張雪英，張 婷，孫 穎，張 衛(wèi)

(太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，山西 晉中 030600)

語(yǔ)音作為人類日常交流的主要方式，其中所攜帶的情感信息越來越受到研究者的重視。情感語(yǔ)音識(shí)別在人機(jī)交互、模式識(shí)別和人工智能等領(lǐng)域具有廣泛應(yīng)用前景，開展情感語(yǔ)音識(shí)別研究對(duì)于人類社會(huì)的進(jìn)步與發(fā)展具有重要意義[1]。在語(yǔ)音情感識(shí)別研究中，提高識(shí)別率主要有兩個(gè)研究方向[2]。一是改進(jìn)情感語(yǔ)音特征的提取方式或者選取方式；在情感語(yǔ)音識(shí)別中，常用的聲學(xué)特征一般包括有聲學(xué)參數(shù)的統(tǒng)計(jì)特征、時(shí)序特征等[3]。二是改進(jìn)分類方法或者選取更適合的分類方法；在情感識(shí)別方法的研究上，多種模式識(shí)別的分類方法均可用于情感識(shí)別[4]：如人工神經(jīng)網(wǎng)絡(luò)ANN(artificial neural network)[5]、隱馬爾科夫模型HMM(hidden markov models)、高斯混合模型GMM(gaussian mixture models)、支持向量機(jī)SVM(support vector machines)等。相較于其他模式識(shí)別算法，SVM是在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則上建立起來的，而且可以克服小樣本數(shù)據(jù)和非線性問題，具有良好的情感分類能力。近年來，SVM 被廣泛應(yīng)用于語(yǔ)音情感識(shí)別中，是一種有效的語(yǔ)音情感識(shí)別分類器[6]。

本文在TYUT2.0情感語(yǔ)音數(shù)據(jù)庫(kù)的基礎(chǔ)上，提出了聲學(xué)特征與情感語(yǔ)音PAD數(shù)據(jù)相結(jié)合的級(jí)聯(lián)分類方法。首先根據(jù)前期PAD標(biāo)注實(shí)驗(yàn)的數(shù)據(jù)結(jié)果[7]，將4類情感中混淆度高的情感按照愉悅度值高低劃分為2類，其次在此基礎(chǔ)上使用SVM識(shí)別網(wǎng)絡(luò)分別識(shí)別高低愉悅度的情感，然后在已區(qū)分高低愉悅度的基礎(chǔ)上再次使用SVM識(shí)別網(wǎng)絡(luò)，最終實(shí)現(xiàn)對(duì)4種情感的分類，情感分類識(shí)別率較傳統(tǒng)僅使用聲學(xué)特征的分類識(shí)別率提高了15.4%.

1 情感語(yǔ)音數(shù)據(jù)庫(kù)及三維情感模型

1.1 情感語(yǔ)音數(shù)據(jù)庫(kù)

本文采用的太原理工大學(xué)數(shù)字音視頻技術(shù)研究中心前期建立的TYUT2.0情感語(yǔ)音數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)首先采用截取廣播劇的方式，包含“高興、憤怒、悲傷、驚奇”4種情感類別共237句的摘引型離散情感語(yǔ)音數(shù)據(jù)庫(kù)。后期在原有的離散情感語(yǔ)音數(shù)據(jù)庫(kù)的基礎(chǔ)上，根據(jù)PAD三維情感模型，通過心理學(xué)實(shí)驗(yàn)的方法對(duì)情感語(yǔ)音進(jìn)行標(biāo)注，建立了維度情感語(yǔ)音數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)中每句語(yǔ)音都有對(duì)應(yīng)的PAD值，為后續(xù)的識(shí)別實(shí)驗(yàn)奠定了數(shù)據(jù)基礎(chǔ)[7]。

