[論文レビュー] A Comparison of Classifiers in Performing Speaker Accent Recognition Using MFCCs

Zichen Ma, Ernest Fokoué|arXiv (Cornell University)|Jan 28, 2015

Speech and Audio Processing被引用数 7

ひとこと要約

本研究では、音声信号から抽出したメル周波数ケプストラム係数（MFCC）を用いて、複数の分類器の話者発音特徴認識性能を評価する。330人のボイス（米国165人、非米国165人）から成るデータセットを用い、500回交差検証において、k-近傍法（k-NN）分類器が最高の平均テスト正答率と最短の計算時間を達成し、SVM、ランダムフォレスト、ナイーブベイズなどの代替手法を上回った。

ABSTRACT

An algorithm involving Mel-Frequency Cepstral Coefficients (MFCCs) is provided to perform signal feature extraction for the task of speaker accent recognition. Then different classifiers are compared based on the MFCC feature. For each signal, the mean vector of MFCC matrix is used as an input vector for pattern recognition. A sample of 330 signals, containing 165 US voice and 165 non-US voice, is analyzed. By comparison, k-nearest neighbors yield the highest average test accuracy, after using a cross-validation of size 500, and least time being used in the computation

研究の動機と目的

• MFCCを用いた話者発音特徴認識において、複数の機械学習分類器の性能を評価・比較すること。
• 発音特徴認識タスクにおいて、最高の正答率と計算効率を達成する分類器を特定すること。
• MFCCに基づく特徴抽出が、話者発音特徴認識における分類器性能に与える影響を分析すること。
• 米国および非米国英語話者をバランスさせたデータセットを用いて、分類器の有効性に関する実証的証拠を提供すること。

提案手法

• 音声信号からMFCCを抽出し、主な音響特徴表現とする。
• 各発話に対してMFCC行列の平均ベクトルを計算し、パターン認識用の固定長入力ベクトルを構築する。
• 比較のため、k-近傍法、サポートベクターマシン、ランダムフォレスト、ナイーブベイズ、ロジスティック回帰の5つの分類器を適用する。
• 汎化性能および計算効率を評価するために、500回交差検証を実施する。
• 平均テスト正答率および実行時間を基準にモデルを評価する。
• 訓練およびテストに使用するバランスの取れたデータセット（米国165人、非米国165人）を用いる。

実験結果

リサーチクエスチョン

• RQ1 MFCC特徴を用いた場合、どの分類器が米国発音と非米国発音を識別する際に最高の正答率を達成するか？
• RQ2 MFCCベースの特徴を処理する際、異なる分類器の計算効率はどのように比較されるか？
• RQ3 平均MFCCベクトルを入力特徴として用いることで、異なるモデルにおいて分類器性能が向上するか？
• RQ4 各分類器の性能は、複数回の交差検証の繰り返しにおいて安定しているか？

主な発見

• k-近傍法（k-NN）が、評価されたすべての分類器の中で最高の平均テスト正答率を達成した。
• k-NNは最短の計算時間を示し、本研究において最も効率の良い分類器であった。
• サポートベクターマシン（SVM）およびランダムフォレストは中程度の性能を示したが、k-NNより遅かった。
• ナイーブベイズおよびロジスティック回帰は、k-NNおよびSVMに比べて低い正答率を示した。
• 平均MFCCベクトルを入力特徴として用いることで、すべての分類器で一貫した性能が得られた。
• 500回交差検証により、すべてのモデルで強固で安定した性能指標が確認された。