در این مقاله آنتروپی بسته موجک برای بازشناسی احساسات از گفتار در حالت مستقل از گوینده پیشنهاد شده است. پس از پیش‌پردازش، بسته موجکِ db3 سطح 4 در هر فریم محاسبه شده است و آنتروپی شانون در گره‌های آن به عنوان ویژگی در نظر گرفته شده است. ضمناً ویژگی‌های نواییِ گفتار شامل فرکانس چهار فرمنت اول، جیتر یا دامنه تغییرات فرکانس گام و شیمر یا دامنه تغییرات انرژی به عنوان ویژگی‌های پرکاربرد در حوزه تشخیص احساسات در کنار ضرایب فرکانسی کپسترال مل (MFCC) برای تکمیل بردار ویژگی مورد استفاده قرار گرفته‌اند. طبقه‌بندی با استفاده از ماشین بردار پشتیبان (SVM) انجام شده است و ترکیب‌های مختلفی از بردار ویژگی در حالت چند دسته‌ای برای همه احساسات و دودسته‌ای نسبت به حالت طبیعی مورد بررسی قرار گرفته‌اند. 46 بیانِ مختلف از جمله واحد در دادگان احساسی دانشگاه برلین به زبان آلمانی انتخاب شده که توسط 10 گوینده مختلف با حالت‌های احساسی ناراحتی، خوشحالی، ترس، ملالت، خشم و حالت طبیعی بیان شده‌اند. نتایج نشان می‌دهند استفاده از ضرایب آنتروپی به عنوان بردار ویژگی نرخ بازشناسی را در حالت چند دسته‌ای بهبود می‌بخشد. علاوه بر آن ویژگی‌های پیشنهادی در ترکیب با سایر ویژگی‌ها باعث بهبود نرخ تشخیص احساس خشم، ترس و خوشحالی نسبت به حالت طبیعی می‌شوند. Manuscript profile

The most common way of communication between humans is the use of speech signals, which also includes the person's emotional states. Bionic wavelet transform entropy has been considered in this study for speaker-independent and context-independent emotion detection from speech. Bionic wavelet Transform decomposition, using wavelet type Morlet, is used after preprocessing and Shannon entropy in its nodes is calculated for feature selection. In addition, prosodic features such as the first four formants, jitter or pitch deviation amplitude, and shimmer or energy variation amplitude besides MFCC features are applied to complete the feature vector. Support Vector Machine (SVM) is used to classify multi-class samples of emotions. 46 different utterances of a single sentence from the Berlin emotional speech dataset are selected to be analyzed. The emotions that have been considered are sadness, happiness, fear, boredom, anger, and normal emotional state. Experimental results show that proposed features can improve emotional state detection accuracy in the multi-class situation. Manuscript profile