title	Dokumentation des Programmentwurfs
author	Niklas Jaeger, Arian Moser
header	left Wissensbasierte Systeme center Evidenztheorie / Dempster Regel right 14.01.2019
footer	true
titlepage	true

Erkennung einer Emotion anhand von Sprache

Aufgabenstellung

Einzusetzende Methode:

Evidenztheorie / Dempster Regel

---

Gegebene Informationen:

• CSV Datei mit strukturierten Daten
• Liste von Sprechdaten taktweise

---

Gegebene Features

• Sprechgeschwindigkeit (langsamer, normal, schneller)
• durchschnittliche Tonlage (niedriger, normal, höher)
• Schallstärke/Intensität (schwächer, normal, stärker)

---

Mögliche Emotionen

• Ekel
• Freude
• Angst
• Überraschung
• Wut
• Traurigkeit

---

Rückschluss von Feature auf Emotion

Sprechgeschwindigkeit

• Langsam:
  • Ekel, Freude
• Schnell:
  • Angst, Überraschung, Wut, Freude

Tonlage

• Tief:
  • Ekel, Traurigkeit
• Hoch:
  • Angst, Überraschung, Wut, Freude

Schallstärke (Intensität)

• Schwach
  • Traurigkeit, Ekel
• Stark
  • Wut, Freude, Überraschung

---

Aufgabe

• Analyse, Modellierung und Verarbeitung mittels Evidenztheorie

\newpage

Vorgehensweise

Analyse

Bei der Analyse der gegebenen Informationen fällt auf, dass die Sprechgeschwindigkeit anstatt in Abstufungen (langsam, mittel, schnell) in Silben pro Sekunde angegeben ist. Deshalb muss zunächst definiert werden, für welche Intervalle welche Abstufung zu wählen ist:

Abstufung\Geschwindikeit	Von	Bis
Sehr langsam	0	3
Langsam	3	4
Normal	4	5
Schnell	5	6
Sehr schnell	6

Da für die anderen beiden Kategorie jeweils direkt die Abstufungen angegeben sind, muss hier keine extra Einteilung mehr vorgenommen werden.

Im nächsten Schritt geht es an die Ermittlung des Basismaß. Dafür muss für jede Kategorie in jeder Abstufung ein Plausibilitätswert im Bezug auf die Emotionen festgesetzt werden.

Abstufung \ Kategorie	Sprechgeschwindigkeit	Tonlage	Schallstärke
sehr niedrig	Pl({D})=0.5	Pl({D})=0.5	Pl({D,Sa})=0.9
	Pl({J})=0.4	Pl({Sa})=0.35	Pl({O})=0.1
	Pl({O})=0.1	Pl({O})=0.15
niedrig	Pl({D})=0.4	Pl({D})=0.45	Pl({D,Sa})=0.8
	Pl({J})=0.35	Pl({Sa})=0.3	Pl({O})=0.2
	Pl({O})=0.25	Pl({O})=0.25
normal	Pl({O})=1.0	Pl({O})=1.0	Pl({O})=1.0
hoch	Pl({J,F,Su,A})=0.8	Pl({J,F,Su,A})=0.8	Pl({J,Su,a})=0.8
	Pl({O})=0.2	Pl({O})=0.2	Pl({O})=0.2
sehr hoch	Pl({J,F,Su,A})=0.9	Pl({J,F,Su,A})=0.9	Pl({J,Su,a})=0.9
	Pl({O})=0.1	Pl({O})=0.1	Pl({O})=0.1

Legende:

Buchstabe	Emotion
D	Ekel
J	Freude
Sa	Traurigkeit
Su	Überraschung
F	Angst
A	Wut
O	Omega

---

Umsetzung

Im ersten Schritt der Implementierung geht es an das Einlesen der CSV-Datei und der sinnvollen Speicherung der darin enthalten Daten. Für das Einlesen wurde auf die Bibliothek csv zurückgegriffen. Diese kann CSV-Dateien öffnen und anhand eines Delimiters deren Daten trennen.
Danach müssen die Daten noch sinnvoll gespeichert werden. Dafür benutzen wir übersichtshalber ein Dictionary-Array, indem jede Zeile einen Takt darstellt. Nach der Eingabe müssen die Daten noch verarbeitet werden. Dabei werden die einzelnen Abstufungen anhand der obrigen Tabelle in die jeweiligen Evidenzen m1, m2 und m3 überführt (durch die "MassFunction" aus der Biblothek pyds). Im Anschluss müssen die Evidenzen noch akkumuliert werden. Dies geschieht durch die Funktion "combine_conjunctive", welche auch von der Bibliothek pyds mitgeliefert wird.
Abschließend wird noch die plausibelste Emotion ausgewählt (durch die Funktion "max_pl" von pyds) und der dazugehörige Wert bestimmt.

---

Zusätzlich

Ausführen

python main.py data.csv

Voraussetzung

• Python 3.5 oder höher

\vfill

\centering Github: ArianMoser/WBS-Evidenz