Модель распознавания эмоций в речи GigaAM-Emo умеет классифицировать 4 эмоции: angry, sad, neutral, positive. Для некоторых задач бывает недостаточно распознавать 4 класса и возникает необходимость расширения этого списка. В данной статье мы рассмотрим:

существующие корпуса данных, предназначенных для распознавания эмоций;
ключевые возможности разработанного пайплайна для дообучения GigaAM с использованием библиотек hydra и Pytorch Lightning;
результаты экспериментов с различными архитектурами и функциями потерь.

Демо можно попробовать тут

Данные

Открытых корпусов данных для задачи распознавания эмоций в русской речи не так много: dusha и три небольших корпуса данных - resd, repv, repv-s, собранных в рамках проекта Aniemore. На английском языке данных больше. Возьмём только самые популярные: esd, expresso, msp podcast. Так же будем использовать небольшой закрытый корпус данных dialogs. Ниже корпуса данных рассмотрены подробнее.

RESD_Annotated, REPV, REPV-S. RESD_Annotated - 7 эмоций (angry, sad, neutral, happy, fearful, disgusted, enthusiasm), 4 часа аудиозаписей диалогов, число аудиозаписей 1396

Диаграмма распределения эмоций для корпуса данных RESD

REPV - 5 эмоций (angry, sad, happy, enthusiasm, tired), голосовые сообщения, 200 актеров, 2 нейтральные фразы, 2035 аудиозаписей

Диаграмма распределения эмоций для корпуса данных REPV

REPV-S - 5 эмоций (angry, sad, happy, enthusiasm, tired), голосовые сообщения, "Привет, как дела?" с разными эмоциями, 140 аудиозаписей.

Диаграмма распределения эмоций для корпуса данных REPV-S

Здесь автор статьи немного негодует от качества данных Aniemore

Что не понравилось:

Отсутствует однообразная структура в различных паркетах (не для всех аудиозаписей имеется текстовая аннотация, пола, где-то отсутствуют какие-то ключи).
Данные имеют различную частоту дискретизации, даже в рамках одного паркета. В некоторых местах частота дискретизации вовсе не указана.
Отсутствует идентификатор спикера.
Различные классы эмоций (возможно, с другой стороны, это и неплохо).

Примеры:

Aniemore/resd_annotated

train: Dataset({
    features: ['name', 'path', 'speech', 'text', 'emotion'],
    num_rows: 1116
})
{'name': '32_happiness_enthusiasm_h_120',
 'path': 'happiness_enthusiasm_32/32_happiness_enthusiasm_h_120.wav',
 'speech': {'path': '32_happiness_enthusiasm_h_120.wav',
  'array': array([-0.00018311, -0.00061035, -0.00076294, ...,  0.00085449,
          0.00048828,  0.00030518]),
  'sampling_rate': 16000},
 'text': 'Конечно, расскажу, обязательно. Ой, сейчас расскажу.',
 'emotion': 'happiness'}

Aniemore/REPV-S

train: Dataset({
    features: ['path', 'file', 'gender', 'emotion', 'speech'],
    num_rows: 112
})
{'path': '/content/drive/MyDrive/SocialCode/emotions/enthusiasm/m/М14.mp3',
 'file': 'М14.mp3',
 'gender': 'm',
 'emotion': 'enthusiasm',
 'speech': [5.221595984039595e-06,
  8.369257557205856e-06, ... ]}

Aniemore/REPV

train: Dataset({
    features: ['path', 'file', 'gender', 'emotion', 'speech'],
    num_rows: 1628
})
{'path': '/content/drive/MyDrive/SocialCode/emotions2000/sadness/f/жен.лес (2)_01.mp3',
 'file': 'жен.лес (2)_01.mp3',
 'gender': 'f',
 'emotion': 'sadness',
 'speech': [-1.4211690313459258e-07,
  1.2882625810561876e-07,
  -1.2283784656119678e-07,
  1.1345710504429007e-07, ...]}

Хотелось, чтобы все аудиозаписи были одной частоты дискретизации (например 44.1kHz), и для каждой были следующие данные: audio_path, speaker_id, text, gender, emotion.

dusha - на русском языке, авторы выделяют 4 эмоции (positive, angry, sad, neutral), 2061 спикеров, 160566 аудиозаписей.

Диаграмма распределения эмоций для корпуса данных dusha

msp podcast - на английском языке, авторы выделяют 10 эмоций(angry, sad, neutral, happy, contempt, surprised, disgusted, fearful, other, no agreement), 1859 спикеров, 88175 аудиозаписей.

Диаграмма распределения эмоций для корпуса данных msp podcast

expresso - на английском языке, авторы выделяют 10 модальностей произношения (confused, neutral, emphasis, essentials, longform, enunciated, happy, laughing, sad, singing, whisper), 4 спикера, 11615 - аудиозаписей.

Диаграмма распределения эмоций для корпуса данных expresso

esd - на английском языке, авторы выделяют 5 эмоций (angry, sad, neutral, happy, surprised), 10 спикеров (5 мужчин, 5 женщин), одинаковые фразы с разной эмоциональной окраской, 17500 - аудиозаписей.

Диаграмма распределения эмоций для корпуса данных ESD

dialogs - небольшой собственный закрытый корпус данных, выделены 7 эмоций (angry, sad, neutral, happy, surprised, disgusted, fearful), где 2 спикера, ~2200 аудиозаписей.

Диаграмма распределения эмоций для корпуса данных dialogs

Определимся с целевыми классами. В большинстве корпусов данных для задач распознавания эмоций в речи выделяют следующие классы: angry, sad, neutral, happy, surprised, fearful, disgusted - именно их будем использовать в качестве целевых классов. Все остальные эмоции / модальности речи отправляем в класс other.
В силу ограничений по количеству вычислительных ресурсов, выкинем аудиозаписи, длительность которых более 10 секунд.
Пройдёмся по каждому корпусу данных детально:

dusha - для обучения возьмем по 5000 записей каждой эмоции. Для валидации используем те примеры, которые предложены авторами для оценки качества модели;
resd, repv, repv-s - берём все данные, разбиваем на train/test, в соответствии предложенным ими разбиением;
expresso - объединим классы laughing и happy, разделим на обучающую и валидационную следующим образом df_train, df_test = train_test_split(df, test_size=0.1, stratify=df['emotion'], random_state=42);
msp_podcast - отфильтруем строки, где emoact <= 3.5 (emoact - уровень эмоциональной активности), разделим на обучающую и валидационную следующим образом df_train, df_test = train_test_split(df, test_size=0.1, stratify=df['emotion'], random_state=42), и из обучающей оставим не более 5000 примеров каждого класса;
esd - для обучения берём 10% аудиозаписей пропорционально каждому спикеру (по эмоциям там тоже получается баланс). В валидационную выборку из этого корпуса данных брать ничего не будем;
dailogs - разделим на обучающую и валидационную следующим образом df_train, df_test = train_test_split(df, test_size=0.1, stratify=df['emotion'], random_state=42).

В результате получится следующее распределение в обучающей выборке:

Распределение в валидационной выборке

Pipeline для обучения моделей

Для дообучения нужно разработать удобный пайплайн для экспериментов. Он использует следующие фреймворки: Hydra и PyTorch Lightning. Hydra позволяет гибко управлять файлами конфигураций и изменять параметры запуска эксперимента, а PyTorch Lightning дает возможность упростить код обучения. Далее разберём ключевые возможности, которые были использованы при разработке пайплайна для проведения экспериментов.

Hydra Ты ранее уже говорил о фреймворках, мб надо там сократить до их названия, а тут уже оставить с более развернутым текстом?

Hydra - это фреймворк на Python, который упрощает разработку исследовательских приложений. Благодаря ему, можно структурировано хранить параметры экспериментов в иерархических YAML-файлах и переопределять их через командную строку без изменений кода. Hydra предоставляет возможность для удобного создания экземпляров класса прямо из файла конфигурации с помощью hydra.utils.instantiate, а так же позволяет запускать серии экспериментов.

Рассмотрим возможность создания экземпляра класса по описанию из файла конфигурации. Например, в случае с классом AttentiveStatsPooling с параметрами input_dim и attention_hidden_dim

class AttentiveStatsPooling(nn.Module):
  def __init__(self, input_dim=768, attention_hidden_dim=256):
    super().__init__()
    self.linear1 = nn.Linear(input_dim, attention_hidden_dim)
    self.tanh = nn.Tanh()
    self.linear2 = nn.Linear(attention_hidden_dim, 1)
    self.bn = nn.BatchNorm1d(input_dim * 2)
  
    ...