1.2 PAD三維情感模型

情感可以用連續(xù)變化的維度表示，情感維度理論通常將不同的情感映射到一個(gè)多維空間中的一個(gè)點(diǎn)，該點(diǎn)的空間坐標(biāo)對(duì)應(yīng)標(biāo)識(shí)某一種情感。其中PAD三維情感模型被廣泛認(rèn)可[8]。該模型由UCLA大學(xué)的MEHRABIAN開發(fā)，采用語(yǔ)義差異評(píng)價(jià)方法將情感分為三個(gè)維度，它們分別是：反應(yīng)說話者情感狀態(tài)的正負(fù)特征的愉悅度P(Pleasure-displeasure)；反應(yīng)說話者神經(jīng)生理的激活程度是主動(dòng)的還是被動(dòng)的激活度A(Arousal-nonarousal)；反應(yīng)說話者對(duì)情境和他人的控制欲望強(qiáng)弱的優(yōu)勢(shì)度D(Dominance-submissiveness)。三維情感模型是對(duì)情感空間的理論描述，建立了情感空間中不同情緒范疇的定位和關(guān)系，使不同的情感可以映射到三維空間中。根據(jù)文獻(xiàn)[7]標(biāo)注實(shí)驗(yàn)得出的PAD數(shù)據(jù)，將悲傷、憤怒、高興、驚奇4種情感分布在三維情感空間，如圖1所示。

圖1 4種情感狀態(tài)在PAD三維情感空間上的分布Fig.1 Distribution of four emotional states in PAD three-dimensional emotional space

2 情感語(yǔ)音特征

采用何種有效的語(yǔ)音特征參數(shù)用于情感識(shí)別對(duì)于語(yǔ)音情感識(shí)別研究至關(guān)重要，情感語(yǔ)音特征參數(shù)的優(yōu)劣直接決定情感最終識(shí)別結(jié)果的好壞。目前用于情感語(yǔ)音識(shí)別的聲學(xué)特征大致可歸納為韻律學(xué)特征、基于譜的相關(guān)特征和音質(zhì)特征這3種類型[9]。韻律學(xué)特征在情感語(yǔ)音識(shí)別領(lǐng)域已經(jīng)得到研究者的廣泛認(rèn)可[10]。文獻(xiàn)[11]研究了Mel頻率倒譜系數(shù)(mel-frequency cepstrum coefficient,MFCC)和基頻、能量、發(fā)音持續(xù)時(shí)間與三維情感空間之間的關(guān)系，結(jié)果表明MFCC參數(shù)與三維情感空間的相關(guān)性最高。所以本文主要提取情感語(yǔ)音的韻律特征和MFCC特征用于情感語(yǔ)音識(shí)別。

2.1 韻律特征

韻律特征可以分為3個(gè)主要方面：音高、強(qiáng)度以及時(shí)間特性。通過測(cè)量相應(yīng)提取輪廓的統(tǒng)計(jì)值來獲得特征。 其中平均值、中值、最小值、最大值和方差是最常用的統(tǒng)計(jì)值。本文從語(yǔ)音信號(hào)中提取了38維韻律特征。對(duì)應(yīng)的韻律特征及統(tǒng)計(jì)參數(shù)如表1所示。

表1 韻律特征及統(tǒng)計(jì)參數(shù)Table 1 Prosodic features and statistical parameters

2.2 MFCC特征

MFCC特征是基于人耳聽覺特性提出來的，符合人類的聽覺特性，不僅能很好地度量語(yǔ)音頻譜的能量包絡(luò)，同時(shí)倒譜運(yùn)算具有良好的解卷性能，因此MFCC特征廣泛地應(yīng)用于情感語(yǔ)音識(shí)別、說話人識(shí)別、音頻和音樂分類方面?；谝陨咸匦裕疚奶崛×薓FCC前12階的偏度、峰度、均值、方差、中值共60維特征用于識(shí)別實(shí)驗(yàn)。

3 識(shí)別實(shí)驗(yàn)

在本節(jié)的識(shí)別實(shí)驗(yàn)中，首先通過3組對(duì)比實(shí)驗(yàn)，分別比較了僅使用韻律特征的分類識(shí)別率、僅使用MFCC特征的分類識(shí)別率及將2種特征組合的分類識(shí)別率。數(shù)據(jù)庫(kù)使用TYUT2.0情感語(yǔ)音數(shù)據(jù)庫(kù)，對(duì)“悲傷”、“憤怒”、“高興”、“驚奇”4種情感語(yǔ)音進(jìn)行分類識(shí)別。利用支持向量機(jī)SVM[12]識(shí)別情感語(yǔ)音采用十折交叉驗(yàn)證(10-fold cross validation)的測(cè)試方法。所有語(yǔ)句被平均分為10份，識(shí)別實(shí)驗(yàn)也相應(yīng)地進(jìn)行10次，輪流將其中9份作為訓(xùn)練集，1份作為測(cè)試集。取10次實(shí)驗(yàn)結(jié)果的正確率的平均值作為識(shí)別結(jié)果。采用交叉驗(yàn)證測(cè)試方法能夠有效地降低隨機(jī)因素的影響 ,提高識(shí)別結(jié)果的可信度。

