机构名称：
¥ 23.0
认知负荷的自动识别是开发自适应系统的重要一步，该系统能够为用户提供动态支持，以便将所经历的负荷保持在最佳范围内，从而实现最大生产力。语音包含大量信息，已被确定为衡量用户认知负荷的潜在方式。本论文的重点是语音特征对自动认知负荷评估的有效性，特别关注该研究领域的新视角。引入了一个名为 CoLoSS 的新认知负荷数据库，其中包含执行学习任务的用户的语音记录。该数据收集与现有的认知负荷数据库形成对比，因为尚未采用学习任务，并且除了迄今为止考虑的离散负荷水平外，它还提供连续的数字标签。CoLoSS 语料库与 CLSE 数据库（其中采用了 Stroop 测试的两个变体和一个阅读广度任务）一起构成了评估的基础。研究了不同类别的各种声学特征（包括韵律、语音质量和频谱）的相关性。此外，还引入了 Teager 能量参数（该参数在压力检测中已被证明非常成功）进行认知负荷评估，并展示了如何使用自动语音识别技术来提取用户认知负荷的潜在指标。作为进一步的贡献，提出了三个手工制作的特征集。通过使用为三类分类（低、中、高认知负荷）设计的独立于说话者的系统进行识别实验，系统地评估了提取的特征的适用性。测试了特征组合、特征选择过滤器、特征规范化方法和模型参数方面的各种配置。为了证明所提出的特征集的泛化能力，进行了跨语料库实验。此外，介绍了一种基于语音的认知负荷建模的新方法，其中负荷表示为连续量，因此其预测可以视为回归问题。在 CoLoSS 语料库上对回归算法的评估揭示了使用自动特征子集选择的优势。
Robert Herms 认知负荷的有效语音特征...
主要关键词
相关文件推荐
