Project ini memanfaatkan metode Mel Frequency Cepstral Coefficients (MFCC) untuk mengekstrak fitur, dan menggunakan Convolutional Neural Networks (CNN) untuk proses pembelajaran dan prediksi.
Tujuan utama project ini adalah untuk mengembangkan model yang akurat dan efisien yang dapat digunakan dalam aplikasi kesehatan mental untuk mendeteksi dan mencegah depresi pada tahap awal.
🏁 Table of Contents
Proyek ini menggunakan dataset dari RAVDESS, yang merupakan sumber daya yang sangat berharga untuk penelitian dalam bidang pengenalan emosi melalui suara.
Berikut adalah penjelasan singkat tentang identifikasi nama file dalam dataset RAVDESS:
- Modalitas (01 = AV lengkap, 02 = hanya video, 03 = hanya audio).
- Jenis vokal (01 = ucapan, 02 = lagu).
- Emosi (01 = neutral, 02 = calm, 03 = happy, 04 = sad, 05 = angry, 06 = fearful, 07 = disgust, 08 = surprised).
- Intensitas emosi (01 = normal, 02 = kuat). CATATAN: Tidak ada intensitas kuat untuk emosi ‘netral’.
- Pernyataan (01 = “Kids are talking by the door”, 02 = “Dogs are sitting by the door”).
- Pengulangan (01 = pengulangan pertama, 02 = pengulangan kedua).
- Aktor (01 hingga 24. Aktor dengan nomor ganjil adalah pria, aktor dengan nomor genap adalah wanita).
Sebagai contoh, nama file audio 02-01-06-01-02-01-12.mp4
memiliki meta data sebagai berikut:
- Hanya Video (02)
- Speech (01)
- Fearful (06)
- Intensitas Normal (01)
- Statement "dogs" (02)
- 1st Pengulangan (01)
- 12th Aktor (12) - Female (as the actor ID number is even)
Dalam proyek ini, kami melakukan pengelompokan emosi menjadi dua kelas utama: Depresi
dan Non-Depresi
. Emosi seperti neutral, calm, surprised, dan happy akan dikategorikan ke dalam kelas Non-Depresi
. Sementara itu, emosi seperti sad, angry, fearful, dan disgust akan dikategorikan ke dalam kelas Depresi
.
Tujuan dari pengelompokan ini adalah untuk memudahkan analisis dan pemahaman tentang bagaimana emosi dapat dikelompokkan berdasarkan karakteristik mereka. Dengan demikian, ini akan membantu dalam penelitian lebih lanjut tentang pengenalan depresi berbasis dataset emosi
- Python
- Scikit-learn
- Pandas
- Numpy
- Matplotlib
- Seaborn
- Keras
- Clone repositori ini.
- Install semua dependensi yang diperlukan.
- Jalankan notebook Jupyter atau script Python.
Jika Anda tertarik untuk mempelajari lebih lanjut tentang topik ini, berikut adalah beberapa referensi yang mungkin berguna:
- Understanding Depression: Signs, Symptoms, Causes, and Help
- Machine Learning for Mental Health Prediction
Kontribusi, masalah, dan permintaan fitur baru selalu diterima. Untuk perubahan besar, harap buka issue terlebih dahulu untuk membahas apa yang ingin Anda ubah.
MIT
- Proposal : pdf
- HKI : EC002023123353, 4 Desember 2023