3.1 韻律特征分類

單獨(dú)運(yùn)用韻律特征對(duì)情感語(yǔ)音進(jìn)行分類識(shí)別，混淆矩陣如表2所示。

表2 單獨(dú)使用韻律特征的情感識(shí)別混淆矩陣Table 2 Emotion recognition confusion matrix using prosodic features alone %

整體平均識(shí)別率是58.6%，其中“憤怒”的識(shí)別率最低，僅達(dá)到51.8%.此外，單獨(dú)運(yùn)用韻律特征時(shí)，“憤怒—高興”的混淆率、“憤怒—驚奇”的混淆率較高。實(shí)驗(yàn)數(shù)據(jù)顯示，“悲傷”的識(shí)別率最佳達(dá)到64.5%；這是由于在TYUT2.0數(shù)據(jù)庫(kù)中，“悲傷”情感語(yǔ)音的發(fā)音較為緩慢，并且停頓時(shí)間較長(zhǎng)，因此語(yǔ)速特征能夠較好的識(shí)別“悲傷”情感。

3.2 MFCC特征分類

單獨(dú)運(yùn)用MFCC特征對(duì)情感語(yǔ)音進(jìn)行分類識(shí)別，混淆矩陣如表3所示。

整體平均識(shí)別率是62.3%.通過實(shí)驗(yàn)可以看到單獨(dú)運(yùn)用MFCC特征，“憤怒”和“驚奇”的識(shí)別率得到了明顯提高，“憤怒”識(shí)別率提高了10.3%，“驚奇”識(shí)別率提高了10%.由此提出假設(shè)，MFCC特征中是否包含著一些韻律特征所不包含的特征信息，如果將這2種特征組合是否能提高分類識(shí)別率。

表3 單獨(dú)使用MFCC特征的情感識(shí)別混淆矩陣Table 3 Emotion recognition confusion matrix using MFCC features alone %

3.3 MFCC和韻律特征組合特征集分類

將MFCC和韻律特征組合進(jìn)行分類識(shí)別，混淆矩陣如表4所示。整體平均識(shí)別率達(dá)到67.5%.相較于單獨(dú)運(yùn)用韻律特征和MFCC特征，識(shí)別率有一定程度的提高。

表4 運(yùn)用韻律特征和MFCC特征組合的情感識(shí)別混淆矩陣Table 4 Using prosodic feature and MFCC feature combinationof emotion recognition confusion matrix %

由以上3組實(shí)驗(yàn)可以看出由韻律特征和MFCC特征組合的分類識(shí)別率相比之下最好，分析原因是兩種特征的組合減弱了由于單一特征無(wú)法全面描述情感信息而導(dǎo)致的識(shí)別率低的缺點(diǎn)，在情感識(shí)別應(yīng)用中具有互補(bǔ)性，因此可以在一定程度上提升分類識(shí)別結(jié)果。韻律特征和MFCC特征的組合特征是后續(xù)級(jí)聯(lián)分類實(shí)驗(yàn)的特征基礎(chǔ)。

3.4 級(jí)聯(lián)分類

之前的分類識(shí)別方法僅僅是將聲學(xué)特征簡(jiǎn)單地組合在一起，并沒有考慮到哪種類型特征能更好的對(duì)情感進(jìn)行分類識(shí)別，文獻(xiàn)[7]中標(biāo)注實(shí)驗(yàn)得出的4類情感語(yǔ)音的PAD數(shù)據(jù)如表5所示，可以看出在P(愉悅度)上分?jǐn)?shù)呈現(xiàn)明顯的高低差異，且在此維度上能夠很好的區(qū)分“憤怒—高興”和“憤怒—驚奇”這兩組混淆率較高的情感。據(jù)此將“悲傷”和“憤怒”2

表5 4種情感的PAD值Table 5 PAD value of four types emotion

種情感標(biāo)記成“低”，“高興”和“驚奇”2種情感標(biāo)記成“高”。

圖2是級(jí)聯(lián)分類流程圖，將分類過程分為2個(gè)步驟。在第一階段中將“悲傷”、“憤怒”、“高興”、“驚奇”4種情感按照表5的高低分?jǐn)?shù)標(biāo)注分為兩類：一類為“悲傷”、“憤怒”，這2種情感具有較低的愉悅度；另一類為“高興”、“驚奇”，這兩種情感具有較高的愉悅度。將聲學(xué)特征組合與愉悅度情感維度的高低分類相結(jié)合，利用SVM分類器Ⅰ來區(qū)分高愉悅度情感和低愉悅度情感，如表6混淆矩陣所示，分類識(shí)別率達(dá)到了97.5%.