С помощью YAML можно описать его так:

attentive_pooling:
  _target_: src.modules.AttentiveStatsPooling
  input_dim: 768
  attention_ hidden_dim: 256

И для создания экземпляра класса в коде нужно написать следующую строчку self.attentive_pooling = hydra.utils.instantiate(cfg.attentive_pooling), где в переменной cfg.attentive_pooling содержатся данные из файла конфигурации. По умолчанию hydra создаёт объекты рекурсивно. Если необходимо создать только текущий объект, то нужно изменить значение по умолчанию у аргумента _recursive_=False.

С помощью hydra можно решить задачу удобного именования экспериментов. Рассмотрим процесс настройкиhydra для наименования экспериментов п�� следующему шаблону {имя-конфига}{названия переопределённых параметров}{текущее время}.
Есть файл конфигурации, в котором можно настроить параметры hydra. Для наглядности, это - emov1.yaml

defaults: 
  - _self_
  - loss: ce
  - data_params: resd
  - model: baseline
  - optimizer: adam
  - scheduler: warmup_then_plateau

hydra:
  run:
    dir: ./outputs/${now:%Y-%m-%d}/${hydra:job.config_name}_${config_names:${hydra:job.override_dirname}}_${now:%H-%M-%S}
  job:
    chdir: true
...

В этом файле конфигурации для ключа hydra.run.dir указано выражение ${hydra:job.config_name}_${config_names:${hydra:job.override_dirname}}_${now:%H-%M-%S}
Разберём его подробнее:

${hydra:job.config_name} - это встроенное выражение Hydra, которое возвращает имя основного конфигурационного файла, указанного в аргументе --config-name при запуске эксперимента ;
${now:%H-%M-%S} - стандартный шаблон времени, который выводит текущее время запуска в формате "ЧЧ-ММ-СС", чтобы имена директорий не пересекались при множественных запусках;
${hydra:job.override_dirname} - возвращает строку, описывающую параметры, переопределённые в командной строке при запуске. Например, если запустить: python train.py model=baseline optimizer=adam то вернется строка model=baseline,optimizer=adam;
${config_names:...} - это пользовательский ключ, который регистрируется через OmegaConf.resolver, чтобы разбирать строки переопределённых параметров и собирать из них имена, пример кода ниже

def format_config_names(overrides_str: str) -> str:
    #функция `format_config_names` принимает все переопределенные переменные и возвращает их значения через `_`
    if not overrides_str:
        return "no_override"
    return "_".join([x.split("=")[1] for x in overrides_str.split(",") if "=" in x])

OmegaConf.register_new_resolver("config_names", format_config_names)

Одна из классических проблем при работе с конфигурациями - необходимость многократно указывать одно и тоже значение в разных местах, когда это значение имеет одинаковый смысл во всех участках определения. В таких случаях, хочется задать его один раз в одном месте, и, далее, ссылаться на него, избегая дублирования, для снижения риска рассинхронизации.
Возьмём пример из нашей задачи по распознаванию эмоций. Количество эмоций (эквивалентно количеству классов) может изменяться в зависимости от используемого датасета. Так же количество классов необходимо для:

задания выходного размера последнего линейного слоя модели;
конфигурации функций потерь, например AMSoftmax;

Чтобы не указывать num_classes вручную в каждом файле конфигурации, удобнее определить это значение в файле конфигурации датасета, и считать его как первоисточник о числе классов.

path_to_train_df: .../data/resd/train.csv
validation_datasets: 
  dusha: .../data/test.csv
  resd: .../data/resd/test.csv
  expresso: .../data/expresso/test.csv
  msp_podcast: .../data/msp_podcast/test.csv
  repv: .../data/repv/test.csv
  repv-s: .../data/repv-s/test.csv
batch_size: 16

id2name:
  - happy
  - disgusted
  - angry
  - fearful
  - enthusiasm
  - neutral
  - sad

num_classes: ${len:${id2name}} # тут можно поставить сразу число, но т.к. у нас число эмоций может изменятся, то удобнее зарегистрировать имя, которое будет считать количество классов

и пробросить параметр, который возвращает число классов в глобальный файл конфигурации

seed: 42
path_to_checkpoint_with_weights: ./models/v1_ssl.ckpt

num_classes: ${data_params.num_classes} # здесь пробасываем переменную в глобальное пространство имён
id2name: ${data_params.id2name}

и уже в файле конфигурации AMSoftmax использовать переменную из глобального пространства имён

_target_: src.losses.AM_Softmax_v2
num_classes: ${num_classes}

Pytorch Lightning

PyTorch Lightning - высокоуровневая надстройка над PyTorch, которая позволяет сосредоточиться на логике модели, предоставляя удобный интерфейс для реализации рутинных задач части цикла обучения: обработку батчей, вызов backward, шаг оптимизатора, сбор метрик и логирование. Lightning упрощает код тренировки, из-за чего он становится компактнее и чище и самостоятельно масштабирует модель на несколько GPU.

Lightning интегрирован со многими инструментами ML и предоставляет готовые компоненты:

Trainer — класс для запуска обучения/валидации/тестирования. Он сам разбивает обучение на эпохи, следит за метриками, инициализирует коллбэки и логгеры. Например, trainer = pl.Trainer(max_epochs=50, precision="bf16", strategy="ddp", logger=TensorBoardLogger(...)) сразу обеспечивает поддержку смешанной точности, распределённого обучения и логирования в TensorBoard;
LightningModule — базовый класс модели, в котором отделены методы training_step, validation_step, configure_optimizers и т.п. Реализация EmoFinetuneTrainer наследуется от него, определяя собственные тренировочные и валидационные шаги. Lightning сам циклически вызывает эти методы и собирает логи;
Callbacks — готовые классы для распространённых задач: например, ModelCheckpoint автоматически сохраняет лучшие модели по заданной метрике, а EarlyStopping останавливает обучение при отсутствии улучшений. Благодаря этому не нужно писать код сохранения чекпоинтов или проверки на остановку — Lightning берёт это на себя;
Логгеры и метрики — Lightning из коробки поддерживает логирование в TensorBoard, CSV или W&B. Для вычисления метрик можно использовать библиотеку TorchMetrics.

ИспользуяPyTorch Lightning можно удобно реализовать возможность загружать несколько валидационных наборов данных для отслеживания метрик по каждому корпусу данных отдельно.
Для реализации нужно в файле конфигурации датасета определить словарь, где ключом будет название датасета, а значением - путь до csv файла

path_to_train_df: .../data/resd/train.csv
validation_datasets: 
  dusha: .../data/test.csv
  resd: .../data/resd/test.csv
  expresso: .../data/expresso/test.csv
  msp_podcast: .../data/msp_podcast/test.csv
  repv: .../data/repv/test.csv
  repv-s: .../data/repv-s/test.csv
...

Далее создать DataLoader для всех перечисленных наборов данных

val_loaders = {}
for name, path_to_df in config.validation_datasets.items():
    val_dataset =  AudioDataset(path_to_df, emo2id)
    
    val_loader = DataLoader(
        val_dataset,
        shuffle=False,
        batch_size=config.batch_size,
        collate_fn=collate_fn,
        num_workers=config.num_workers
    )
    val_loaders[name] = val_loader

При реализации модуля который наследуются от pl.LightningModule, нужно в конструкторе класса создать все необходимые метрики для каждого датасета и положить их сразу на нужный device - если он один, если несколько - то в начале эпохи валидации переносить метрику на соответствующий device (вообще метрики, по умолчанию, кладутся на соответствующий девайс, но так как они хранятся в словарях, то необходимо положить самостоятельно). Реализация возможности использования нескольких валидационных корпусов данных выглядит так:

class EmoFinetuneTrainer(pl.LightningModule):

    def __init__(self, config: TrainParams):
        super().__init__()
        ...
        self.val_metrics = {}
        for val_name in config.data_params.validation_datasets.keys():
            self.val_metrics[val_name] = {
                'loss': torchmetrics.MeanMetric(),
                'f1_micro': MulticlassF1Score(num_classes=config.num_classes, average='micro'),
                'accuracy': MulticlassAccuracy(num_classes=config.num_classes)
            }
        self.avg_f1_micro = torchmetrics.MeanMetric()
    ...
    def on_validation_start(self):
        for val_name in self.val_metrics:
            for metric in self.val_metrics[val_name].values():
                metric.to(self.device)

    def validation_step(self, batch: AudioBatch, batch_idx: int, dataloader_idx: int = 0):
        val_name = list(self.config.data_params.validation_datasets.keys())[dataloader_idx]
        metrics = self.val_metrics[val_name]

        output = self.model.forward_for_train(batch)
        loss = self.criterion(output, batch.emotions)

        proba_pred = torch.softmax(output, dim=-1)
        metrics['loss'](loss)
        metrics['f1_micro'](proba_pred, batch.emotions)
        metrics['accuracy'](proba_pred, batch.emotions)

    def on_validation_epoch_end(self):
        sch = self.lr_schedulers()
        
        total_loss = 0.0
        num_datasets = len(self.val_metrics)
        self.avg_f1_micro.reset()  
        
        for val_name, metrics in self.val_metrics.items():
            val_loss = metrics['loss'].compute()
            total_loss += val_loss
            f1_micro = metrics["f1_micro"].compute()
            
            self.log(f'loss/valid/{val_name}', val_loss, sync_dist=True)
            self.log(f'F1_score_micro/valid/{val_name}', f1_micro, sync_dist=True)
            self.log(f'Accuracy/valid/{val_name}', metrics['accuracy'].compute(), sync_dist=True)
            
            self.avg_f1_micro.update(f1_micro)
            
            metrics['loss'].reset()
            metrics['f1_micro'].reset()
            metrics['accuracy'].reset()
        
        avg_f1 = self.avg_f1_micro.compute()
        self.log("F1_micro/valid/avg", avg_f1, prog_bar=True)
        
        avg_loss = total_loss / num_datasets
        self.log('loss/valid/avg', avg_loss, prog_bar=True)
        
        sch.step(avg_loss)

Репозиторий проекта.

