s emotional state. Specifically, both anger and joy were associated with increased overall energy; however, anger concentrated energy in the high-frequency range, while joy exhibited a more uniform energy distribution. Conversely, calmness and sadness were characterized by reduced high-frequency energy, with sadness showing a distinct pattern in energy distribution.
The analysis was conducted at a sampling rate of 16 kHz, consistent with the speech corpus used, and involved frames of 25 ms (comprising 400 samples) with a 10 ms overlap. The findings underscore the effectiveness of wavelet transforms in differentiating emotional states through spectral characteristics of speech signals.
Discussion
In this section, the authors detail their methodology for identifying emotional states through speech signal analysis, utilizing a database of pre-recorded audio files that capture various emotional tones. The process involved recording male and female voices aged 20-24 expressing emotions such as calmness, anger, fear, and sadness while uttering the same phrase. The analysis employed software tools like Adobe Audition and Matlab to extract features from the speech signals using the 4th order Dobshy wavelet (Db4). The choice of Db4 is justified by its compact support, orthogonality, resistance to low-order polynomial trends, and empirical effectiveness in speech emotion recognition (SER) tasks, making it suitable for capturing short-term emotional changes in speech.
The findings indicate that distinct emotional states manifest in specific amplitude-frequency characteristics of speech. For instance, anger is associated with high-frequency energy bursts, while calmness and sadness are characterized by low-frequency power concentrations. The reconstructed wavelet coefficients reveal that anger exhibits high and unstable energy dynamics, whereas calmness shows stable and moderate fluctuations. The study concludes that the amplitude-frequency characteristics of speech signals can reliably differentiate between basic emotions, suggesting potential applications in automatic emotion recognition systems. Future research is proposed to explore holographic methods for enhanced speech signal processing, aiming to improve the accuracy of emotional state identification.