Кравчук Денис Александрович, доктор технических наук, профессор, Институт нано-технологий, электроники и приборостроения
ул. Шевченко, д. 2/Е, Ростовская область, г. Таганрог 347922
Denis A. Kravchuk, Doctor of Sciences (Engineering), Professor, Institute of Nanotechnology, Electronics and Instrumentation
2/E Shevchenko Str., Rostov region, Taganrog 347922
Котенко Александр Сергеевич, студент, Институт нанотехнологий, электроники и приборостроения
ул. Шевченко, д. 2/Е, Ростовская область, г. Таганрог 347922
Alexander S. Kotenko, Student, Institute of Nanotechnology, Electronics and Instrumentation
2/E Shevchenko Str., Rostov region, Taganrog 347922
Целью исследований является всесторонний анализ речевого сигнала для выявления его параметров, наиболее информативных для определения психоэмоционального состояния говорящего. Работа направлена на сравнительное изучение и демонстрацию возможностей различных методов обработки сигналов (на основе анализа функции автокорреляции, спектрального, вейвлет-анализа и аттракторного анализа) в контексте извлечения биомаркеров психоэмоциональных состояний.
Методы. В работе применяется комплекс методов частотно-временного и нелинейного анализа речевого сигнала, реализованных в среде Matlab: автокорреляционный анализ – для оценки периодичности сигнала и определения частоты основного тона, параметры которой (среднее значение, дисперсия, характер изменений) служат биомаркерами эмоций; спектральный анализ (спектрограмма) – для визуализации и анализа изменения спектрального состава сигнала во времени, выявления формант и особенностей артикуляции, связанных с эмоциональной окраской; вейвлет-анализ (с использованием вейвлета Морле) – для исследования локализованных во времени особенностей сигнала на разных частотных масштабах, что позволяет анализировать переходные процессы и распределение энергии по частотным диапазонам; аттракторный анализ (анализ динамических систем) – для реконструкции фазового пространства речевого сигнала и исследования его нелинейной динамики через построение и анализ аттракторов (их формы, сложности, фрактальной размерности).
Результаты. Подтверждена эффективность каждого метода в выявлении специфических биомаркеров эмоционального состояния. Показано, что комплексное применение методов обеспечивает более глубокое и полное понимание речевого сигнала, чем каждый метод в отдельности. Установлено, что аттракторный анализ является наиболее перспективным методом для первичного выявления глубинных изменений, связанных с психоэмоциональным состоянием
Заключение. Комбинированный подход позволяет всесторонне оценивать речевую динамику. Особенно выделен потенциал аттракторного анализа как метода, способного выявлять тонкие нелинейные паттерны, что открывает новые возможности в разработке систем автоматического определения психоэмоционального состояния, диагностики нарушений и создания более естественных человеко-машинных интерфейсов
The purpose of the research is a comprehensive analysis of the speech signal to identify its parameters most in formative for determining the speaker's psychoemotional state. The work is aimed at the comparative study and demonstration of the capabilities of various signal processing methods (based on autocorrelation function analysis, spectral, wavelet, and attractor analysis) in the context of extracting biomarkers of psychoemotional states.
Methods. The work employs a set of methods for time-frequency and nonlinear analysis of the speech signal, implemented in the Matlab environment: autocorrelation analysis – to assess signal periodicity and determine funda mental frequency, the parameters of which (mean value, variance, nature of changes) serve as emotion biomarkers; spectral analysis (spectrogram) – for visualization and analysis of changes in the spectral composition of the signal over time, identifying formants and articulation features associated with emotional coloring; wavelet analysis (using the Morlet wavelet) – for investigating time-localized features of the signal at different frequency scales, allowing the analysis of transient processes and energy distribution across frequency bands; attractor analysis (dynamic systems analysis) – for reconstructing the phase space of the speech signal and investigating its nonlinear dynamics through the construction and analysis of attractors (their shape, complexity, fractal dimension).
Results. The effectiveness of each method in revealing specific biomarkers of emotional state was confirmed. It was shown that the combined application of the methods provides a deeper and more complete understanding of the speech signal than each method individually. It was concluded that attractor analysis is the most promising method for the primary detection of profound changes related to psychoemotional state, due to its ability to reveal nonlinear and hidden patterns inaccessible to traditional linear methods.
Conclusion. The research demonstrates that modern speech signal analysis methods, from classical ones (autocorrelation function, spectrogram) to advanced ones (wavelet and attractor analysis), provide a powerful toolkit for extracting objective emotion biomarkers. A combined approach allows for a comprehensive assessment of speech dynamics. The potential of attractor analysis is particularly highlighted as a method capable of detecting subtle nonlinear patterns, which opens new opportunities in developing systems for automatic determination of psychoemotional state, diagnosis of disorders, and creating more natural human-machine interfaces
The authors declare that there are no conflicts of interest present.