雷沛之 傅洪亮

摘要：為了更加準(zhǔn)確地進(jìn)行語(yǔ)音情感識(shí)別，提出了一種基于去噪自編碼器的語(yǔ)音情感識(shí)別模型。該模型用Open SMILE提取了語(yǔ)音中的聲學(xué)特征，利用構(gòu)建好的去噪自編碼器獲得更高階的特征，用SVM分類器對(duì)語(yǔ)音中的情感進(jìn)行識(shí)別分類。在EmoDB情感語(yǔ)料庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，與直接使用SVM進(jìn)行分類相比，該模型對(duì)語(yǔ)音情感的識(shí)別準(zhǔn)確率至少提高了2%。

關(guān)鍵詞：情感識(shí)別；語(yǔ)音特征；SVM；去噪自編碼器

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2018）18-67-2

Speech Emotion Recognition Based on Denoising Autoencoder

LEI Peizhi1， FU Hongliang2

（College of Information Science and Engineering， He爺nan University of Technology， Zhengzhou， He爺nan 450001， China）

0引言

語(yǔ)音是人們相互交流情感和信息的最直接方式，語(yǔ)音情感識(shí)別就是機(jī)器根據(jù)語(yǔ)音信號(hào)分辨出這些語(yǔ)音所表達(dá)的各種情感[1]。隨著各種電子產(chǎn)品的更新?lián)Q代，人們?cè)谑褂眠@些電子產(chǎn)品時(shí)都希望它能具有更好的人機(jī)交互功能、更加智能化，所以語(yǔ)音情感識(shí)別逐漸成為了具有廣泛前景的研究方向?？茖W(xué)家對(duì)于語(yǔ)音情感識(shí)別的研究，可以追溯到20世紀(jì)80年代左右，那時(shí)科學(xué)家的研究重點(diǎn)是語(yǔ)音中的聲學(xué)統(tǒng)計(jì)特征，例如麻省理工學(xué)院設(shè)計(jì)的可以采集各種情感信息的“情感編輯器”[2]，由于實(shí)驗(yàn)條件及語(yǔ)音樣本較少等條件的限制，并沒(méi)有在該領(lǐng)域產(chǎn)生較大的突破。

近些年來(lái)，隨著人們逐漸意識(shí)到研究語(yǔ)音情感識(shí)別對(duì)計(jì)算機(jī)科學(xué)、信息科學(xué)及心理學(xué)等諸多學(xué)科的推動(dòng)作用，以及人工智能和深度學(xué)習(xí)等領(lǐng)域的發(fā)展，情感識(shí)別取得了長(zhǎng)足的進(jìn)步[3]。如今，利用語(yǔ)音特征進(jìn)行分類仍然是情感識(shí)別的主流，然而隨著提取的特征維數(shù)不斷增加，特征中的冗余信息也逐漸增加，不利于機(jī)器進(jìn)行情感識(shí)別分類。去噪自編碼器可以把提取好的特征進(jìn)行特征變換，去除其中的無(wú)用冗余信息，并抽象出更高階的特征。

1去噪自編碼器

機(jī)器學(xué)習(xí)能夠順利完成的關(guān)鍵在于能夠輸入好的特征數(shù)據(jù)，自編碼器本質(zhì)上是一種神經(jīng)網(wǎng)絡(luò)[4]，它有2個(gè)特點(diǎn)：①輸入輸出層單元數(shù)一致：就是具有相同的維數(shù)；②能夠保留數(shù)據(jù)中更有效的信息。在實(shí)踐中，噪聲和一些特征差異性都會(huì)影響到分類器的性能，需要更深層次的特征，因此研究出了去噪自編碼器（Denoising Autoencoder，DAE），即人為的在輸入信息中加入干擾信息，一般為高斯噪聲，在這種條件下重構(gòu)出輸入信息并力求最小化誤差[5]。因此，更深層次的表達(dá)性的特征就被提取了出來(lái)，結(jié)構(gòu)框圖如圖1所示。

去噪自編碼器的任務(wù)就是讓盡可能的小[6]，若原始數(shù)據(jù)為，重構(gòu)后的數(shù)據(jù)為，則誤差函數(shù)則可以表示為：

2語(yǔ)音情感識(shí)別的流程

情感識(shí)別具體流程如圖2所示，分為4個(gè)步驟。

2.1特征提取

EmoDB是由柏林工業(yè)大學(xué)錄制的情感語(yǔ)音庫(kù)，語(yǔ)言為德語(yǔ)，由10名演員對(duì)7種情感進(jìn)行錄音。本文用OpenSMILE軟件提取特征，根據(jù)2009年首次舉辦的國(guó)際語(yǔ)音情感識(shí)別挑戰(zhàn)賽所創(chuàng)建的特征集，提取出的特征有384維，然后將其輸入去噪自編碼器中。

2.2特征重構(gòu)

構(gòu)建的去噪自編碼器如圖3所示，其中各項(xiàng)參數(shù)如表1所示。

3實(shí)驗(yàn)結(jié)果及分析

本文將EmoDB數(shù)據(jù)庫(kù)提取出特征并重構(gòu)后，將特征集按8：2分為訓(xùn)練集和測(cè)試集，在Tensor flow上進(jìn)行實(shí)驗(yàn)，其中SVM中的核函數(shù)選線性核函數(shù)，C值取為1～5，對(duì)于每個(gè)C值，都進(jìn)行10次實(shí)驗(yàn)最后取平均值，實(shí)驗(yàn)結(jié)果如圖4所示。

從圖4中可以看出，與傳統(tǒng)的SVM分類器相比，本文涉及的情感識(shí)別系統(tǒng)對(duì)于語(yǔ)音情感的識(shí)別正確率最低提升2.01%，最高提升3.02%，因此本文設(shè)計(jì)的分類系統(tǒng)具有更好的分類性能。

4結(jié)束語(yǔ)

針對(duì)傳統(tǒng)SVM對(duì)語(yǔ)音情感識(shí)別的正確率不高的問(wèn)題，本文構(gòu)建了去噪自編碼器重構(gòu)出了更高階的語(yǔ)音特征用于分類，并在EmoDB數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明了該方法具有更好的分類性能，提升了SVM對(duì)語(yǔ)音情感分類的正確率。

參考文獻(xiàn)

[1] Haytham M. F，Margaret L，Lawrence C. Evaluating deep learning architectures for Speech Emotion Recognition[J]. Neural Networks，2017（92）：60-68.

[2] Liu Pan，Rigoulot S，Pell M D. Cultural Immersion Alters Emotion Perception： Neurophysiological Evidence fom Chinese Immigrants to Canada.[J]. Social Neuroscience， 2017，12（6）：685-700.

[3] Revathi A，Venkataramani Y. Text Independent Speaker and Emotion Independent Speech Recognition in Emotional Environment[M].Springer India：2015.

[4] Yihui Xiong，Renguang Zuo. Recognition of Geochemical AnomaliesUsinga Deep Autoencoder Network[J]. Computers and Geosciences，2016（86）：75-82.

[5] Chandra B， Sharma R K.Adaptive Noise Schedule for Denoising Autoencoder[M].Springer International Publishing： 2014.

[6] Zhang Ying， Liu Rui，Zhang Saizheng，et al.Occlusion-Robust Face Recognition Using Iterative Stacked Denoising Autoencoder[M].Springer Berlin Heidelberg，2013.