Эксперименты

Для экспериментов использовалась архитектура модели, которая состоит из feature extractor, пулинга и головы:

class EmotionModel(nn.Module):
    def __init__(self, config):
        super().__init__()

        self.feature_extractor = hydra.utils.instantiate(config.feature_extractor)
        self.pooling = hydra.utils.instantiate(config.pooling)
        self.head = hydra.utils.instantiate(config.head)
    
    def forward(self, batch: AudioBatch):
        feats, lengths = self.feature_extractor(batch.wavs, batch.wav_lengths) # return  [B, EMB_DIM, T], [B]
        feats = feats.transpose(1, 2)# [B, T, EMB_DIM]
        pooled = self.pooling(feats, lengths) # [B, NEW_EMB_DIM]

        if hasattr(self.head, "use_labels_when_train") and self.head.use_labels_when_train is True:
            logit = self.head(pooled, batch.emotions)
        else:
            logit = self.head(pooled)
        return logit, None # [B, NUM_CLASSES]

где:

feature extractorэто GigaAM (v1_ssl, v2_ssl даёт качество сильно хуже в задаче распознавания эмоций, поэтому дальше нигде не рассматривается);
пулинг либо MaxPooling, либо AttentiveStatsPooling + MultiHeadAttention;
голова - Linear слой для классификации.

При проведении эксперементов использовались различные функции потерь и их комбинации:

Label Smoouth + Weight + CrossEntropy
AM-Softmax
AAM-Softmax
RAM-Softmax
RAAM-Softmax

Подробнее про RAM-Softmax

RAMSoftMax - функция потерь, в которой добавляется отступ только если целевой логит не превосходит максимум нецелевых хотя бы на . Т.е. внимание модели будет акцентироваться на сложных нецелевых логитах, игнорируя те, которые уже хорошо разделены.

$\begin{align*}\text{cosine:} \quad & \cos\theta_j = \frac{W_j^\top x}{\|W_j\|\|x\|} \\\text{target logit:} \quad & z_y = s \cdot (\cos\theta_y - m) \\\text{non-target logits:} \quad & z_j =\begin{cases}s \cdot \cos\theta_j, & \text{if } \cos\theta_y - \cos\theta_j \le m \\-\infty, & \text{if } \cos\theta_y - \cos\theta_j > m\end{cases} \\\text{loss:} \quad & \mathcal{L} = -\log\left( \frac{e^{z_y}}{e^{z_y} + \sum_{j \ne y {,} \cos\theta_y - \cos\theta_j \le m} e^{z_j}} \right)\end{align*}$

Подробнее про RAAM-Softmax

В рамках иседования я решил попробовать совместить `RAM-Softmax` + `AAM-Softmax` и назвать её `RAAM-Softmax`. Интуиция для которой следующая: используется отступ под знаком косинуса, применяется `RAM`-маскирование: игнорируются легко разделённые примеры из "негативных" классов.

Optimizer использовался Adam со следующими гиперпараметрами

_target_: torch.optim.Adam
betas:
  - 0.9
  - 0.98
eps: 1.0e-08
weight_decay: 0.01

Так как для обучения хотелось использовать разные learning rate для предобученной части модели и "классификационной головы", то нужно было разделить параметры модели на две группы

params = [
    {"params": pretrained_params, "lr": self.config.pretrained_lr},
    {"params": new_params, "lr": self.config.lr},
]

и при создании оптимизатора с помощью instantiate(self.config.optimizer, params=params) возникала ошибка, из-за неправильной интепретации агрументов. Для решения данной ошибки пришлось сделать костыль и создавать optimizer:

optimizer_class = hydra.utils.get_class(self.config.optimizer._target_)
optimizer_params = { key: value for key, value in self.config.optimizer.items() if key != "_target_"}

optimizer = optimizer_class(params, **optimizer_params)

В качестве scheduler использовался ReduceLROnPlateau, который отслеживал метрику loss/valid/avg и, если не было улучшения в течении 10 эпох, то уменьшал lr в 2 раза:

_target_: torch.optim.lr_scheduler.ReduceLROnPlateau
mode: "min"
factor: 0.5
patience: 10
threshold: 0.0001
threshold_mode: "rel"
cooldown: 0
min_lr: 0.00000001

Так же для warmup модели был определён линейный шедулер

self.warmup_scheduler = LinearLR(optimizer=optimizer, total_iters=self.config.warmup_steps, start_factor=self.config.start_factor)

Результаты

В результате проведения экперементов получена модель, которая распознаёт 7 эмоций в русской и английской речи.
Использование RAM-Softmax или RAAM-Softmax, в среднем, приводит к более лучшим результатам в классификации, чем другие функции потерь.
На визуализациях, полученных с помощью TSNE для RAM-Softmax достаточно хорошо виден результат разделения классов, для RAAM-Softmax не наблюдается чётко выраженного разделения, но при этом примеры одного класса начинают групироваться вокруг различных центроидов. Возможно, эти центроиды образуются по "сложности" классификации примера.
Добавление англоязычных данных улучшают метрики модели на всех корпусах данных, кроме корпусов dusha (думаю, это связано с тем, что дисбаланс данных на различных наборах данных слишком сильный, и модель начинает переобучаться под данные из датасета dusha). Хочется отметить, что данных для классификации эмоций в русской речи очень мало.
Ниже представлены значения метрик по каждому датасету для всех моделей.

