Эффективная процедура аутентификации студента по речи в дистанционном образовании

Автор: Брестер Кристина Юрьевна, Вишневская Софья Романовна, Семнкин Евгений Станиславович, Сидоров Максим Юрьевич

Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau

Рубрика: Математика, механика, информатика

Статья в выпуске: 5 (57), 2014 года.

Бесплатный доступ

В настоящее время на базе практически каждого университета студентам предоставляется возможность получения заочного образования, кроме того, ведутся курсы дистанционного обучения. Из-за широкого спектра преимуществ в последние годы дистанционное образование привлекает все больше и больше людей, что вызывает необходимость создания официального стандарта, включающего ряд требований, которым должна соответствовать дистанционная форма обучения. Так, например, необходимость верификации личности студентов включена во многие зарубежные образовательные стандарты в качестве обязательной процедуры. В случае если преподаватели лишены визуального контакта со своими учениками, появляется необходимость в разработке эффективной технологии для проверки личности студента в дистанционном режиме. Предложена процедура аутентификации студента по речи, основанная на использовании акустических характеристик, извлеченных из речевых сигналов. В настоящее время пока остается открытым вопрос выбора надежной и эффективной классификационной модели, поскольку невозможно в онлайн-режиме исследовать различные классификаторы для определения наиболее эффективного, сохраняя при этом высокую производительность системы при взаимодействии с пользователем. Поэтому, чтобы повысить надежность предлагаемого подхода, были разработаны алгоритмические схемы, основанные на коллективном принятии решений с целью учета предсказаний различных классификаторов. Для исследования эффективности данной процедуры использовались базы данных, содержащие звукозаписи на немецком, английском и японском языках. Согласно полученным результатам применение описанного подхода позволяет получить высокую точность распознавания личности говорящего по речи (до 100 % для некоторых баз данных). Разработанные алгоритмические схемы обеспечивают гарантированный уровень эффективности и являются надежной альтернативой произвольному выбору классификационной модели.

Еще

Дистанционное обучение, аутентификация студентов по речи, классификатор, коллективное принятие решений

Короткий адрес: https://sciup.org/148177373

IDR: 148177373

Список литературы Эффективная процедура аутентификации студента по речи в дистанционном образовании

  • Higher Education Opportunity Act (Public Law 110-315). USA. Aug. 14. 2008.
  • Eyben F., Wollmer M., Schuller B. Opensmile: the munich versatile and fast opensource audio feature extractor//Proceedings of the International Conference on Multimedia. 2010. ACM. P. 1459-1462.
  • Boersma P. Praat, a system for doing phonetics by computer//Glot international. 2002. 5(9/10). P. 341-345.
  • Self-adaptive multi-objective genetic algorithms for feature selection//Proceedings of International Conference on Engineering and Applied Sciences Optimization (OPT-i’14)/C. Brester . 2014. P. 1838-1846.
  • Brester Ch., Sidorov M., Semenkin E. Acoustic Emotion Recognition: Two Ways of Features Selection Based on Self-Adaptive Multi-Objective Genetic Algorithm//Proceedings of the International Conference on Informatics in Control, Automation and Robotics (ICINCO). 2014. P. 851-855.
  • Хритоненко Д. И., Семенкин Е. С. Distributed self-configuring evolutionary algorithms for artificial neural networks design//Вестник СибГАУ. 2013. № 4 (50). С. 112-116.
  • Становов В. В., Семенкин Е. С. Самонастраивающийся эволюционный алгоритм проектирования баз нечетких правил для задачи классификации//Системы управления и информационные технологии. 2014. № 3 (57). С. 30-35.
  • Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms Meta-Heuristic in ANN-Based Classifiers Design//Proceedings of the World Congress on Computational Intelligence (WCCI’14). 2014.
  • Попов Е. А., Семенкина М. Е., Липинский Л. В. Принятие решений коллективом интеллектуальных информационных технологий//Вестник СибГАУ. 2012. № 5 (45). C. 95-99.
  • Goutte C., Gaussier E. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation//ECIR'05 Proceedings of the 27th European conference on Advances in Information Retrieval Research. 2005. P. 345-359.
  • A database of german emotional speech/F. Burkhardt //In Interspeech. 2005. P. 15171520.
  • Haq S., Jackson P. Machine Audition: Principles, Algorithms and Systems, chapter Multimodal Emotion Recognition//IGI Global, Hershey PA. 2010. P. 398423.
  • Grimm M., Kroschel K., Narayanan S. The vera am mittag german audio-visual emotional speech database//In Multimedia and Expo: IEEE International Conference on, IEEE. 2008. P. 865-868.
  • Constructing a spoken dialogue corpus for studying paralinguistic information in expressive conversation and analyzing its statistical/acoustic characteristics/H. Mori //Speech Communication. 2011. 53.
  • The WEKA Data Mining Software: An Update, SIGKDD Explorations/M. Hall . 2009. Vol. 11, Iss. 1.
Еще
Статья научная