圖2 級(jí)聯(lián)分類流程圖Fig.2 Cascading classification flowchart

第二階段是在第一階段的基礎(chǔ)上，對(duì)于已經(jīng)分類的高低不同的愉悅度的情感語(yǔ)音進(jìn)一步分類識(shí)別。同樣運(yùn)用SVM分類器Ⅱ來區(qū)分高愉悅度情感中的“高興”、“驚奇”，而SVM分類器Ⅲ來區(qū)分低愉悅度情感中的“悲傷”、“憤怒”。每一步的分類器都使用一個(gè)二進(jìn)制SVM分類。表7和表8分別顯示了第二步的分類識(shí)別結(jié)果。

表6 高低愉悅度情感分類識(shí)別結(jié)果混淆矩陣Table 6 High and low pleasure emotion classification recognition result confusion matrix %

表7 低愉悅度情感分類識(shí)別結(jié)果混淆矩陣Table 7 Low pleasure emotion classification recognition result confusion matrix %

表8 高愉悅度情感分類識(shí)別結(jié)果混淆矩陣Table 8 High pleasure emotion classification recognition result confusion matrix %

通過將圖2兩個(gè)步驟組合起來，得到總體分類識(shí)別率的混淆矩陣如表9所示，平均分類識(shí)別率達(dá)到82.9%.可以看出本文提出的級(jí)聯(lián)分類方法無(wú)論在4種情感的識(shí)別率還是平均識(shí)別率都有很大程度的提高，尤其是在情感“高興”、“憤怒”中的表現(xiàn)尤為突出，級(jí)聯(lián)分類識(shí)別率相較于運(yùn)用韻律特征和MFCC特征組合的分類識(shí)別率得到了明顯提高，識(shí)別率提高了15.4%.

表9 級(jí)聯(lián)分類識(shí)別結(jié)果混淆矩陣Table 9 Cascading classification recognition results confusion matrix %

圖3 識(shí)別結(jié)果對(duì)比圖Fig.3 Recognition result contrast diagram

圖3直觀地展示了僅用傳統(tǒng)的聲學(xué)特征和本文提出的將聲學(xué)特征與情感語(yǔ)音PAD數(shù)據(jù)相結(jié)合的級(jí)聯(lián)分類方法識(shí)別率對(duì)比結(jié)果。由圖3可以明顯看出，通過將聲學(xué)特征與情感語(yǔ)音PAD數(shù)據(jù)相結(jié)合的級(jí)聯(lián)分類方法，各類情感的識(shí)別率均有提高，尤其對(duì)于“高興”情感來說，識(shí)別率提高了26.3%.

4 結(jié)論

針對(duì)運(yùn)用聲學(xué)特征(韻律特征和MFCC特征)對(duì)情感語(yǔ)音的分類識(shí)別性能不理想的問題，提出了將聲學(xué)特征與情感語(yǔ)音PAD數(shù)據(jù)相結(jié)合的級(jí)聯(lián)分類方法。從三維空間情感模型出發(fā)，將聲學(xué)特征和PAD三維情感模型中對(duì)情感區(qū)分度最強(qiáng)的愉悅度相結(jié)合，通過SVM分類識(shí)別網(wǎng)絡(luò)，在每一步的識(shí)別中逐漸減少樣本數(shù)目，使得后一個(gè)分類器總比前一個(gè)分類器有更精確的分類。整體識(shí)別率提高了15.4%；尤其對(duì)于“高興”情感來說，識(shí)別率提高了26.3%，可達(dá)94.7%；其他情感的識(shí)別率也大幅提高。以上分析結(jié)果表明，本文提出的級(jí)聯(lián)分類的方法與傳統(tǒng)的情感語(yǔ)音識(shí)別方法相比有明顯的優(yōu)勢(shì)，為語(yǔ)音情感識(shí)別提供了一種可靠可行的方法。但通過實(shí)驗(yàn)結(jié)果可以看出，最終結(jié)果中的一些情感的混淆率仍然很大。因此在今后的研究工作中，需要進(jìn)一步探究語(yǔ)音的情感特征與PAD三個(gè)維度的相關(guān)性，提取相關(guān)性高的情感特征，更有針對(duì)性地減少混淆率，從而有效提高情感識(shí)別率。