Результаты для датасета dialogs

	experiment	epoch	accuracy	f1_weighted	happy_f1	angry_f1	neutral_f1	sad_f1	surprised_f1
0	emov1_baseline	10	0.555556	0.482697	0.395062	0.0	0.702929	0.0	0.0
1	emov1_baseline	16	0.544444	0.462893	0.294118	0.0	0.709677	0.0	0.0
2	emov1_baseline	19	0.566667	0.471453	0.271186	0.0	0.715385	0.0	0.0666667
3	emov1_baseline	20	0.555556	0.476661	0.3125	0.0	0.709163	0.0	0.0606061
4	emov1_baseline_aam	19	0.561111	0.47537	0.361111	0.0	0.704	0.0	0.0
5	emov1_baseline_aam	22	0.55	0.445208	0.229508	0.0	0.704981	0.0	0.0
6	emov1_baseline_aam	28	0.533333	0.473909	0.479167	0.0	0.651786	0.0	0.0
7	emov1_baseline_aam	28	0.561111	0.477717	0.383562	0.0	0.698795	0.0	0.0
8	emov1_baseline_am	10	0.55	0.403105	0.0	0.5	0.720588	0.0	0.0
9	emov1_baseline_am	11	0.516667	0.41642	0.135593	0.0	0.692607	0.0	0.0
10	emov1_baseline_am	13	0.544444	0.431695	0.148148	0.0	0.714829	0.0	0.0
11	emov1_baseline_am	16	0.522222	0.446003	0.272727	0.0	0.688259	0.0	0.0
12	emov1_baseline_raam	13	0.516667	0.448074	0.293333	0.0	0.683333	0.0	0.0
13	emov1_baseline_raam	19	0.511111	0.460707	0.344828	0.0	0.684444	0.0	0.0
14	emov1_baseline_raam	22	0.494444	0.447228	0.333333	0.133333	0.663677	0.0	0.0
15	emov1_baseline_raam	27	0.555556	0.468426	0.338028	0.0	0.701195	0.0	0.0
16	emov1_baseline_ram	11	0.555556	0.440825	0.181818	0.5	0.712121	0.0	0.0
17	emov1_baseline_ram	13	0.561111	0.455913	0.233333	1.0	0.712644	0.0	0.0
18	emov1_baseline_ram	22	0.561111	0.462881	0.271186	0.333333	0.715953	0.0	0.0
19	emov1_baseline_ram	26	0.522222	0.459794	0.3125	0.181818	0.694561	0.0	0.0
20	emov1_ce_weight_smoouth_baseline	12	0.522222	0.427259	0.206897	0.0	0.682171	0.0	0.0
21	emov1_ce_weight_smoouth_baseline	15	0.533333	0.496132	0.395062	0.0	0.675556	0.0	0.177778
22	emov1_ce_weight_smoouth_baseline	17	0.538889	0.469739	0.246154	0.0	0.696356	0.0	0.157895
23	emov1_ce_weight_smoouth_baseline	19	0.483333	0.453598	0.28125	0.0	0.640351	0.0	0.2
24	emov1_ce_weight_smoouth_baseline_aam	21	0.55	0.478997	0.373333	0.0	0.705394	0.0	0.0
25	emov1_ce_weight_smoouth_baseline_aam	22	0.55	0.461964	0.323529	0.0	0.695652	0.0	0.0
26	emov1_ce_weight_smoouth_baseline_aam	23	0.533333	0.443264	0.268657	0.0	0.685039	0.0	0.0
27	emov1_ce_weight_smoouth_baseline_aam	29	0.538889	0.464995	0.365854	0.0	0.683333	0.0	0.0
28	emov1_ce_weight_smoouth_baseline_am	11	0.533333	0.403371	0.0454545	0.285714	0.70412	0.0	0.0
29	emov1_ce_weight_smoouth_baseline_am	13	0.533333	0.457875	0.3	0.181818	0.696356	0.0	0.0
30	emov1_ce_weight_smoouth_baseline_am	16	0.494444	0.420749	0.202899	0.0	0.672131	0.0	0.0
31	emov1_ce_weight_smoouth_baseline_am	20	0.511111	0.439335	0.169492	0.0	0.702041	0.0	0.0606061
32	emov1_ce_weight_smoouth_baseline_raam	8	0.527778	0.477713	0.320988	0.0	0.67234	0.0	0.181818
33	emov1_ce_weight_smoouth_baseline_raam	13	0.505556	0.469248	0.452174	0.285714	0.633166	0.0	0.0645161
34	emov1_ce_weight_smoouth_baseline_raam	15	0.533333	0.470887	0.386364	1.0	0.675325	0.0	0.0
35	emov1_ce_weight_smoouth_baseline_raam	20	0.572222	0.51455	0.428571	1.0	0.718615	0.0	0.0606061
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.505556	0.400165	0.037037	0.285714	0.684825	0.0	0.0588235
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.5	0.429075	0.179104	0.0	0.663968	0.0	0.114286
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.494444	0.433504	0.0784314	0.0	0.678112	0.0	0.238806
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.527778	0.47793	0.361446	0.0	0.675325	0.0	0.114286
40	emov1_ce_weight_smoouth_baseline_ram	10	0.538889	0.439673	0.1875	0.4	0.708661	0.0	0.0
41	emov1_ce_weight_smoouth_baseline_ram	13	0.533333	0.40955	0.0784314	0.5	0.699248	0.0	0.0
42	emov1_ce_weight_smoouth_baseline_ram	16	0.505556	0.44108	0.292683	1.0	0.661017	0.0	0.0
43	emov1_ce_weight_smoouth_baseline_ram	20	0.55	0.447071	0.148148	0.4	0.72093	0.0	0.0606061
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.511111	0.401662	0.0	0.0769231	0.722222	0.0	0.0
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.55	0.413838	0.0816327	0.0	0.710623	0.0	0.0
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.505556	0.411988	0.0701754	0.181818	0.696	0.285714	0.0
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.511111	0.389267	0.0392157	0.0	0.684211	0.0	0.0
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.533333	0.476379	0.235294	0.0	0.694215	0.0	0.222222
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.544444	0.491992	0.277778	0.0	0.694561	0.0	0.25641
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.527778	0.508288	0.314286	0.0	0.694444	0.0	0.305085
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.477778	0.440747	0.0425532	0.0	0.679803	0.0	0.329897

Результаты для датасета dusha

	experiment	epoch	accuracy	f1_weighted	happy_f1	angry_f1	neutral_f1	sad_f1
0	emov1_baseline	10	0.539521	0.566747	0.422551	0.430138	0.621143	0.50665
1	emov1_baseline	16	0.625668	0.64855	0.450255	0.501002	0.7299	0.513828
2	emov1_baseline	19	0.526848	0.544893	0.471596	0.531222	0.576048	0.465344
3	emov1_baseline	20	0.592045	0.615302	0.449353	0.497765	0.679574	0.514695
4	emov1_baseline_aam	19	0.588162	0.609045	0.462082	0.515309	0.672728	0.485474
5	emov1_baseline_aam	22	0.544942	0.571255	0.395865	0.489917	0.632582	0.465823
6	emov1_baseline_aam	28	0.524211	0.543947	0.44798	0.515818	0.583333	0.451944
7	emov1_baseline_aam	28	0.618343	0.638357	0.446694	0.50607	0.717141	0.50112
8	emov1_baseline_am	10	0.654238	0.670395	0.523527	0.558625	0.737757	0.542641
9	emov1_baseline_am	11	0.574463	0.593158	0.501152	0.549986	0.635981	0.493953
10	emov1_baseline_am	13	0.603692	0.623421	0.50494	0.509411	0.679286	0.528768
11	emov1_baseline_am	16	0.587649	0.608245	0.472836	0.519796	0.662848	0.512576
12	emov1_baseline_raam	13	0.643689	0.662122	0.496679	0.545888	0.733689	0.530143
13	emov1_baseline_raam	19	0.644202	0.661548	0.503097	0.562608	0.730552	0.525583
14	emov1_baseline_raam	22	0.623544	0.645796	0.442804	0.520299	0.718448	0.536201
15	emov1_baseline_raam	27	0.611384	0.636526	0.422949	0.529217	0.712017	0.509875
16	emov1_baseline_ram	11	0.597026	0.617052	0.476786	0.508371	0.671999	0.535196
17	emov1_baseline_ram	13	0.632408	0.651233	0.486346	0.534669	0.715642	0.548856
18	emov1_baseline_ram	22	0.607721	0.629987	0.440834	0.545613	0.693035	0.527043
19	emov1_baseline_ram	26	0.589334	0.610222	0.467028	0.553216	0.665196	0.497983
20	emov1_ce_weight_smoouth_baseline	12	0.446268	0.4548	0.438272	0.555166	0.450304	0.420772
21	emov1_ce_weight_smoouth_baseline	15	0.567211	0.589308	0.455275	0.537455	0.638834	0.491333
22	emov1_ce_weight_smoouth_baseline	17	0.617903	0.637381	0.495033	0.553633	0.700798	0.506141
23	emov1_ce_weight_smoouth_baseline	19	0.529412	0.544777	0.4585	0.538855	0.573845	0.47642
24	emov1_ce_weight_smoouth_baseline_aam	21	0.575855	0.597598	0.434194	0.487603	0.657933	0.507235
25	emov1_ce_weight_smoouth_baseline_aam	22	0.516226	0.534078	0.429367	0.473134	0.569972	0.481766
26	emov1_ce_weight_smoouth_baseline_aam	23	0.485312	0.496341	0.453264	0.509859	0.513063	0.442865
27	emov1_ce_weight_smoouth_baseline_aam	29	0.534393	0.554275	0.471393	0.50534	0.594249	0.465312
28	emov1_ce_weight_smoouth_baseline_am	11	0.636583	0.655785	0.498708	0.52944	0.717126	0.567781
29	emov1_ce_weight_smoouth_baseline_am	13	0.612409	0.63394	0.494805	0.504921	0.689707	0.560609
30	emov1_ce_weight_smoouth_baseline_am	16	0.620101	0.639859	0.486569	0.562696	0.69875	0.529506
31	emov1_ce_weight_smoouth_baseline_am	20	0.644641	0.662643	0.49633	0.538863	0.729325	0.556094
32	emov1_ce_weight_smoouth_baseline_raam	8	0.567358	0.587109	0.456508	0.53043	0.635448	0.495107
33	emov1_ce_weight_smoouth_baseline_raam	13	0.554245	0.574547	0.454137	0.498134	0.622554	0.490371
34	emov1_ce_weight_smoouth_baseline_raam	15	0.544869	0.56476	0.454518	0.514511	0.607806	0.47928
35	emov1_ce_weight_smoouth_baseline_raam	20	0.582668	0.606739	0.407789	0.521027	0.670979	0.505197
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.651015	0.666857	0.500671	0.542813	0.736929	0.546325
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.572632	0.594481	0.446066	0.562733	0.640091	0.508441
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.647498	0.668578	0.455434	0.551764	0.738706	0.569808
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.623617	0.644158	0.481649	0.579499	0.701061	0.53952
40	emov1_ce_weight_smoouth_baseline_ram	10	0.634239	0.653206	0.476862	0.566352	0.714248	0.552904
41	emov1_ce_weight_smoouth_baseline_ram	13	0.66779	0.683781	0.516442	0.562773	0.752573	0.567339
42	emov1_ce_weight_smoouth_baseline_ram	16	0.62435	0.651343	0.421029	0.592857	0.71535	0.551623
43	emov1_ce_weight_smoouth_baseline_ram	20	0.582228	0.601016	0.504709	0.577068	0.641321	0.502808
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.657314	0.673966	0.462842	0.542364	0.747214	0.570248
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.629111	0.649381	0.494012	0.574526	0.711428	0.525672
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.593656	0.613633	0.487821	0.525432	0.662127	0.53776
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.665079	0.680817	0.503226	0.574799	0.74731	0.570431
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.710571	0.724021	0.524089	0.604069	0.804592	0.576408
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.65856	0.678493	0.54174	0.598381	0.744283	0.532005
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.681928	0.701029	0.447262	0.571953	0.785012	0.575231
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.632921	0.654514	0.516946	0.54027	0.712045	0.563854

