О.В. Мельник1, С.И. Бабаев2, М.Н. Сараев3

1–3 ФГБОУ ВО «Рязанский государственный радиотехнический университет имени В.Ф. Уткина» (г. Рязань, Россия)

1 omela111@yandex.ru, 2 babaev.s.i@gmail.com, 3 mixailr@mail.ru

Постановка проблемы. Эмоциональное состояние человека находит отражение в особенностях его речи, что преимущественно заметно при воздействии сильного стресса и психологического давления. Оптимизация набора акустических признаков важна для снижения вычислительной сложности алгоритмов автоматизированной оценки уровня стресса и предотвращения переобучения. Ограниченный, но информативный набор признаков позволяет улучшить обобщающую способность классификаторов, сохраняя при этом интерпретируемость результатов. В данном исследовании предложена методика подбора совокупности акустических признаков речи, которые могут быть использованы для автоматизированной оценки эмоционального стресса.

Цель. Разработать методику выбора акустических признаков, включающую в себя поэтапный анализ, статистическую оценку и визуализацию для оптимизации признакового пространства.

Результаты. Проведён детальный анализ акустических признаков речи с целью оптимизации набора характеристик для автоматического распознавания эмоционального стресса. Показано, что выбранное подмножество признаков обеспечивает наилучшую разделимость речевых фрагментов по классам «норма» и «стресс», что позволяет рекомендовать данную конфигурацию для использования в дальнейшей автоматической классификации.

Практическая значимость. Разработанная методика может быть использована для автоматического выявления эмоционального напряжения в речи, что открывает перспективы её применения в психологии, медицине и системах мониторинга состояния человека.

Мельник О.В., Бабаев С.И., Сараев М.Н. Методика подбора акустических признаков речи для автоматизированного выявления эмоционального стресса // Биомедицинская радиоэлектроника. 2026. T. 29. № 5. С. 73-77. DOI: https://doi.org/10.18127/ j15604136-202605-11

1. Kuchibhotla S., Vankayalapati H.D., Anne K.R. An optimal two stage feature selection for speech emotion recognition using acoustic features // Int. J. Speech Technol. 2016. V. 19. P. 657–667.
2. Pravena D., Govind D. Significance of incorporating excitation source parameters for improved emotion recognition from speech and electroglottographic signals // Int. J. Speech Technol. 2017. V. 20. P. 787–797.
3. Buanzur T., Zellers M., Namyalo S., Witzlack-Makarevich A. A First Investigation of the Timing of Turn-taking in Ruuli // Proceedings of the 19th Annual Conference of the International Speech Communication Association (INTERSPEECH, 2018). P. 621–625.
4. Melnik O.V., Babaev S.I., Saraev M.N. Analysis of Acoustic Characteristics of Speech for Assessing Emotional Stress: Methods and Experimental Studies // Proceedings of the 2025 International Conference on Systems and Technologies of the Digital HealthCare (STDH – 2025) June 2-6. 2025. P. 84–89.
5. Yanchi Liu, Zhongmou Li, Hui Xiong et al. Understanding of Internal Clustering Validation Measures // 2010 IEEE International Conference on Data Mining. Sydney, NSW, Australia. 2010. P. 911–916.