V originále
Detekce stresu je tradičním tématem v oblasti automatického zpracování řeči. Historicky problematickou oblastí v rámci přístupu tzv. hlubokého učení je nedostatek kvalitních referenčních dat pro trénink umělých systémů. V aktuálním výzkumu jsme aplikovali psychologickou metodologii do oblasti IT, abychom mohli shromáždit potřebná empirická data vhodná pro efektivní trénink hlubokých neuronových sítí v kontextu řečové zátěže. Modely neuronových sítí, poháněné adekvátními datovými vstupy, mohou významně podpořit klasifikaci a detekci stresu při automatickém zpracování řeči. Za tímto účelem byl vyvinut Brněnský rozšířený test řeči a zátěže (BESST), který je rozšířenou adaptací původního protokolu Maastrichtského akutního zátěžového testu (MAST). Upravená metodika BESST má za cíl maximalizovat sběr řečových výstupů od účastníků v různých stresových kontextech. Navrhovaná metodologie představená v tomto článku představuje funkční a škálovatelný nástroj pro sběr klíčových datových sad nezbytných pro detekci stresu pomocí technik hlubokého učení.
Anglicky
Stress detection is a traditional topic in the field of automatic speech processing. A historically problematic area within the so-called deep learning approach is the lack of quality reference data for the training of artificial systems. In current research, we have applied psychological methodology to IT in order to gather the necessary empirical data suitable for effective training of deep neural networks in the context of speech load. Neural network models, driven by adequate data inputs, can significantly support the classification and detection of stress in automatic speech processing. For this purpose, the Brno Extended Speech and Stress Test (BESST) was developed, which is an extended adaptation of the original protocol of the Maastricht Acute Stress Test (MAST). The modified BESST methodology aims to maximize the collection of speech outputs from participants in various stressful contexts. The proposed methodology presented in this paper is a functional and scalable tool for collecting the key datasets necessary for stress detection using deep learning techniques.