Результаты для датасета expresso

	experiment	epoch	accuracy	f1_weighted	happy_f1	other_f1	neutral_f1	sad_f1
0	emov1_baseline	10	0.918261	0.919042	0.927132	0.937207	0.82	0.937063
1	emov1_baseline	16	0.926087	0.925688	0.945092	0.939716	0.844291	0.918149
2	emov1_baseline	19	0.951304	0.951113	0.961474	0.960945	0.904762	0.941558
3	emov1_baseline	20	0.953913	0.953671	0.966997	0.961086	0.905405	0.948805
4	emov1_baseline_aam	19	0.92087	0.921011	0.925424	0.936094	0.841424	0.937931
5	emov1_baseline_aam	22	0.925217	0.925616	0.935065	0.943571	0.861538	0.906475
6	emov1_baseline_aam	28	0.930435	0.929913	0.932258	0.945255	0.861111	0.939189
7	emov1_baseline_aam	28	0.929565	0.929558	0.932907	0.948742	0.843854	0.94
8	emov1_baseline_am	10	0.944348	0.945629	0.945578	0.963168	0.872727	0.955932
9	emov1_baseline_am	11	0.953043	0.953179	0.958678	0.967919	0.886731	0.955932
10	emov1_baseline_am	13	0.93913	0.940353	0.934028	0.956999	0.86747	0.966443
11	emov1_baseline_am	16	0.947826	0.947414	0.957516	0.96337	0.854237	0.963455
12	emov1_baseline_raam	13	0.883478	0.881926	0.857143	0.917606	0.756579	0.929293
13	emov1_baseline_raam	19	0.887826	0.88496	0.896024	0.921692	0.760148	0.856061
14	emov1_baseline_raam	22	0.923478	0.925309	0.93086	0.947955	0.813056	0.945578
15	emov1_baseline_raam	27	0.923478	0.925692	0.932231	0.943541	0.827586	0.94702
16	emov1_baseline_ram	11	0.944348	0.944411	0.959612	0.952646	0.862745	0.966443
17	emov1_baseline_ram	13	0.949565	0.950262	0.968699	0.957009	0.873065	0.966667
18	emov1_baseline_ram	22	0.949565	0.949649	0.970297	0.958106	0.88746	0.940351
19	emov1_baseline_ram	26	0.956522	0.957442	0.965742	0.963922	0.895425	0.979866
20	emov1_ce_weight_smoouth_baseline	12	0.90087	0.899223	0.887701	0.919897	0.821429	0.926174
21	emov1_ce_weight_smoouth_baseline	15	0.935652	0.935604	0.945274	0.957466	0.851613	0.921986
22	emov1_ce_weight_smoouth_baseline	17	0.933913	0.934235	0.935811	0.954545	0.847134	0.945578
23	emov1_ce_weight_smoouth_baseline	19	0.922609	0.922486	0.917647	0.945921	0.867797	0.902821
24	emov1_ce_weight_smoouth_baseline_aam	21	0.935652	0.935425	0.943274	0.956999	0.854305	0.923611
25	emov1_ce_weight_smoouth_baseline_aam	22	0.94087	0.941815	0.942149	0.96242	0.881789	0.927336
26	emov1_ce_weight_smoouth_baseline_aam	23	0.935652	0.936534	0.935811	0.962212	0.850153	0.932432
27	emov1_ce_weight_smoouth_baseline_aam	29	0.930435	0.929721	0.939444	0.954095	0.837838	0.914894
28	emov1_ce_weight_smoouth_baseline_am	11	0.94087	0.941667	0.965854	0.951311	0.848297	0.952381
29	emov1_ce_weight_smoouth_baseline_am	13	0.946957	0.946945	0.956376	0.954955	0.880795	0.965753
30	emov1_ce_weight_smoouth_baseline_am	16	0.953043	0.953097	0.963816	0.962351	0.878689	0.973154
31	emov1_ce_weight_smoouth_baseline_am	20	0.94087	0.941246	0.961474	0.949027	0.86262	0.951768
32	emov1_ce_weight_smoouth_baseline_raam	8	0.916522	0.916532	0.924031	0.932701	0.803987	0.956522
33	emov1_ce_weight_smoouth_baseline_raam	13	0.936522	0.937412	0.936317	0.955005	0.85625	0.957929
34	emov1_ce_weight_smoouth_baseline_raam	15	0.950435	0.950971	0.964824	0.959633	0.872964	0.970492
35	emov1_ce_weight_smoouth_baseline_raam	20	0.909565	0.913679	0.943144	0.930674	0.782609	0.925267
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.921739	0.921196	0.947712	0.936479	0.817568	0.917241
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.922609	0.923262	0.95114	0.937618	0.810127	0.929487
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.931304	0.931558	0.949097	0.947075	0.834951	0.937705
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.92	0.919552	0.931034	0.941613	0.80678	0.930556
40	emov1_ce_weight_smoouth_baseline_ram	10	0.93913	0.93929	0.940625	0.955702	0.847682	0.969697
41	emov1_ce_weight_smoouth_baseline_ram	13	0.948696	0.948796	0.960526	0.959559	0.871622	0.964169
42	emov1_ce_weight_smoouth_baseline_ram	16	0.92087	0.919124	0.946844	0.932278	0.798535	0.9375
43	emov1_ce_weight_smoouth_baseline_ram	20	0.941739	0.942603	0.959083	0.952113	0.860759	0.957655
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.906087	0.907642	0.93823	0.937843	0.772861	0.873134
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.924348	0.925339	0.942373	0.945055	0.820988	0.92517
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.915652	0.916018	0.939641	0.942149	0.817073	0.874074
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.943478	0.942894	0.95315	0.953425	0.858131	0.969697
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.196522	0.162445	0.467497	0.0180505	0.161121	0.0718563
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.233913	0.178731	0.448642	0.0418848	0.187919	0.120879
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.204348	0.163741	0.461899	0.0353357	0.120219	0.0718563
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.18	0.177661	0.403125	0.0858086	0.198381	0.0352941

