Bachelor Thesis from the year 2014 in the subject Electrotechnology, grade: 1,0, University of Stuttgart (Institut für Signalverarbeitung und Systemtheorie), course: Elektrotechnik und Informationstechnik, language: English, abstract: This thesis deals with emotion recognition from speech signals using several feature

sets and classifiers. Feature sets with different sizes are compared: the feature set

of the Institute for Signal Processing and System Theory as well as standardised

feature sets of eight paralinguistic challenges. The question is whether there is a

connection between the size of a feature set and the performance. The feature sets

are investigated with SFFS and without in combination with Naive Bayes classifier,

kNearestNeighbour classifier and Support Vector Machine. The goal of this thesis

is to find those features which are selected most commonly for good performance.



Diese Arbeit befasst sich mit der Erkennung von Emotionen aus Sprachsignalen. Es werden verschiedene Merkmalsätze und Klassifizierer auf ihre Leistungsfähigkeit getestet. Dabei werden Merkmalsätze mit unterschiedlichen Größen verglichen: der Merkmalsatz vom Institut für Signalverarbeitung und Systemtheorie sowie standardisierte Merkmalsätze von acht Wettbewerben, in denen paralinguistische Informationen erkannt werden sollten. Die Frage

ist, ob es einen Zusammenhang zwischen der Größe eines Merkmalsatzes und der Leistungsfähigkeit gibt. Die Merkmalsätze werden sowie mit auch als ohne Merkmalsauswahl (SFFS) in Kombination mit dem Naiven Bayes Klassifizierer, k-Nächste-Nachbarn Klassifizierer und einer Support Vector Machine untersucht. Das Ziel dieser Arbeit ist, die Merkmale zu finden, die bei den besten Merkmalsätzen am häufigsten ausgewählt wurden.