Αντιληπτική αξιολόγηση της αναγνώρισης συναισθημάτων σε ομιλία με υποβαθμισμένη τηλεπικοινωνιακή ποιότητα
| datacite.contributor.RelatedPerson | Σγάρμπας, Κυριάκος | |
| datacite.contributor.RelatedPerson | Χατζηαντωνίου, Παναγιώτης | |
| datacite.contributor.Supervisor | Μουρτζόπουλος, Ιωάννης | |
| dc.contributor.author | Κατσαντώνης, Λουκάς | |
| dc.contributor.other | Katsantonis, Loukas | |
| dc.date.accessioned | 2026-02-26T10:33:40Z | |
| dc.date.available | 2026-02-26T10:33:40Z | |
| dc.date.issued | 2026-02-24 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία επικεντρώνεται στη διερεύνηση της επίδρασης τηλεπικοινωνιακού τύπου παραμορφώσεων στην αντίληψη του συναισθήματος, επιμερίζοντας την ανάλυσή της στη σύνθετη αλληλεπίδραση των παραγόντων της ταυτότητας του ομιλητή, του τύπου της παραμόρφωσης, αλλά και του είδους του εκφερόμενου συναισθήματος. Αξιοποιήθηκαν επισημειωμένα ηχητικά αποσπάσματα από τη βάση AESDD, τα οποία υποβλήθηκαν σε ψηφιακές αλλοιώσεις που προσιδιάζουν σε εκείνες που συναντώνται σε συστήματα VoIP, όπως το ο συχνοτικός περιορισμός του σήματος με χρήση LPF (4 kHz, 2 kHz), το choppy speech και το clipping. Κατασκευάστηκε μια πρωτότυπη πειραματική διαδικασία σε περιβάλλον PsychoPy, στην οποία συμμετείχαν 143 άτομα. Οι συμμετέχοντες κλήθηκαν να αναγνωρίσουν το συναίσθημα που αντιλαμβάνονταν από το εκάστοτε ηχητικό ερέθισμα, αξιολογώντας παράλληλα την υποκειμενική δυσκολία της διεργασίας αυτής, η οποία ταυτίστηκε με το επίπεδο αβεβαιότητας που ενείχε η απόκρισή τους. Τα αποτελέσματα της στατιστικής ανάλυσης ανέδειξαν την ταυτότητα του ομιλητή ως κεντρικό ρυθμιστή της αντιληπτικής ικανότητας των ακροατών, με συγκεκριμένους ομιλητές να εμφανίζουν σημαντική απόκλιση μεταξύ της αντικειμενικής επίδοσης και της υποκειμενικής δυσκολίας. Ο Θυμός αναδείχθηκε ως το πλέον ανθεκτικό συναίσθημα, ακόμα και υπό συνθήκες ακραίας παραμόρφωσης, σε αντίθεση με την Αηδία, η οποία παρουσίασε την μεγαλύτερη ευαισθησία, καθώς και τις χαμηλότερες συνολικά επιδόσεις μεταξύ των ομιλητών που ενσωματώθηκαν στη μελέτη. Επιπροσθέτως, διαπιστώθηκε ότι η εισαγωγή choppy speech σε συνδυασμό με clipping οδηγεί σε δραστική μείωση της ορθής αναγνώρισης της Θλίψης και του Φόβου, κυρίως λόγω της αλλοίωσης των λεπτών φασματικών στοιχείων, βάσει των οποίων δύναται να ανιχνευθούν. Τα ευρήματα υπογραμμίζουν την ανάγκη για εφαρμογή προσωποκεντρικών μοντέλων επεξεργασίας ηχητικού σήματος, ενώ μέσω αυτών, διατυπώνονται προτάσεις για μελλοντική έρευνα που θα ενίσχυε τόσο τη βαθύτερη κατανόηση των αντιληπτικών διεργασιών που αφορούν το συναίσθημα, μέσω μεθόδων μηχανικής μάθησης και νευροαπεικόνισης, όσο και την ανάπτυξη εξατομικευμένων ακουστικών βοηθημάτων, προσδίδοντας κοινωνική αξία. | |
| dc.description.translatedabstract | The present thesis focuses on investigating the impact of telecommunication-type distortions on emotion perception, structuring its analysis around the complex interaction between speaker identity, distortion type, and the category of the expressed emotion. Annotated audio clips from the AESDD database were utilized and subjected to digital alterations similar to those encountered in VoIP systems, such as frequency limiting of the signal using LPF (4 kHz, 2 kHz), choppy speech, and clipping. An original experimental procedure was developed in a PsychoPy environment, involving 143 participants. Participants were asked to identify the emotion perceived from each audio stimulus while simultaneously evaluating the subjective difficulty of the process, which was equated to the level of uncertainty inherent in their response. The statistical analysis results highlighted speaker identity as a central regulator of the listeners' perceptual ability, with specific speakers exhibiting a significant discrepancy between objective performance and subjective certainty. Anger emerged as the most resilient emotion, even under conditions of extreme distortion, in contrast to Disgust, which showed the highest sensitivity and the lowest overall performance among the speakers included in the study. Additionally, it was found that the introduction of choppy speech in combination with clipping leads to a drastic reduction in the correct recognition of Sadness and Fear, primarily due to the alteration of subtle spectral elements through which they can be detected. The findings underscore the need for the implementation of speaker-centered audio signal processing models. Furthermore, through these findings, proposals are formulated for future research to enhance the deeper understanding of perceptual processes related to emotion via machine learning and neuroimaging methods, as well as the development of personalized hearing aids, thereby contributing social value. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31441 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Αναγνώριση συναισθήματος από ομιλία | |
| dc.subject | Παραμορφώσεις VoIP | |
| dc.subject | Ψυχοακουστική | |
| dc.subject | Ταυτότητα ομιλητή | |
| dc.subject | Ανθεκτικότητα συναισθήματος στην παραμόρφωση | |
| dc.subject | Μεταγνωστική κρίση | |
| dc.subject.alternative | Speech emotion recognition | |
| dc.subject.alternative | VoIP distortions | |
| dc.subject.alternative | Psychoacoustics | |
| dc.subject.alternative | Speaker identity | |
| dc.subject.alternative | Perceptual robustness | |
| dc.subject.alternative | Metacognitive judgment | |
| dc.title | Αντιληπτική αξιολόγηση της αναγνώρισης συναισθημάτων σε ομιλία με υποβαθμισμένη τηλεπικοινωνιακή ποιότητα | |
| dc.title.alternative | Perceptual evaluation of emotion recognition in telecommunication-degraded speech |