Результаты для датасета msp_podcast

	experiment	epoch	accuracy	f1_weighted	happy_f1	disgusted_f1	angry_f1	fearful_f1	other_f1	neutral_f1	sad_f1	surprised_f1
0	emov1_baseline	10	0.337011	0.268659	0.393651	0.0	0.463977	0.0	0.0181818	0.3286	0.0	0.0
1	emov1_baseline	16	0.368276	0.301342	0.422866	0.0	0.521277	0.0	0.0	0.383048	0.0373832	0.0
2	emov1_baseline	19	0.347586	0.299376	0.407273	0.0	0.515444	0.0253165	0.0163934	0.353377	0.0857143	0.044586
3	emov1_baseline	20	0.347126	0.289007	0.388571	0.0	0.507868	0.0	0.0	0.338605	0.0529801	0.0617284
4	emov1_baseline_aam	19	0.35954	0.293177	0.416855	0.0	0.5	0.0	0.0173913	0.374138	0.0181818	0.0
5	emov1_baseline_aam	22	0.370575	0.30378	0.432584	0.0	0.522927	0.0	0.0	0.386172	0.0186916	0.0
6	emov1_baseline_aam	28	0.362759	0.293796	0.409241	0.0	0.506912	0.0	0.0166667	0.378281	0.0168067	0.0
7	emov1_baseline_aam	28	0.36	0.297703	0.404908	0.0	0.493882	0.0	0.0168067	0.415439	0.0	0.0
8	emov1_baseline_am	10	0.349425	0.287762	0.335238	0.0	0.515241	0.0	0.017094	0.407717	0.0672269	0.0
9	emov1_baseline_am	11	0.341149	0.283446	0.395722	0.0	0.506616	0.0	0.0	0.333333	0.0816327	0.00706714
10	emov1_baseline_am	13	0.346667	0.285103	0.351074	0.0	0.503145	0.0	0.0142857	0.402837	0.0162602	0.0
11	emov1_baseline_am	16	0.341149	0.286228	0.381887	0.0	0.500511	0.0	0.0142857	0.376563	0.030303	0.0
12	emov1_baseline_raam	13	0.336092	0.277726	0.351307	0.0	0.45679	0.0	0.032	0.407018	0.036036	0.0
13	emov1_baseline_raam	19	0.347126	0.284426	0.395689	0.0	0.48753	0.0	0.0	0.355597	0.0650407	0.0135135
14	emov1_baseline_raam	22	0.343448	0.278799	0.373191	0.0	0.479724	0.0	0.0	0.381927	0.0	0.0
15	emov1_baseline_raam	27	0.333793	0.289299	0.366744	0.0	0.451923	0.0	0.0347826	0.396346	0.0504202	0.0831025
16	emov1_baseline_ram	11	0.358621	0.288378	0.427861	0.0	0.504886	0.0	0.0	0.338742	0.030303	0.0
17	emov1_baseline_ram	13	0.371494	0.303587	0.412926	0.0	0.51845	0.0	0.0	0.413074	0.0	0.0
18	emov1_baseline_ram	22	0.35954	0.297228	0.411541	0.0	0.505561	0.0	0.0	0.391534	0.0178571	0.00696864
19	emov1_baseline_ram	26	0.337931	0.284455	0.38015	0.0	0.486275	0.0	0.0	0.384668	0.0242424	0.00660066
20	emov1_ce_weight_smoouth_baseline	12	0.33977	0.314189	0.398034	0.0264901	0.478873	0.0	0.0142857	0.397083	0.119048	0.143158
21	emov1_ce_weight_smoouth_baseline	15	0.324598	0.309508	0.390077	0.0842105	0.513327	0.0273973	0.0487805	0.318232	0.0338983	0.186125
22	emov1_ce_weight_smoouth_baseline	17	0.338391	0.316241	0.373418	0.0581395	0.492078	0.0363636	0.0350877	0.379613	0.057971	0.200913
23	emov1_ce_weight_smoouth_baseline	19	0.31954	0.298791	0.37931	0.0650888	0.513514	0.0517241	0.0	0.276215	0.0606061	0.20743
24	emov1_ce_weight_smoouth_baseline_aam	21	0.355862	0.302597	0.392931	0.0	0.504407	0.0	0.0	0.353535	0.0175439	0.151329
25	emov1_ce_weight_smoouth_baseline_aam	22	0.378391	0.327315	0.435675	0.0	0.557118	0.0	0.0	0.366197	0.0338983	0.148649
26	emov1_ce_weight_smoouth_baseline_aam	23	0.362299	0.331141	0.410822	0.0	0.563307	0.0	0.0	0.342222	0.0939597	0.232843
27	emov1_ce_weight_smoouth_baseline_aam	29	0.354943	0.323443	0.400385	0.0	0.535097	0.0	0.0163934	0.391687	0.0	0.179739
28	emov1_ce_weight_smoouth_baseline_am	11	0.281379	0.234386	0.145015	0.0	0.488636	0.0	0.0	0.260664	0.0	0.262887
29	emov1_ce_weight_smoouth_baseline_am	13	0.289195	0.26361	0.258564	0.0114286	0.484065	0.0152672	0.034188	0.297324	0.0	0.207268
30	emov1_ce_weight_smoouth_baseline_am	16	0.313563	0.278337	0.379714	0.0446429	0.460648	0.0	0.0	0.333007	0.0	0.0831169
31	emov1_ce_weight_smoouth_baseline_am	20	0.305287	0.279934	0.288325	0.0330033	0.498246	0.0	0.0	0.347107	0.0185185	0.167969
32	emov1_ce_weight_smoouth_baseline_raam	8	0.330115	0.309172	0.365064	0.0512821	0.522442	0.0598291	0.0	0.350249	0.0178571	0.186047
33	emov1_ce_weight_smoouth_baseline_raam	13	0.328276	0.302444	0.385933	0.0	0.521127	0.057377	0.0	0.323851	0.0504202	0.15917
34	emov1_ce_weight_smoouth_baseline_raam	15	0.332414	0.311462	0.390698	0.0627803	0.520699	0.0529801	0.0178571	0.352352	0.0437956	0.137809
35	emov1_ce_weight_smoouth_baseline_raam	20	0.330575	0.317097	0.374875	0.0875421	0.524379	0.139706	0.0	0.338591	0.0508475	0.196078
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.356322	0.288573	0.290576	0.0	0.520179	0.0190476	0.0	0.409622	0.0	0.0994152
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.336552	0.308151	0.37265	0.0519481	0.48855	0.112994	0.0	0.386163	0.0	0.149688
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.333333	0.312217	0.401739	0.0803213	0.527103	0.117647	0.0185185	0.304147	0.0	0.188312
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.349425	0.314992	0.402062	0.0655738	0.513004	0.0882353	0.0175439	0.372753	0.0	0.126582
40	emov1_ce_weight_smoouth_baseline_ram	10	0.306667	0.270568	0.255656	0.0	0.490694	0.0	0.0183486	0.351421	0.0	0.174298
41	emov1_ce_weight_smoouth_baseline_ram	13	0.329655	0.296814	0.357912	0.0242424	0.523383	0.0173913	0.0	0.351421	0.0186916	0.123711
42	emov1_ce_weight_smoouth_baseline_ram	16	0.305747	0.250824	0.408528	0.0869565	0.423898	0.0204082	0.0	0.220207	0.0192308	0.0493151
43	emov1_ce_weight_smoouth_baseline_ram	20	0.31954	0.297028	0.346715	0.090566	0.48227	0.0	0.0	0.37931	0.0186916	0.138889
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.325057	0.254954	0.285714	0.0	0.461432	0.0	0.0186916	0.37538	0.0	0.00687285
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.315402	0.273269	0.378878	0.0	0.441454	0.0	0.0172414	0.355838	0.0	0.0520833
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.322759	0.291901	0.35059	0.0	0.501845	0.0	0.0408163	0.359673	0.0	0.128571
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.342069	0.309732	0.373514	0.0315789	0.511677	0.0	0.0	0.389294	0.0	0.156556
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.104828	0.0985822	0.143204	0.113445	0.0694698	0.0	0.0515222	0.178462	0.0	0.0
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.148046	0.14673	0.223919	0.0559006	0.109272	0.0377358	0.0725275	0.274272	0.0	0.0
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.108046	0.0896537	0.223206	0.103751	0.0379507	0.0	0.0309278	0.0965517	0.0	0.0
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.133793	0.142338	0.150565	0.0969388	0.227222	0.0150376	0.0727273	0.166163	0.0	0.0754717

