def loadData():
database = ''
if emo_db:
database = 'emo'
elif ravdess:
database = 'ravdess'
elif savee:
database = 'savee'
print(database)
x_tr, x_t, y_tr, y_t = escolher_dataset(database, '2d', 'mfcc', window)
check_classes(y_tr, y_t)
y_tr = string2num(y_tr)
y_t = string2num(y_t)
x_tr = x_tr.reshape(-1, x_tr.shape[1:][0], x_tr.shape[1:][1], 1)
x_t = x_t.reshape(-1, x_tr.shape[1:][0], x_tr.shape[1:][1], 1)
y_tr = to_categorical(y_tr)
y_t = to_categorical(y_t)
return x_tr, y_tr, x_t, y_t
def loadData():
x_tr, x_t, y_tr, y_t = escolher_dataset('emo', '1d', 'mfcc')
check_classes(y_tr, y_t)
#y_tr = string2num(y_tr)
#y_t = string2num(y_t)
#x_tr = x_tr.reshape(-1, x_tr.shape[1:][0] * x_tr.shape[1:][1])
#x_t = x_t.reshape(-1, x_t.shape[1:][0] * x_t.shape[1:][1])
#y_tr = to_categorical(y_tr)
#y_t = to_categorical(y_t)
return x_tr, y_tr, x_t, y_t
def LDA_AUDIO_1D():
print('----- AUDIO 1D -----')
x_tr, x_t, y_tr, y_t = escolher_dataset('emo', '1d', 'audio')
print('Shape 1d Audio: ', x_tr.shape)
model = LinearDiscriminantAnalysis()
model.fit(x_tr, y_tr)
transformed = model.transform(x_tr)
print('Shape Audio pós LDA: ', transformed.shape)
y_pred = model.predict(x_t)
accuracy = accuracy_score(y_true=y_t, y_pred=y_pred)
print("Precisão: {:.2f}%".format(accuracy * 100))
def loadData():
database = ''
if emo_db:
database = 'emo'
elif ravdess:
database = 'ravdess'
elif savee:
database = 'savee'
x, y = escolher_dataset(database, '2d', 'mfcc')
y = string2num(y)
x = x.reshape(-1, x.shape[1:][0], x.shape[1:][1], 1)
y = to_categorical(y)
return x, y
def LDA_MFCC_1D():
print('----- MFCC 1D -----')
x_tr, x_t, y_tr, y_t = escolher_dataset('emo', '2d', 'mfcc')
print('Shape 2d Mfcc: ',x_tr.shape)
x_tr = x_tr.reshape(x_tr.shape[0], -1)
x_t = x_t.reshape(x_t.shape[0], -1)
print('Shape 1d Mfcc: ', x_tr.shape)
model = LinearDiscriminantAnalysis()
model.fit(x_tr, y_tr)
transformed = model.transform(x_tr)
print('Shape Mfcc pós LDA: ', transformed.shape)
y_pred = model.predict(x_t)
accuracy = accuracy_score(y_true=y_t, y_pred=y_pred)
print("Precisão: {:.2f}%".format(accuracy * 100))
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
from datasets import escolher_dataset, confusionmatrix
from models import escolher_modelo
import os
import pickle
# Carregar dados do dataset selecionado
# Datasets disponiveis: emo, ravdess.
X_train, X_test, y_train, y_test = escolher_dataset("emo")
# Numero de amostra nos dados de treino
print("[+] Numero de amostras para treino:", X_train.shape[0])
# number of samples in testing data
print("[+] Numero de amostras para teste:", X_test.shape[0])
#Numero de features utilizadas
print("[+] Numero de features:", X_train.shape[1])
# Configurando o modelo
# Modelos disponiveis: padrao.
model = escolher_modelo("padrao")
# Treinamento do modelo
print("[*] Treinando o modelo...")
model.fit(X_train, y_train)
# predicção de 20% dos dados para ver quão bom o modelo está
y_pred = model.predict(X_test)