Результаты для датасета repv-s

	experiment	epoch	accuracy	f1_weighted	happy_f1	angry_f1	other_f1	sad_f1
0	emov1_baseline	10	0.392857	0.409105	0.2	0.533333	0.428571	0.461538
1	emov1_baseline	16	0.25	0.232287	0.25	0.307692	0.315789	0.0
2	emov1_baseline	19	0.285714	0.261439	0.25	0.4	0.133333	0.347826
3	emov1_baseline	20	0.25	0.250186	0.285714	0.2	0.3	0.181818
4	emov1_baseline_aam	19	0.25	0.265693	0.25	0.545455	0.266667	0.0
5	emov1_baseline_aam	22	0.214286	0.218487	0.352941	0.444444	0.133333	0.0
6	emov1_baseline_aam	28	0.285714	0.294718	0.470588	0.666667	0.142857	0.0
7	emov1_baseline_aam	28	0.25	0.272222	0.4	0.5	0.222222	0.0
8	emov1_baseline_am	10	0.214286	0.204082	0.0	0.428571	0.142857	0.285714
9	emov1_baseline_am	11	0.285714	0.237575	0.0	0.4	0.142857	0.470588
10	emov1_baseline_am	13	0.214286	0.198079	0.0	0.352941	0.142857	0.333333
11	emov1_baseline_am	16	0.214286	0.215152	0.0	0.266667	0.333333	0.181818
12	emov1_baseline_raam	13	0.321429	0.347346	0.222222	0.363636	0.421053	0.333333
13	emov1_baseline_raam	19	0.285714	0.327734	0.428571	0.4	0.153846	0.444444
14	emov1_baseline_raam	22	0.285714	0.314269	0.363636	0.461538	0.166667	0.363636
15	emov1_baseline_raam	27	0.25	0.247024	0.375	0.0	0.2	0.444444
16	emov1_baseline_ram	11	0.25	0.199038	0.153846	0.375	0.0	0.4
17	emov1_baseline_ram	13	0.178571	0.188383	0.166667	0.307692	0.142857	0.166667
18	emov1_baseline_ram	22	0.25	0.235819	0.375	0.333333	0.235294	0.0
19	emov1_baseline_ram	26	0.357143	0.347905	0.25	0.363636	0.380952	0.375
20	emov1_ce_weight_smoouth_baseline	12	0.321429	0.309524	0.0	0.444444	0.333333	0.444444
21	emov1_ce_weight_smoouth_baseline	15	0.357143	0.363509	0.266667	0.6	0.347826	0.25
22	emov1_ce_weight_smoouth_baseline	17	0.285714	0.280068	0.181818	0.363636	0.347826	0.181818
23	emov1_ce_weight_smoouth_baseline	19	0.285714	0.278788	0.266667	0.545455	0.133333	0.266667
24	emov1_ce_weight_smoouth_baseline_aam	21	0.25	0.255102	0.166667	0.5	0.142857	0.285714
25	emov1_ce_weight_smoouth_baseline_aam	22	0.25	0.255364	0.0	0.461538	0.266667	0.285714
26	emov1_ce_weight_smoouth_baseline_aam	23	0.214286	0.214556	0.0	0.181818	0.266667	0.375
27	emov1_ce_weight_smoouth_baseline_aam	29	0.178571	0.150794	0.0	0.0	0.222222	0.333333
28	emov1_ce_weight_smoouth_baseline_am	11	0.321429	0.288265	0.0	0.5	0.25	0.428571
29	emov1_ce_weight_smoouth_baseline_am	13	0.357143	0.35454	0.166667	0.5	0.315789	0.461538
30	emov1_ce_weight_smoouth_baseline_am	16	0.285714	0.314199	0.307692	0.5	0.210526	0.307692
31	emov1_ce_weight_smoouth_baseline_am	20	0.321429	0.294334	0.0	0.375	0.380952	0.363636
32	emov1_ce_weight_smoouth_baseline_raam	8	0.285714	0.229592	0.142857	0.428571	0.0	0.5
33	emov1_ce_weight_smoouth_baseline_raam	13	0.25	0.208929	0.266667	0.333333	0.0	0.375
34	emov1_ce_weight_smoouth_baseline_raam	15	0.25	0.226679	0.181818	0.266667	0.153846	0.352941
35	emov1_ce_weight_smoouth_baseline_raam	20	0.285714	0.278414	0.142857	0.5	0.153846	0.4
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.321429	0.268797	0.166667	0.666667	0.0	0.421053
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.392857	0.347368	0.4	0.8	0.0	0.421053
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.285714	0.27551	0.285714	0.666667	0.0	0.333333
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.321429	0.3	0.4	0.6	0.0	0.4
40	emov1_ce_weight_smoouth_baseline_ram	10	0.285714	0.261735	0.25	0.571429	0.0	0.4
41	emov1_ce_weight_smoouth_baseline_ram	13	0.178571	0.151648	0.307692	0.4	0.0	0.0
42	emov1_ce_weight_smoouth_baseline_ram	16	0.357143	0.345549	0.434783	0.5	0.166667	0.4
43	emov1_ce_weight_smoouth_baseline_ram	20	0.25	0.254175	0.444444	0.25	0.153846	0.235294
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.25	0.219388	0.166667	0.571429	0.0	0.285714
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.25	0.233707	0.0	0.363636	0.153846	0.470588
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.25	0.257542	0.181818	0.363636	0.153846	0.4
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.214286	0.224097	0.0	0.5	0.142857	0.307692
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.285714	0.305382	0.363636	0.545455	0.125	0.307692
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.25	0.260902	0.2	0.5	0.210526	0.166667
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.214286	0.222715	0.235294	0.4	0.133333	0.181818
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.285714	0.241758	0.0	0.461538	0.4	0.0

Результаты для датасета repv

	experiment	epoch	accuracy	f1_weighted	happy_f1	angry_f1	other_f1	sad_f1
0	emov1_baseline	10	0.390663	0.388363	0.280702	0.48913	0.473239	0.198582
1	emov1_baseline	16	0.429975	0.426333	0.336134	0.551351	0.493075	0.234375
2	emov1_baseline	19	0.380835	0.388699	0.306306	0.484472	0.392523	0.344498
3	emov1_baseline	20	0.395577	0.399204	0.288288	0.462428	0.463277	0.291139
4	emov1_baseline_aam	19	0.373464	0.383065	0.366667	0.4125	0.451977	0.22973
5	emov1_baseline_aam	22	0.39312	0.38848	0.276423	0.425806	0.496084	0.222222
6	emov1_baseline_aam	28	0.371007	0.37442	0.283186	0.425	0.448179	0.245614
7	emov1_baseline_aam	28	0.371007	0.368919	0.290323	0.357143	0.494845	0.192
8	emov1_baseline_am	10	0.329238	0.35356	0.22449	0.426966	0.377483	0.327485
9	emov1_baseline_am	11	0.341523	0.344273	0.230088	0.415301	0.324138	0.396135
10	emov1_baseline_am	13	0.36855	0.377722	0.189474	0.431579	0.428135	0.363636
11	emov1_baseline_am	16	0.34398	0.35715	0.30303	0.414201	0.365325	0.322981
12	emov1_baseline_raam	13	0.41769	0.388376	0.214286	0.405063	0.547564	0.188034
13	emov1_baseline_raam	19	0.390663	0.396063	0.259259	0.464646	0.448485	0.324675
14	emov1_baseline_raam	22	0.410319	0.396475	0.273684	0.5	0.481481	0.214876
15	emov1_baseline_raam	27	0.395577	0.399745	0.363636	0.4	0.479564	0.269504
16	emov1_baseline_ram	11	0.402948	0.39894	0.31068	0.450867	0.489474	0.233577
17	emov1_baseline_ram	13	0.39312	0.392577	0.329897	0.429448	0.497409	0.195489
18	emov1_baseline_ram	22	0.390663	0.400029	0.355556	0.448718	0.459384	0.266667
19	emov1_baseline_ram	26	0.398034	0.402353	0.342342	0.447368	0.48	0.248366
20	emov1_ce_weight_smoouth_baseline	12	0.422604	0.414998	0.371681	0.362069	0.524752	0.285714
21	emov1_ce_weight_smoouth_baseline	15	0.366093	0.378061	0.345455	0.415094	0.438889	0.244898
22	emov1_ce_weight_smoouth_baseline	17	0.351351	0.361686	0.32	0.368098	0.430168	0.251572
23	emov1_ce_weight_smoouth_baseline	19	0.378378	0.386921	0.342857	0.450549	0.412121	0.305085
24	emov1_ce_weight_smoouth_baseline_aam	21	0.378378	0.390148	0.344828	0.423841	0.435028	0.301205
25	emov1_ce_weight_smoouth_baseline_aam	22	0.39312	0.394648	0.356589	0.413793	0.467742	0.25974
26	emov1_ce_weight_smoouth_baseline_aam	23	0.400491	0.40181	0.347107	0.438356	0.47027	0.270588
27	emov1_ce_weight_smoouth_baseline_aam	29	0.410319	0.402001	0.36036	0.378788	0.509804	0.244898
28	emov1_ce_weight_smoouth_baseline_am	11	0.398034	0.394718	0.254902	0.471264	0.497354	0.21875
29	emov1_ce_weight_smoouth_baseline_am	13	0.410319	0.403769	0.307692	0.465409	0.498741	0.225564
30	emov1_ce_weight_smoouth_baseline_am	16	0.383292	0.388354	0.272727	0.476821	0.47619	0.211268
31	emov1_ce_weight_smoouth_baseline_am	20	0.39312	0.397878	0.285714	0.4875	0.481481	0.225352
32	emov1_ce_weight_smoouth_baseline_raam	8	0.388206	0.395059	0.296875	0.472527	0.40625	0.366864
33	emov1_ce_weight_smoouth_baseline_raam	13	0.375921	0.381504	0.35	0.42623	0.379747	0.362637
34	emov1_ce_weight_smoouth_baseline_raam	15	0.375921	0.383793	0.325203	0.407186	0.388889	0.393443
35	emov1_ce_weight_smoouth_baseline_raam	20	0.324324	0.334577	0.275362	0.423913	0.323232	0.309524
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.380835	0.399102	0.294737	0.430108	0.432258	0.379888
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.400491	0.421002	0.302521	0.410596	0.478528	0.40678
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.405405	0.424267	0.336283	0.444444	0.487252	0.345324
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.41769	0.433215	0.338983	0.493506	0.458716	0.391534
40	emov1_ce_weight_smoouth_baseline_ram	10	0.378378	0.392196	0.336449	0.497238	0.42515	0.261438
41	emov1_ce_weight_smoouth_baseline_ram	13	0.361179	0.37965	0.304762	0.449438	0.428152	0.268657
42	emov1_ce_weight_smoouth_baseline_ram	16	0.361179	0.376119	0.423077	0.384	0.410405	0.265734
43	emov1_ce_weight_smoouth_baseline_ram	20	0.36855	0.388047	0.3	0.414286	0.433526	0.337349
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.339066	0.351732	0.213592	0.402174	0.44186	0.225806
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.388206	0.405904	0.357724	0.427481	0.448864	0.33526
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.395577	0.407388	0.333333	0.459627	0.461538	0.302632
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.375921	0.393167	0.314815	0.433735	0.459302	0.28
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.383292	0.357075	0.272727	0.316667	0.493274	0.193548
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.407862	0.356708	0.288462	0.275229	0.534447	0.141593
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.400491	0.354917	0.276923	0.372881	0.522876	0.0645161
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.422604	0.387699	0.197802	0.428571	0.530337	0.206897

Результаты для датасета resd

	experiment	epoch	accuracy	f1_weighted	happy_f1	disgusted_f1	angry_f1	fearful_f1	other_f1	neutral_f1	sad_f1
0	emov1_baseline	10	0.217857	0.145613	0.247788	0.0	0.390977	0.0	0.0	0.256757	0.0909091
1	emov1_baseline	16	0.242857	0.157459	0.283186	0.0	0.42735	0.0	0.0	0.3375	0.0
2	emov1_baseline	19	0.267857	0.205569	0.315789	0.0	0.455446	0.0425532	0.0	0.333333	0.282609
3	emov1_baseline	20	0.257143	0.185994	0.311111	0.0	0.471429	0.0	0.0754717	0.296296	0.105263
4	emov1_baseline_aam	19	0.217857	0.146563	0.242424	0.0	0.333333	0.0	0.0	0.347222	0.0784314
5	emov1_baseline_aam	22	0.25	0.170063	0.314286	0.0	0.413793	0.0	0.0444444	0.321168	0.05
6	emov1_baseline_aam	28	0.242857	0.173741	0.289855	0.0	0.380952	0.0	0.0	0.330097	0.205882
7	emov1_baseline_aam	28	0.235714	0.166537	0.285714	0.0	0.343434	0.0	0.0434783	0.338028	0.136364
8	emov1_baseline_am	10	0.246429	0.176671	0.296296	0.0	0.514286	0.0	0.0408163	0.282828	0.0444444
9	emov1_baseline_am	11	0.275	0.222223	0.353982	0.0	0.495238	0.0	0.185185	0.302521	0.186047
10	emov1_baseline_am	13	0.25	0.187706	0.253165	0.0	0.473684	0.0	0.184615	0.317073	0.0357143
11	emov1_baseline_am	16	0.282143	0.222766	0.396226	0.0	0.46729	0.0	0.193548	0.335766	0.121212
12	emov1_baseline_raam	13	0.242857	0.176768	0.210526	0.0	0.417582	0.0	0.12766	0.333333	0.12766
13	emov1_baseline_raam	19	0.257143	0.187119	0.34188	0.0	0.383333	0.0	0.0487805	0.304636	0.217391
14	emov1_baseline_raam	22	0.242857	0.169604	0.243902	0.0	0.448598	0.0	0.047619	0.311377	0.102564
15	emov1_baseline_raam	27	0.25	0.184876	0.288136	0.0	0.384615	0.0	0.0869565	0.338624	0.181818
16	emov1_baseline_ram	11	0.25	0.177654	0.324324	0.0	0.409836	0.0	0.0	0.287671	0.20339
17	emov1_baseline_ram	13	0.285714	0.209697	0.403846	0.0	0.465517	0.0	0.0487805	0.304094	0.217391
18	emov1_baseline_ram	22	0.267857	0.199883	0.38806	0.0	0.463158	0.0	0.0434783	0.276316	0.196078
19	emov1_baseline_ram	26	0.25	0.190313	0.35514	0.0	0.474227	0.0	0.0	0.265734	0.209302
20	emov1_ce_weight_smoouth_baseline	12	0.214286	0.187012	0.215054	0.05	0.309859	0.126984	0.04	0.310078	0.26
21	emov1_ce_weight_smoouth_baseline	15	0.264286	0.248627	0.21978	0.156863	0.473118	0.282828	0.0454545	0.290909	0.241379
22	emov1_ce_weight_smoouth_baseline	17	0.275	0.23724	0.194444	0.0888889	0.487805	0.232558	0.0465116	0.333333	0.253968
23	emov1_ce_weight_smoouth_baseline	19	0.282143	0.262441	0.235294	0.363636	0.477064	0.283333	0.0487805	0.243243	0.148148
24	emov1_ce_weight_smoouth_baseline_aam	21	0.242857	0.174885	0.235294	0.0	0.470588	0.0	0.0	0.318182	0.181818
25	emov1_ce_weight_smoouth_baseline_aam	22	0.214286	0.178315	0.197802	0.0	0.601942	0.0	0.0	0.222222	0.196721
26	emov1_ce_weight_smoouth_baseline_aam	23	0.235714	0.204268	0.155844	0.0	0.615385	0.0	0.125	0.217391	0.3125
27	emov1_ce_weight_smoouth_baseline_aam	29	0.242857	0.230691	0.166667	0.0	0.585366	0.25974	0.0465116	0.293333	0.212766
28	emov1_ce_weight_smoouth_baseline_am	11	0.253571	0.211748	0.101266	0.0526316	0.487395	0.356164	0.0888889	0.312057	0.0
29	emov1_ce_weight_smoouth_baseline_am	13	0.25	0.211817	0.1875	0.181818	0.409449	0.119403	0.206897	0.333333	0.0
30	emov1_ce_weight_smoouth_baseline_am	16	0.275	0.246729	0.30303	0.125	0.444444	0.246154	0.208333	0.32	0.0
31	emov1_ce_weight_smoouth_baseline_am	20	0.260714	0.219438	0.207792	0.212121	0.416667	0.222222	0.0930233	0.326241	0.0
32	emov1_ce_weight_smoouth_baseline_raam	8	0.289286	0.247354	0.215686	0.15	0.494624	0.328125	0.0	0.385321	0.0952381
33	emov1_ce_weight_smoouth_baseline_raam	13	0.307143	0.260678	0.243478	0.0	0.505747	0.362319	0.0465116	0.425532	0.177778
34	emov1_ce_weight_smoouth_baseline_raam	15	0.289286	0.27322	0.25	0.130435	0.537634	0.298851	0.137931	0.339286	0.16129
35	emov1_ce_weight_smoouth_baseline_raam	20	0.303571	0.281431	0.175824	0.25	0.615385	0.36478	0.12766	0.307692	0.047619
36	emov1_ce_weight_smoouth_baseline_raam_stats	45	0.257143	0.173133	0.126984	0.0	0.521008	0.166667	0.0	0.328042	0.0
37	emov1_ce_weight_smoouth_baseline_raam_stats	53	0.25	0.20484	0.288462	0.0	0.394366	0.270677	0.0465116	0.349206	0.0
38	emov1_ce_weight_smoouth_baseline_raam_stats	57	0.260714	0.245691	0.197531	0.196078	0.505495	0.243902	0.142857	0.366197	0.0
39	emov1_ce_weight_smoouth_baseline_raam_stats	65	0.257143	0.209412	0.241758	0.0512821	0.460177	0.241935	0.0	0.349515	0.0526316
40	emov1_ce_weight_smoouth_baseline_ram	10	0.278571	0.218254	0.215054	0.0	0.556701	0.311111	0.0	0.346154	0.0
41	emov1_ce_weight_smoouth_baseline_ram	13	0.314286	0.279572	0.29703	0.212766	0.62069	0.314815	0.0	0.321168	0.114286
42	emov1_ce_weight_smoouth_baseline_ram	16	0.307143	0.271159	0.355828	0.196078	0.474576	0.350515	0.0	0.380952	0.0588235
43	emov1_ce_weight_smoouth_baseline_ram	20	0.282143	0.257227	0.289474	0.153846	0.586667	0.336449	0.0	0.289474	0.0512821
44	emov1_ce_weight_smoouth_baseline_ram_stats	20	0.242857	0.138381	0.0677966	0.0	0.468966	0.0	0.0888889	0.304569	0.0
45	emov1_ce_weight_smoouth_baseline_ram_stats	28	0.235714	0.169549	0.325581	0.0	0.358209	0.0	0.0851064	0.327869	0.047619
46	emov1_ce_weight_smoouth_baseline_ram_stats	29	0.239286	0.19899	0.264151	0.0	0.416667	0.08	0.123077	0.333333	0.142857
47	emov1_ce_weight_smoouth_baseline_ram_stats	40	0.228571	0.174131	0.333333	0.0526316	0.35443	0.0	0.0	0.282353	0.181818
48	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	11	0.203571	0.142829	0.129032	0.28125	0.0416667	0.30137	0.047619	0.173913	0.0
49	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	19	0.267857	0.227227	0.190476	0.326923	0.0425532	0.369863	0.258065	0.333333	0.0512821
50	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	22	0.307143	0.266235	0.222222	0.335135	0.153846	0.466019	0.0952381	0.451613	0.114286
51	emov1_russain_ce_weight_smoouth_baseline_raam_stats_765	40	0.289286	0.243765	0.153846	0.360656	0.145455	0.452055	0.202899	0.3	0.0588235